[发明专利]一种基于频域和图像域退化感知的深度学习稀疏角度CT重建方法

权利要求书

1.一种基于频域和图像域退化感知的深度学习稀疏角度CT重建方法，包括以下步骤：

(1)、构建包含多种退化级别的数据集

采集患者不同部位的完全角度CT图像，对CT图像正向投影获得充足的投影数据，然后对投影数据做不同级别的稀疏采样(例如60个角度，120个角度，240个角度等)并添加噪声，对稀疏的投影数据使用迭代算法反向重建为稀疏角度CT图像，每一个稀疏角度CT图像和完全角度CT图像构成一个训练对；

(2)、构建频域重建模型

(2.1)、构建离散余弦变换模块，将分块离散余弦变换转换为一个卷积层。其中分块大小为N×N，卷积层由N²个大小为N×N的卷积核组成，初始化权重参数为离散余弦基函数，离散余弦变换模块的输入是稀疏角度CT图像，输出是频率特征；

(2.2)、构建频域注意力模块。频域注意力模块的输入是频率特征，输出是加权频率特征。其中的输入层和输出层之间的网络结构如下：

第一层为全局平局池化层；

第二层由全连接层、线性整流函数(ReLU)组成；

第三层由全连接层、罗杰斯特函数(Sigmoid)组成；

第四层为逐像素相乘操作：对第一层的输入第三层的输出逐像素相乘；

(2.3)、构建频域重建模块。频域重建模块可以设计为任意神经网络模型，频域重建模块的输入是加权频率特征，输出是频率预测结果；

(2.4)、构建反离散余弦变换模块，将分块反离散余弦变换转换为一个转置卷积层。其中分块大小为N×N，卷积层由N²个大小为N×N的卷积核组成，初始化权重参数为离散余弦基函数，离散余弦变换模块的输入是频率预测结果，输出是频域重建图像；

(3)、构建图像域重建模型

(3.1)、构建图像域注意力模块。图像域注意力模块可以设计为任意神经网络模型，图像域注意力模块的输入是稀疏角度CT图像和频域重建图像的拼接(通道拼接)，输出是图像域注意力预测图像；

(3.2)、构建图像域重建模块。图像域重建模块可以设计为任意神经网络模型，图像域重建模块的输入是稀疏角度CT图像和图像域注意力预测图像的拼接，输出是最终的重建结果；

(4)、训练频域模型

使用训练对(稀疏角度CT图像，完全角度CT图像)训练频域模型的权重参数；

(5)、构建图像域注意力模块的训练数据集

(5.1)、使用边缘检测算法提取完全角度CT图像的边缘，得到边缘检测图像；

(5.2)、利用(4)中训练好的权重参数，对稀疏角度CT图像使用频域模型重建为频域重建图像，计算频域重建图像与完全角度CT图像的差值然后取绝对值，将差值大于等于r的像素点置为1，小于r的像素点置为0，得到重建差异图像；

(5.3)、取边缘检测图像与重建差异图像的交集，得到图像域注意力理想图像，每一个(稀疏角度CT图像和频域重建图像的拼接，图像域注意力理想图像)构成图像域注意力模块训练样本；

(6)、训练图像域注意力模块

使用训练对(稀疏角度CT图像和频域重建图像的拼接，图像域注意力理想图像)训练图像域注意力模块的权重参数，损失函数使用二分类交叉熵损失函数；

(7)、训练图像域重建模块

使用训练对(稀疏角度CT图像和图像域注意力预测图像的拼接，完全角度CT图像)训练图像域重建模块的权重参数；

(8)、整体训练

冻结图像域注意力模块的权重参数，使用训练对(稀疏角度CT图像，完全角度CT图像)整体训练频域模型和图像域重建模块的权重参数。