[发明专利]一种基于深度学习的同步多螺旋计算机断层成像方法

权利要求书

1.一种基于深度学习的同步多螺旋计算机断层成像方法，其特征在于，包括如下步骤：

步骤1、将多个物体放置于同步多螺旋CT成像检台上，进行同步多螺旋CT扫描；所述同步多螺旋CT成像检台中，安装有多个平行探测器方向的独立转台，并且同步多螺旋CT成像检台进行匀速升降运动，能产生多个物体的无串扰螺旋CT投影序列；

步骤2、利用深度学习技术对无串扰螺旋CT投影序列进行处理，并校正为重建图像不含容积伪影的投影序列；所述容积伪影是利用经典CT重建算法如FBP算法重建螺旋投影序列时产生的一种图像伪影，需要对其进行校正；所述深度学习技术是指基于卷积神经网络的同步多螺旋投影序列优化技术；

步骤3、对包含多个物体的投影序列进行分割，获得每个物体对应的独立投影序列；所述独立投影序列是同步多螺旋CT装置同时对多个物体进行成像，投影序列包括多个物体的投影信息，需计算各物体对应于投影序列中的位置并进行投影分割；

步骤4、使用滤波反投影重建算法对上述独立投影序列分别进行重建，获得最终的断层重建图像。

2.根据权利要求1所述的一种基于深度学习的同步多螺旋计算机断层成像方法，其特征在于：所述步骤2中，采用公式(1)-(4)所示的基于卷积神经网络的同步多螺旋CT投影序列优化技术实现如下：

f(P(ω,φ))＝W^T·P(ω,φ)+Bias (2)

其中，P(ω,φ)为含有容积伪影的投影序列，为不含容积伪影的投影序列，(ω,φ)表征投影序列各像素对应的探测器探元位置和转台旋转角度；f和F表示基于深度学习技术的编码网络和解码网络，其分别用于从P(ω,φ)中提取特征和从特征中解析出伪影产生情况；Λ表示非线性映射函数；Error表示卷积神经网络的学习目标，用于衡量卷积神经网络输出与标签之间的差异；W和Bias表示卷积神经网络中的学习参数即权重和偏置，参数更新通过利用梯度下降算法求解学习目标对参数的偏导数实现；η和分别表示学习率和学习的固有网络参数。

3.根据权利要求1所述的一种基于深度学习的同步多螺旋计算机断层成像方法，其特征在于：所述步骤3中，采用公式(1)-(2)的方法计算每个物体对应于投影序列中的位置参数，以进行后续投影序列分割；

其中，S_A和S_B分别表示某一物体的投影在二维投影序列中的左、右位置，D是射线源到探测器的距离，s是物体对应的旋转轴中心在探测器上的投影位置到探测器中心的距离，r是该物体的回转半径，E表示所述物体所在的旋转轴的旋转中心在所述探测器中的投影位置和所述射线源的位置，tan和tan^-1分别表示正切运算和反正切运算，sin和sin^-1表示正弦运算和反正弦运算。

4.根据权利要求1所述的一种基于深度学习的同步多螺旋计算机断层成像方法，其特征在于：所述步骤4中，采用如公式(7)的滤波反投影(Filtered Back-projection,FBP)算法对步骤3生成每个物体的独立投影序列分别进行重建，获得最终的断层重建图像；

其中，P_img(ω,φ)表示步骤2校正后不含容积伪影的投影序列，R(r,θ)表示断层重建图像，(r,θ)表示极坐标即回转半径和角度，U表示投影权重矩阵，D表示射线源到转台旋转中心的距离，h(ω)表示一维滤波器，(ω,φ)分别表示探测器探元坐标和转台旋转角度和旋转角度。