[发明专利]基于深度图像先验的图像重建方法、电子设备及存储介质

权利要求书

1.一种基于深度图像先验的图像重建方法，包括：

将随机噪声输入卷积神经网络中，输出未知的图像；

将所述未知的图像进行拉东变换，得到第一正弦图；

将所述第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值，其中，所述第二正弦图表示待重建图像的测量数据，所述待重建图像是关于放射性活度分布的图像；

根据所述损失值迭代调整所述卷积神经网络的网络参数，得到目标网络参数；

通过具有所述目标网络参数的卷积神经网络输出与所述待重建图像对应的重建图像。

2.根据权利要求1所述的方法，其中，所述将所述第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值包括：

对参考图像和所述未知的图像进行数据变换处理，得到参考图像数据变换域系数和未知的图像数据变换域系数；

根据所述参考图像数据变换域系数和所述未知的图像数据变换域系数，对所述基于相对熵的损失函数进行第一次更新；

利用第一次更新后的基于相对熵的损失函数处理所述第一正弦图和所述第二正弦图，输出第一损失值。

3.根据权利要求2所述的方法，还包括：

利用所述第二正弦图的缺失数据信息构建掩膜矩阵并对所述掩膜矩阵进行初始化，其中，所述掩膜矩阵的维度与所述第二正弦图的维度相同；

利用所述掩膜矩阵分别与所述第一正弦图和所述第二正弦图进行矩阵运算，对所述第一次更新后的基于相对熵的损失函数进行第二次更新；

利用第二次更新后的基于相对熵的损失函数处理所述第一正弦图和所述第二正弦图，输出第二损失值。

4.根据权利要求2所述的方法，其中，所述数据变换处理包括小波变换和超小波变换，所述超小波变换包括脊波变换、曲波变换、轮廓波变换。

5.根据权利要求1所述的方法，其中，所述神经网络包括编码器和解码器，所述编码器和所述解码器包括多个卷积层、多个批标准化层和多个渗漏整流线性单元。

6.根据权利要求3所述的方法，其中，所述第二次更新后的基于相对熵的损失函数由公式（1）表示：

（1），

其中，表示所述优化后的图像重建卷积神经网络的参数，

表示和的KL散度，表示掩膜矩阵，表示权重参数，表示所述图像重建卷积神经网络，表示随机噪声，表示拉东变换矩阵。

7.根据权利要求1所述的方法，其中，所述根据所述损失值迭代调整所述神经网络的网络参数，得到目标网络参数包括：利用L-BFGS和/或Adam算法迭代调整所述神经网络的网络参数。

8.一种基于深度图像先验的图像重建系统，包括：

第一输出模块，用于将随机噪声输入卷积神经网络中，输出未知的图像；

拉东变换模块，用于将所述未知的图像进行拉东变换，得到第一正弦图；

第二输出模块，用于将所述第一正弦图和第二正弦图输入基于相对熵的损失函数中，输出损失值，其中，所述第二正弦图表示待重建图像的测量数据，所述待重建图像是关于放射性活度分布的图像；

调整模块，用于根据所述损失值迭代调整所述卷积神经网络的网络参数，得到目标网络参数；

图像重建模块，用于通过具有所述目标网络参数的卷积神经网络输出与所述待重建图像对应的重建图像。

9.一种电子设备，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行根据权利要求1~7中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行根据权利要求1~7中任一项所述的方法。