[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

说明书

本发明公开了基于N‑net和CycN‑net网络结构的四维锥束CT重建图像增强算法。本发明是在充分挖掘四维锥束CT重建图像固有特性的基础上设计的，深度神经网络CycN‑net通过将五个连续运动相位的解析重建图像和对应的先验图像作为网络输入，考虑了四维锥束CT图像序列内部的先验知识和图像序列间的时空相关性，将提取的卷积特征图被拼接和融合以服务于图像恢复。本发明中的深度神经网络CycN‑net对恢复高时空分辨率的四维锥束CT图像序列具有优秀的表现，能够在有效抑制严重条形伪影的同时，最大程度地恢复和保持重建图像中细节结构信息。

技术领域

本发明属于X射线成像技术领域，具体涉及一种基于N-net和CycN-net网络结构的四维锥束CT重建图像增强算法。

背景技术

放射治疗是治疗恶性肿瘤(俗称癌症)的主要手段之一。锥束CT(Cone BeamComputed Tomography,CBCT)在放射治疗领域，特别是在图像引导的放射治疗(ImageGuided Radiation Therapy，IGRT)中，被大量使用。锥束CT的主要作用是对进行病人摆位并根据重建结果进行治疗目标定位，同时为放疗过程提供病人信息的实时更新。一般地，该领域锥束CT的探测器具有很高的空间分辨率，非常便于对头部进行摆位，但对于肺部成像就面临着极大挑战。在锥束CT成像时间为每周1分钟至4分钟，在相对漫长的扫描过程中，不可避免的会出现病人的呼吸，心跳和不规律肠胃运动，则会重建出运动模糊严重的肺部组织结构，影响到放疗中对靶区的精准定位。由上述可知，锥束CT存在的一个迄今尚未完全解决的问题是动态目标的成像问题。

针对动态目标的锥束CT成像问题中，将时间因素融入重建中的时间维度锥束CT技术(Four Dimension CBCT,4D-CBCT)在2005年被首次提出，也被称为四维锥束CT。该技术的主要策略是在锥束CT扫描过程中，同步采集对应的呼吸运动信号，并依据呼吸信号来对投影图像进行时相分类，然后分别重建当前相位下的图像，最终获得一组时序锥束CT图像。这一组图像可以提供运动器官的时间维度的运动轨迹信息，具有高时间分辨率。尽管不同呼吸相位下重建结果中的运动伪影被显著抑制，但每个相位下分配的投影数据相当于对全部角度的投影数据进行稀疏采样。通常地，一个周期下的运动呼吸相位可以被分时为十个状态，那么每个相位状态下所对应的投影数目为所有采集投影数据的十分之一，这种采样形式无法满足Shannon-Nyquist采样定理。另一方面，每一个相位下的投影数据呈聚束分布，进一步加剧了严重的稀疏角问题。因此，在重建图像中必然会引入欠采样条纹伪影，同时严重降低了重建图像的空间分辨率。