[发明专利]一种基于双域交织网络的低剂量CT重建方法

权利要求书

1.一种基于双域交织网络的低剂量CT重建方法，其特征在于，包括以下步骤：

S1：准备训练数据：训练数据集包含低剂量CT图像及相应正弦图以及对应的正常剂量CT图像及相应正弦图；所述低剂量CT是正常剂量CT的0.15-0.25倍；

S2：先输入的低剂量的CT图像，经过N个卷积层进行浅层特征提取，N＞1，然后进入双域交织网络；

搭建双域交织网络：所述双域交织网络由失真支路、感知支路和融合支路组成；所述失真支路由多个交织模块构成，所述的感知支路由多个感知模块构成，所述的融合支路由多个融合模块构成；所述的交织模块、感知模块和融合模块数量相等；

所述的交织模块由一个正弦模块和一个图像模块构成；所述的感知模块由卷积层、激活层、卷积层的结构组成；第m个交织模块的输出D_m与对应第m个感知模块的输出结果P_m通过融合支路的计算后拼接在一起然后再经过一个卷积层得到重建结果，第m个融合模块的结果计算过程如下：

R_m＝(1-α_m)D_m+α_mP_m

其中，R_m为第m个融合模块的结果，α_m为第m个融合模块通过输入α及网络学习到的融合权重；

所述交织模块的搭建包括以下步骤：

S2-1)第m-1个交织模块的输出作为第m个交织模块的输入D_m-1，首先经过由卷积层，反卷积层，自适应池化层组成的正弦模块，结果为S_m-1；即：

S_m-1＝Adapool.(Deconv.(Conv.(D_m-1)))

其中，Conv.(*)代表对*进行卷积操作；Deconv.(*)代表对*进行反卷积操作；Adapool.(*)代表对*进行自适应池化操作；

S2-2)S_m-1进入图像模块输出结果D_m，其中第一个交织模块中正弦模块的输出结果S₁与正弦图拼接作为图像模块的输入；

步骤S2-2所述输出结果S₁与正弦图拼接具体为：

S2-2-1)S_m-1在图像模块中首先经过卷积层，反卷积层及自适应池化层得到S_m-1′即：

S_m-1′＝Adapool.(Deconv.(Conv.(S_m-1′)))

S2-2-2)S_m-1′经过如下注意力操作得到结果D_m，公式如下：

D_m＝S_m-1′*ReLU(S_m-1′-Deconv.(Avgpool.(S_m-1′)))+S_m-1′

其中，ReLU(*)代表对*进行ReLU激活；Avgpool.(*)代表对*进行平均池化操作；

感知支路的输入为输入CT图像经过N(N＞1)个卷积初步提取的特征f；第m个感知模块的组成如下：

f作为第m个感知模块的输入，经过卷积层，激活函数和卷积层后结果为P_m；即P_m＝Conv.(ReLU(Conv.(S_m-1′)))；

融合支路的输入为参数α，第m个失真模块的输出D_m，第m个感知模块的输出P_m；

参数α通过K(K＞2)个全连接层得到α′；α′经过第m个融合模块的K(K＞2)个全连接，学习到α_m；

将m个融合模块的结果拼接，并输出到最后的卷积层输出结果R_out，即：

R_out＝Conv.(Concat.(R_m，R_m-1，R_m-2，...R₁))

其中Concat.(*)表示拼接操作；R_m，R_m-1，R_m-2，...R₁表示第m个到第1个融合模块的结果；

S3：构建损失函数并训练网络：损失函数分别从失真保护和感知效果两方面来保证重建结果的质量；包括训练失真支路时的损失函数L_D和训练感知支路时的感知损失函数乙_P；

训练分为以下两个阶段：

第一阶段：训练失真支路，α＝0，使用损失函数L_D进行网络训练；所述的失真损失函数L_D为：

其中N表示训练样本总数，p_t表示t位置的像素；R和I^T分别为网络得到的重建结果和正常剂量的CT图像，R(p_t)和I^T(p_t)为所对应的像素值；

第二阶段：训练感知支路和融合支路，α＝1，使用损失函数L_P进行网络训练；所述的感知损失函数L_P：

其中E[*]表示期望，D为感知支路网络，I为输入的低剂量CT图像，I^T为对应正常剂量CT图像；表示I^T服从概率分布P(I^T)的期望，R～P(R)表示R服从概率分布P(R)的期望；

S4：测试与评估：分别在两个数据集训练集上训练收敛后的网络，在对应的测试集中进行测试和评估。

2.根据权利要求1所述的一种基于双域交织网络的低剂量CT重建方法，其特征在于，步骤S3中分两个阶段训练网络，使用Adam优化器进行优化。