基于VAEGAN的非完全投影CT图像重建方法技术

本发明专利技术公开了一种基于VAEGAN的非完全投影CT图像重建方法，包括：首先，完全投影数据的正弦图像来训练VAEGAN模型，获得可以生成高质量正弦图像的VAEGAN模型；其次，利用已训练的模型对不完全投影数据正弦图缺失部分进行预测，进而可以获取到补全的投影数据；最后，使用卷积滤波反投影（Filtered Back‑Projection,FBP）方法从补全的投影数据图像中重建出CT图像。本发明专利技术能够预测缺失投影数据并进一步重建出符合临床诊断、高质量的CT图像。

Image Reconstruction Method of Incomplete Projection CT Based on VAEGAN

The invention discloses a method for reconstructing incomplete projection CT images based on VAEGAN, which includes: firstly, training the VAEGAN model with sinusoidal images of complete projection data to obtain a VAEGAN model capable of generating high-quality sinusoidal images; secondly, using the trained model to predict the missing parts of the sinusoidal images of incomplete projection data, and then obtaining the complementary projection data; Finally, CT images are reconstructed from the completed projection data images by using the method of Filtered Back Projection (FBP). The present invention can predict missing projection data and further reconstruct high quality CT images in accordance with clinical diagnosis.

【技术实现步骤摘要】
基于VAEGAN的非完全投影CT图像重建方法
本专利技术涉及医学图像处理
，尤其涉及一种基于VAEGAN(VariationalAutoEncoderGenerativeAdversarialNetwork，变分自编码器生成式对抗网络)的非完全投影CT(ComputerizedTomography，计算机断层显象)图像重建方法。
技术介绍
作为目前一种常规有效的临床医学诊断工具，X射线计算机断层成像技术(ComputerizedTomography，CT)为临床医生的诊断提供了丰富的人体器官组织信息。但是由相关研究表明：一次完全的CT扫描通常伴随着较高程度的电离辐射，而高剂量电离辐射可诱发人体新陈代谢异常乃至癌症、白血病等疾病。因此，如何在降低X射线使用剂量的同时，保证重建图像质量满足临床诊断要求成为医学图像处理领域研究的重点。临床上减少病患辐射量的重要方法之一就是减小CT扫描范围，即将探测器的旋转角度范围限制在某个小于标准的区间内，从而在总体上大幅减少了患者所受X射线辐射量。虽然限制CT设备扫描范围能够降低患者所受X射线辐射量，但同时会造成所获CT投影数据部分缺失，即获得的是非完全投影数据，使重建CT图像质量明显下降，以至于无法满足临床诊断的需要。为改善重建的CT图像，现有技术中常用的方法分为两大类：基于投影的方法和基于图像的方法。基于投影的方法是在重建CT图像之前估计缺失的投影，预测缺失的投影最直接的方法是定向插值，另一种基于投影的方法是图像矩方法，其建立图像矩与其投影矩之间的关系以估计来自已知投影的未知投影。其不足之处在于：无法处理截断投影数据，实验效果一般。
技术实现思路
本专利技术的目的在于克服现有技术中的不足，提供一种基于VAEGAN的非完全投影CT图像重建方法，解决现有技术中重建CT图像质量差、无法满足临床诊断需要的技术问题。为解决上述技术问题，本专利技术所采用的技术方案是：基于VAEGAN的非完全投影CT图像重建方法，包括如下步骤：构建VAEGAN模型；利用完全投影数据的正弦图像来训练VAEGAN模型；将不完全投影数据的正弦图像输入至已训练好的VAEGAN模型，获取生成图像并对不完全投影数据的正弦图像缺失部分进行预测，获取补全正弦图像；进一步获取对应的补全投影数据，根据补全投影数据重建CT图像。进一步的，所述VAEGAN模型包括：编码器、生成器和判别器，主要包含：卷积层、修正线性单元层、批标准化层和全连接层。进一步的，训练VAEGAN模型的具体方法如下：获取若干张CT图像及其对应的完全投影数据和不完全投影数据，将完全投影数据的正弦图像作为训练图像，将不完全投影数据的正弦图像作为测试图像；利用变分自编码器的基于卷积神经网络的编码器提取训练图像的隐变量特征；使隐变量特征的先验概率分布拟合多维高斯分布，对隐变量特征进行优化；将优化后的隐变量特征作为生成器的输入数据，将低维隐变量特征映射为生成图像；将训练图像和生成图像作为判别器的输入参数，使用交叉熵作为损失函数衡量生成图像和训练图像的相似性并进一步优化编码器、生成器和判别器；重复上述步骤，直至超过预设模型训练次数。进一步的，采用标准为高斯分布的KL散度使隐变量特征的先验概率分布拟合多维高斯分布。进一步的，采用随机梯度下降法对编码器、生成器和判别器进行优化。进一步的，利用FBP方法根据补全投影数据重建CT图像。与现有技术相比，本专利技术所达到的有益效果是：本专利技术在不完全投影数据条件下重建出符合临床诊断要求、高质量的CT图像，即在保证重建图像质量的前提下，有效地减少患者所受X射线辐射量，有效缩短锥形束投影数据的获取时间，提高临床诊断效率。附图说明图1是本专利技术方法的流程图；图2是本专利技术中VAEGAN模型的结构示意图。具体实施方式本专利技术方法分为训练阶段和测试阶段，步骤包括：首先，完全投影数据的正弦图像来训练VAEGAN模型，获得可以生成高质量正弦图像的VAEGAN模型；其次，利用已训练的模型对不完全投影数据正弦图缺失部分进行预测，进而可以获取到补全的投影数据；最后，使用卷积滤波反投影(FilteredBack-Projection,FBP)方法从补全的投影数据图像中重建出CT图像。本专利技术能够预测缺失投影数据并进一步重建出符合临床诊断、高质量的CT图像。下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。如图1所示，是本专利技术方法的流程图，包括如下步骤：步骤一：构建VAEGAN模型；如图2所示，是本专利技术中VAEGAN模型的结构示意图，VAEGAN模型包括：编码器、生成器和判别器，主要包含：卷积层、ReLU层、BatchNormalization层和FullConnect层，卷积层步长优选：2*2。编码器E对输入正弦图像X提取低维度的隐变量特征Z，通过优化隐变量特征Z和标准维高斯分布的KL散度来使编码器E提取的隐变量特征Z尽可能拟合多维高斯分布。将隐变量特征Z作为生成器G的输入获取生成图像，通过优化期望对数似然函数和判别器反馈的损失函数至生成器G来改善生成图像。判别器D作为二分类器，来区分真实图像和生成图像，当生成图像越接近真实图像时，判别器D输出结果越接近1，相反的判别器D输出趋近于0。使用随机梯度下降法对编码器E、生成器G和判别器D进行参数优化：其中，表示多维高斯分布提取特征的分布与从输入图像中提取的隐变量特征分布的KL散度，表示生成图像的重构损失；表示GAN损失；θ表示随机梯度下降法对损失函数的方向向量；表示使用随机梯度下降法对损失函数在θ方向上进行损失优化；γ为常数优化因子。步骤二：利用完全投影数据的正弦图像来训练VAEGAN模型；训练VAEGAN模型的具体方法如下：步骤201：获取若干张CT图像及其对应的完全投影数据和不完全投影数据，将完全投影数据的正弦图像作为训练图像，将不完全投影数据的正弦图像作为测试图像。步骤202：利用变分自编码器的基于卷积神经网络的编码器提取训练图像的隐变量特征；变分自编码器生成对应的均值向量α和标准差向量μ获得隐变量特征向量z，所述隐变量特征向量z定义为：式(4)中，ε是从多维高斯分布中采样的M维数据；步骤203：采用标准为高斯分布的KL散度使隐变量特征的先验概率分布拟合多维高斯分布，对隐变量特征进行优化；变分自编码器损失函数是期望似然函数和先验正则项之和的相反数：其中式中：p(z)表示多维高斯分布特征的概率分布，q(z|x)表示输入图像经过编码器获取隐变量特征的概率分布，p(x|z)表示优化后的隐变量经过解码器生成图像的概率分布；表示VAE损失函数；表示期望函数；表示重构错误函数；DKL()表示DK散度；p(z)服从多维高斯分布优化公式(6)是为了使测试图像经过VAEGAN模型后得到的生成图像能与测试图像尽可能相似，优化公式(7)的目的是使编码器输出的隐变量q(z|x)拟合p(z)。步骤204：将优化后的隐变量特征作为生成器的输入数据，将低维隐变量特征映射为生成图像。生成式对抗网络(GenerativeAdversarialNetworks,GAN)的生成器网络(GeneratorNetwork)G(Z)将隐变量z映射到数据空间，同时判别器网络(Disc本文档来自技高网...

【技术保护点】
1.基于VAEGAN的非完全投影CT图像重建方法，其特征在于，包括如下步骤：构建VAEGAN模型；利用完全投影数据的正弦图像来训练VAEGAN模型；将不完全投影数据的正弦图像输入至已训练好的VAEGAN模型，获取生成图像并对不完全投影数据的正弦图像缺失部分进行预测，获取补全正弦图像；进一步获取对应的补全投影数据，根据补全投影数据重建CT图像。

【技术特征摘要】
1.基于VAEGAN的非完全投影CT图像重建方法，其特征在于，包括如下步骤：构建VAEGAN模型；利用完全投影数据的正弦图像来训练VAEGAN模型；将不完全投影数据的正弦图像输入至已训练好的VAEGAN模型，获取生成图像并对不完全投影数据的正弦图像缺失部分进行预测，获取补全正弦图像；进一步获取对应的补全投影数据，根据补全投影数据重建CT图像。2.根据权利要求1所述的基于VAEGAN的非完全投影CT图像重建方法，其特征在于，所述VAEGAN模型包括：编码器、生成器和判别器，主要包含：卷积层、修正线性单元层、批标准化层和全连接层。3.根据权利要求2所述的基于VAEGAN的非完全投影CT图像重建方法，其特征在于，训练VAEGAN模型的具体方法如下：获取若干张CT图像及其对应的完全投影数据和不完全投影数据，将完全投影数据的正弦图像作为训练图像，将不完全投影数据的正弦图像作为测试图像；利...

【专利技术属性】
技术研发人员：戴修斌，王蕾，刘天亮，晏善成，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏,32