一种深度学习循环匹配稀疏角度CT伪影去除方法

本发明属于ct图像重建领域，更具体地说，涉及一种深度学习循环匹配稀疏角度ct伪影去除方法。

背景技术：

1、近年来，为了满足医疗或者工业中对于ct成像质量的要求，同时尽可能的降低ct辐射的影响以及提高ct扫描效率，稀疏角度的扫描方式逐渐成为热点。然而，如果采用传统重建方式对于稀疏角度扫描的投影数据进行重建，如滤波反投影算法(filtered backprojection)，则往往会引入稀疏条纹伪影以及噪声，导致图像质量严重下降，影响医疗诊断或者工业检测。

2、随着硬件条件以及图形显示高性能计算方法的出现，越来越多的被运用在ct图像重建领域，深度学习方法由于具有极强的非线性拟合能力，理论上可以无限逼近预设目标，越来越多的专家学者将其运用在稀疏角度ct伪影的去除任务上。例如，王志辉；朱炯滔等人提出“一种基于深度学习去除稀疏角度ct成像伪影的方法“，该方法利用全角度扫描ct图像作为标签数据，利用45或90个角度的稀疏扫描重建出的ct图像作为神经网络的输入，训练模型，最终输出去除伪影的ct图像[1]。谢世朋与喻丹等人提出一种”一种稀疏角ct伪影去除的方法“，利用vgg19网络提取图像特征，结合注意力残差网络实现了稀疏角ct伪影的去除[2]。邸江磊；李佳霖等人提出一种”基于生成对抗式网络的极度稀疏视图ct重建的抑制伪影方法“，该方法利用更改为transformers块的unet生成器的wgan-gp网络模型对于稀疏角度ct图像进行训练，能够获得高精度的ct重建图像，可以实现对极度稀疏采样下的ct图进行重建,重建的ct图像边缘信息和细节保留更丰富[3]。李强；晁联盈等人提出一种”一种基于深度学习的稀疏角度锥束ct图像重建方法“，该方法将稀疏角度锥束ct原始投影数据变换为多幅投影图像后,利用一个或多个已训练好的插值卷积神经网络复原出相邻两幅投影图像之间的一幅或多幅投影图像，随后对于该图像进行三维重建，进一步利用后处理卷积神经网络消除锥束ct图像中的噪声与伪影，提高图像质量[4]。上述专利均能够一定程度上提升图像的峰值信噪比和结构相似性，实现稀疏角度ct图像质量的提升。

3、然而目前的专利均未能考虑到正弦图与ct图像之间的关系以及相互影响，仅从ct图像域去对于稀疏伪影进行去除，导致变换过于复杂同时网络训练参数量也过于庞大，训练缓慢，难以收敛，导致最终容易出现许多“未收敛“的虚假伪影ct图像，一旦生成的图像可信度过低，则其对于医疗诊断、工业测量、无损检测等均会造成严重的影响。

4、[1]王志辉,朱炯滔,王成.一种基于深度学习去除稀疏角度ct成像伪影的方法[p].湖北省：cn110211194a,2019-09-06.

5、[2]谢世朋,喻丹.一种稀疏角ct伪影去除的方法[p].江苏省：cn114596378a,2022-06-07.

6、[3]邸江磊,李佳霖,林俊成等.基于生成对抗式网络的极度稀疏视图ct重建的抑制伪影方法[p].广东省：cn115239588a,2022-10-25.

7、[4]李强,晁联盈,张鹏等.一种基于深度学习的稀疏角度锥束ct图像重建方法[p].湖北省：cn112396672a,2021-02-23.

技术实现思路

1、一种深度学习循环匹配稀疏角度ct伪影去除方法，其特征在于，包括以下步骤：

2、s1：初始化参数直线扫描段数t、旋转角度间隔δθ，稀疏扫描角度个数n；

3、s2：二维圆周扫描方式获取某一断面的稀疏角度投影数据；

4、s3：将获取投影数据重排，根据最终重建所需的分辨率及尺寸初始化图像零空间矩阵

5、s4：将稀疏投影数据插入对应位置零空间矩阵中，构造出稀疏正弦图。

6、s5：利用稀疏正弦图经滤波反投影算法得到带伪影的ct图像；

7、s6：将稀疏正弦图与带伪影的ct图像配对并进行图像合并；

8、s7：将合并后的图像作为训练数据并以原始ct图像与正弦图合并后的结果作为标签数据进行图像匹配翻译网络的训练；

9、s8：将模型训练得到的结果拆分，最终输出高质量的ct重建图像，实现稀疏角度ct图像的伪影去除。

10、在步骤s2中，将像素看作图像中某一块区域的质心，遍历各个像素点，计算每个质点在特定的旋转角度下的投影，并在对应的接收探测器单元内进行累加，投影的离散计算公式如下：

11、

12、式中，f(x,y)为ct图像上的任意点坐标，pθ(s)为在θ角度下直线探测器上的投影。

13、本发明中获取二维圆周扫描的方式为计算机模拟获取，并采用射线驱动方式来获取仿真投影数据，遍历平面探测器上的每个接收器所接收的射线，对该射线所经过的物体内部截断面进行累加而完成该射线在该截面内的直线积分运算，射线内采用siddon方法，即最邻近插值方法，其中累加求和的各加权因子是射束在每个体素空间的交线长度。

14、步骤s3中，利用稀疏扫描角度下的投影数据构建稀疏正弦图的方法如下：

15、确定稀疏扫描角度个数num，初始化零矩阵x，用于存储稀疏投影数据，并构建稀疏矩阵，公式如下：

16、

17、x＝[num,t],

18、式中，x表示s12步骤中获取的投影数据，即num组角度下的t维度的向量，xs表示构建的稀疏正弦图矩阵，将矩阵xs的第i列赋值给矩阵xs的第列，其余元素均为0，其中，i＝1,2,3...num。

19、在步骤s7中，采用的循环匹配深度学习网络的构建步骤如下：

20、网络主体部分主要由三部分构成，由条件对抗生成网络pix2pix的架构构建unet生成器，主要负责根据标签图像生成配对的一组正弦图和与之对应的ct图像，而patchgan鉴别器主要负责判断由生成器生成的配对图像和真实标签图像之间的真伪，最后接的是循环匹配模块，负责对生成的一组图像进行循环匹配，即由ct图像经投影过程生成对于的正弦图，同时由正弦图经滤波反投影过程生成ct图像，在此过程中计算生成的图像与对于图像的峰值信噪比与结构相似度，并将其作为损失项加入到鉴别器的损失函数中，参与指导图像的生成，本深度学习循环匹配模型的损失函数构成如下：

21、生成器g不断的尝试最小化目标函数值，而判别器d则通过不断的迭代去最大化这个目标函数，其损失函数如下：

22、

23、其中，δgan(g,d)是生成器鉴别器网络损失函数，其公式为：

24、

25、δl1(g)是传统l1损失函数，其计算公式为：

26、δl1(g)＝ex,y,z[||y-g(x,z)||1]

27、而δpsnr-s(g,d)与δpsnr-c(g,d)分别代表着循环配对模块中unet网络生成的正弦图与投影法生成正弦图、unet网络生成的ct图像与反投影法生成的ct图像之间的峰值信噪比损失，而δssim-s(g,d)与δssim-c(g,d)分别代表着循环配对模块中unet网络生成的正弦图与投影法生成正弦图、unet网络生成的ct图像与反投影法生成的ct图像之间的结构相似度损失。

28、在步骤s7中，采用的图像翻译网络模型的输入与输出均更改为适应ct图像的单通道图像，对应的模型中需修改生成器、判别器的通道类型，由三通道变更为单通道。

29、本发明的有益效果在于：

30、本发明方法面向稀疏角度ct图像的伪影去除，结合了条件对抗生成网络pix2pix的像素到像素能够重建出高精度、高分辨率的配准图像的优势，同时也能有效避免因稀疏角度或者低剂量ct导致的伪影或噪声的问题。此外本发明中采用的图像循环匹配网络模型的数据加载的可以利用预处理矩阵方法，网络模型的测试和训练都均可在gpu上执行，单次图像测试时间远小于一次滤波反投影算法的执行时间，具备工程化的条件。且图像循环匹配模块能够利用正弦图与ct图像之间的配对关系合理的指导两类图像的生成，网络鉴别器的损失函数添加了峰值信噪比与结构相似度的损失项也有利于图像重建质量的提升。与现有重建算法的实验对比表明，本发明在图像精度及重建效率上均有较大提升，同时循环匹配机制也增加了生成的ct图像的可信度。