[发明专利]一种基于自监督学习的高精度CT金属伪影校正方法

权利要求书

1.一种基于自监督学习的高精度CT金属伪影校正方法，包括以下步骤：

S1构建自监督金属伪影校正网络模型，即耦合模型-数据双驱动网络模型，所述网络模型包括基于Transformer的数据驱动正弦域子网络SS-Net和基于紧标架的模型驱动的图像域子网络IM-Net，IM-Net中包含一个用于耦合两个子网络的先验伪影注意力阈值生成模块PATG；

S2训练网络：

S2.1准备数据集，用收集的无伪影正弦图s合成金属污染的正弦图s_ma，对其做滤波反投影操作得到无伪影CT图像x和金属污染CT图像x_ma，将CT图像和正弦图裁剪为设定的尺寸，并将其分为训练集和测试集，设定最大训练次数，初始化训练参数；

S2.2将金属污染的正弦图s_ma和金属迹tr_m做线性插值运算得到s_LI，将s_LI和金属迹tr_m输入到基于Transformer的数据驱动正弦域子网络，输出得到增强的正弦图s_out，对s_out做滤波反投影操作得到重建CT图像x_out；

S2.3计算正弦域子网络损失，若未达到正弦域网络最大训练次数，则重复步骤S2.2，更新网络参数，训练结束得到正弦域网络的最优网络模型；

S2.4向训练好的正弦域子网络模型中输入s_ma和tr_m，网络输出x_out，并将x_out与金属伪影污染CT图像x_ma逐元素减得到正弦域金属伪影信息e_s，同时利用线性插值和光束硬化方法得到校正后的图像，从两者的校正图像中提取金属伪影e_LI和e_BHC，将金属伪影e_s、e_BHC、e_LI、x_ma及非金属掩模m输入到基于紧标架的模型驱动的图像域子网络IM-Net中，输出得到伪影减少的CT图像；

S2.5计算图像域损失，若未达到最大训练次数，则重复步骤2.4，更新网络参数；

S3向构建好的图像域最优网络模型中输入e_s、e_BHC、e_LI、x_ma和m，网络输出为金属伪影校正后CT图像。

2.根据权利要求1所述的一种基于自监督学习的高精度CT金属伪影校正方法，其特征在于，所述步骤(1)构建自监督学习金属校正网络：具体包括如下过程：构建模型驱动网络、数据驱动网络和耦合机制；所述模型驱动网络即基于紧标架的模型驱动图像域子网络：建立金属伪影分解模型，基于紧标架表示模型构建紧标架学习模型，利用交替方向乘子法将该问题转化为易于求解的子问题，并采用近端梯度技术进行问题求解，然后，将迭代算法的每个运算符转换为相应的网络模块，展开成深度神经网络架构来构建模型驱动金属伪影校正网络；所述数据驱动网络即基于Transformer的数据驱动正弦域子网络：在基于Transformer的数据驱动正弦域网络中提出了一个迹感知的Transformer正弦域网络，利用非金属迹去指导Transformer中的多头自注意力机制，从而保证网络学习中不会利用正弦图中金属污染严重的区域；所述耦合机制：由一个被称为先验伪影注意力阈值生成模块PATG实现，其中的伪影注意力模块通过利用输入的金属伪影之间的相互关系，自适应的重新为每个金属伪影的权重重新赋值。