[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

说明书

本发明公开了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，属于图像处理技术领域，首先构建频域模型，设计频域注意力模块，显示地学习不同退化级别的稀疏角度CT在频域的不同特征，输出加权频率特征，然后送入频域重建模块生成频域重建图像；其次构建图像域模型，设计图像域注意力模块，利用频域重建图像学习不同退化级别的稀疏角度CT在图像域的边缘像素重建特征，输出图像域注意力预测图像，最后送入图像域重建模块输出最终的重建结果。通过结合含有多个退化级别的CT数据集和有监督训练，此方法可以克服现有面向单一退化级别的深度学习方法泛化性差、不可拓展的缺陷，有效地提升重建的整体精度，抑制噪声和伪影同时保留细节的纹理特征。

技术领域

本发明属于图像处理技术领域，更为具体地讲，涉及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。

背景技术

CT重建是将通过CT扫描得到的投影数据通过算法重建为CT图像的过程。在过去的五十年里，CT图像由于具有高分辨率和高灵敏度的特点，被广泛应用于临床诊断、无损检测和生物学研究。随着医学CT技术的不断发展，人们对更快、更安全、更高精度的CT技术提出了要求。然而，高剂量的辐射会导致头痛，严重的情况下甚至会导致癌症和白血病。此外，长扫描时间和高扫描频率会进一步增加危害。稀疏角度CT和有限角度CT分别通过稀疏投影和控制投影角度范围来减少测量次数。然而，由于数据采集不足，重建的CT图像不可避免地出现严重的条纹伪影和方向伪影。因此低剂量CT重建的研究受到了研究者的广泛关注。

CT重建方法可分为三大类:投影域重建、迭代重建和图像域重建。在投影域重建方法中，传统的滤波算法具有计算量小、重构速度快的优点，但在原始数据严重缺失的情况下，无法达到令人满意的性能。基于字典和深度学习的方法又常常导致重建结果出现不期望的伪影或过度平滑。在先验知识的帮助下，迭代方法能够取得更好的重建效果，但同时牺牲了大量的计算资源。

近年来，深度学习方法在图像域CT重建中尤为重要。许多基于卷积神经网络的模型在一个特定的损伤程度上的性能大大优于迭代算法。然而，目前的深度学习重建方法往往在单一退化程度的数据(例如120个角度的稀疏投影数据)上应用有监督学习，因此在其他退化程度的数据(例如60个角度的稀疏投影数据)上无法获得良好的重构性能。解决这个问题的一种直接方法是针对每个退化级别训练一组参数，但由于训练计算量和参数存储的增长，在实践中部署是一个巨大的挑战。此外，随着退化程度级别的扩大，训练成本和参数存储量呈线性增加，在实际应用中不具有可拓展性。另一种方法是通过混合多个退化级别的数据来构建训练数据集来缓解这一问题，但这会导致模型预测出折中的重建结果，性能仍然存在提升空间。

发明内容

本发明目的在于克服现有基于深度学习的CT重建方法存在的不足，提供一种基于退化感知的深度学习CT重建算法。通过分别在频域和图像域设计退化感知模块，来学习不同退化级别数据的特征，并据此来对不同退化级别的数据执行不同的操作。除此之外，结合含有多个退化级别的CT数据集和有监督训练，使得模型的预测效果和预测稳定性得到提升。

为实现上述发明的目的，本文发明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；