[发明专利]基于N-net和CycN-net网络结构的四维锥束CT重建图像增强算法

权利要求书

1.一种基于N-net和CycN-net网络结构的四维锥束CT重建图像增强方法，其特征在于，包括以下步骤：

步骤一，对四维锥束CT图像序列预重建；

步骤二，构造深度神经网络，用训练数据集学习深度神经网络的网络权重数据，学习到用于四维锥束CT图像伪影噪声抑制的深度神经网络N-net和深度神经网络CycN-net；

步骤三，将待处理的四维锥束CT每个相位的三维重建图像，按上下断层切片方向提取出包含横截面断层解剖信息的二维图像；

步骤四，将二维预重建图像输入到深度神经网络N-net或深度神经网络CycN-net中进行图像增强处理，最终得到预测图像；

对于深度神经网络N-net来说，输入图像为某单个相位t下的二维预重建图像；深度神经网络N-net包含收缩路径与扩展路径，深度神经网络N-net的收缩路径由两条特征提取通道构成，分别用来提取伪影退化的某个相位重建图像和先验图像的不同特征，分别称为含伪影图像特征提取通道和先验图像特征提取通道，两条通道都包含八个Block/pBlock卷积模块，每个卷积模块具有与U-net相似的内部操作单元；

深度神经网络N-net的扩展路径中，每个图像恢复层都包含三个单元，分别为拼接单元、加和单元和转置卷积单元，这一组合将含伪影图像特征提取通道与先验图像特征提取通道相同层的特征图与对应的前一个图像恢复层中转置卷积得到的特征图聚合在一起；

拼接单元将来自单个含伪影图像特征提取通道和先验图像特征提取通道对应层特征图进行拼接，使特征图维度增多；

加和单元将拼接单元拼接后的特征图和图像扩展路径中上一层的特征图进行平均操作；

转置卷积单元包含了两个转置卷积和两个PReLU函数，用来逐层进行图像恢复，通过执行最后的卷积单元，得到最终的预测图像；

依照公式可以获得对应的先验重建图像，FBP(.)表示反投影操作，P(β)表示在旋转角度β下的投影数据；

对于N-net神经网络来说，目标优化函数公式X_t表示当前第t个相位下的输入图像；

对于深度神经网络CycN-net来说，在含伪影图像特征提取通道中，除了相位t图像以外，与相位t图像相邻的四个相位图像将输入到构建的组合模块中，五个连续的含伪影相位重建图像按相位t、t+1、t-1为一组，相位t-1、t、t-2为一组，相位t、t+1、t+2为一组，共划分为三个组，每一组由三个不同相位下重建图像组成的三维体数据，在组合模块中采用3D卷积核与2D卷积核的组合形式对体数据进行特征提取得到包含时空信息的特征图，在扩展路径中，加和单元和转置卷积单元与N-net相同，而拼接单元则有所不同，在CycN-net中，每一个拼接单元除了接收当前相位t特征图和先验图像特征图以外，还合并了来自第t-1和第t+1个相位下的两组特征图，CycN-net网络中的含伪影图像特征提取通道和扩展路径中，五个连续相位重建图像均参与了目标相位重建图像的恢复过程，输出的结果为当前第t个相位的预测图像；

依照公式可以获得对应的先验重建图像，FBP(.)表示反投影操作，P(β)表示在旋转角度β下的投影数据；

对于CycN-net神经网络来说，目标优化函数公式式中，S_t＝{X_t-2,X_t-1,X_t,X_t+1,X_t+2}表示以t为中间相位的连续五个相位的输入图像。