一种去除CT锥束伪影的重建方法技术

本发明专利技术提供一种去除CT锥束伪影的重建方法，包括：A1、定义原始CT数据A0；A2、降采样后得到AL；A3、数据归一化后得到ALNorm；A4、将ALNorm传入神经网络进行训练，并生成训练结果PA0；B1、定义原始CT数据B0；B2、降采样后得到BL；B3、数据归一化后得到BLNorm；B4、将BLNorm传入神经网络，并生成扩充后的生成结果PB0；B5、根据数据归一化的逆运算对PB0进行强度恢复，得到PN；B6、根据降采样的逆运算对PN进行升采样处理，得到PU2D；B7、将B0替换到PU2D中间对应的位置上，得到BN；B8、输出结果BN继续进行CT重建，得到图像域结果。本发明专利技术能提高图像质量。

A Reconstruction Method for Removing CT Cone Beam Artifacts

【技术实现步骤摘要】
一种去除CT锥束伪影的重建方法
本专利技术涉及CT成像
，尤其涉及一种去除CT锥束伪影的重建方法。
技术介绍
CT(ComputedTomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)、超声CT(UCT)以及γ射线CT(γ-CT)等。现代商用CT为了实现更加快速、准确、低剂量的扫描，检测器的排数在不断提高。近几年来，从16排、64排直到256排CT相继进入医疗应用领域。然而随着排数的增加，光源与检测器之间的夹角也随之增加，从而导致了成像区域内的部分像素点的信息不足。如图1所示，包括光源和检测器，检测器具有设定的排数，根据检测器排数形成的高度、光源到检测器之间的距离以及光源到成像区域中心的距离确定出成像区域所在的范围，所形成的成像区域有一部分位于光源与检测器之间形成的夹角内，可获得像素点的信息；另一部分位于光源与检测器之间形成的夹角外，无法获得像素点的信息，即数据不足区域。对于数据不足区域，常规方法是将第一排和最末排向外进行扩充排数，原第一排到补充后的第一排之间以及原最末排到补充后的最末排之间形成补充区域，替代缺失的光线位置，使得成像区域能完全位于光源与检测器之间形成的夹角内，这样数据从形式上得到弥补，然而，实质上由于补充排数后的光源变化和实际的光源变化不同，造成了成像区域出现部分伪影，从而导致锥束伪影的形成，如图2所示。而对于成像区域中位于补充区域内的数据不足区域，数据不足区域内的数据缺失常规的方法是将第一排或最末排的数据直接复制到数据不足区域，即数据不足区域内的数据由第一排或者最末排的数据进行替代，但由于数据不足区域内的数据有可能与第一排和最末排的数据存在差异，直接替代的方式数据获取不准确，会影响成像区域的成像效果。因此，需要更加准确地对数据不足区域内的数据进行获取。对于重建而言，锥束伪影效应也更加显著了，尤其是数据不足区域的图像，很容易出现强度不均的现象，影响成像质量，因此需要对数据不足区域内的数据进行准确获取，对锥束伪影进行修正。
技术实现思路
本专利技术要解决的技术问题，在于提供一种去除CT锥束伪影的重建方法，利用数据尺度变换，将压缩的数据传入神经网络，使得神经网络扩展出更多的排数，从而弥补了数据在空间上的不足，达到修正伪影的目的。本专利技术是这样实现的：一种去除CT锥束伪影的重建方法，所述重建方法包括训练过程和生成过程：所述训练过程具体包括如下步骤：步骤A1、定义原始CT采集并通过校正的正弦数据为A0；步骤A2、对A0进行降采样处理，得到图像序列AL；步骤A3、对AL进行数据归一化处理，得到ALNorm；步骤A4、提取ALNorm中间的排数据传入神经网络进行训练学习，并通过该神经网络生成器生成和ALNorm具有相同尺寸的训练结果PA0，从而完成神经网络的训练和优化；所述生成过程具体包括如下步骤：步骤B1、定义原始CT采集并通过校正的正弦数据为B0；步骤B2、对B0进行降采样处理，得到图像序列BL；步骤B3、对BL进行数据归一化处理，得到BLNorm；步骤B4、将BLNorm的排数据传入神经网络，并通过该神经网络的生成器生成排数据发生扩充后的生成结果PB0；步骤B5、根据数据归一化的逆运算对PB0进行强度恢复，得到PN；步骤B6、对PN进行升采样处理，得到PU2D；步骤B7、将B0替换到PU2D中间对应的位置上，得到BN；步骤B8、输出结果BN继续进行CT重建，得到图像域结果。进一步地，所述步骤A1和步骤B1中A0/B0为三维数据，是按照检测器通道方向、检测器排方向和旋转角度方向进行排列，A0表示为A0(Channels，Rows，Views)，B0表示为B0(Channels，Rows，Views)，Channels、Rows和Views分别是原始的通道数、排数和角度数。进一步地，所述步骤A2和步骤B2具体为：通过插值和系数采用方法对A0/B0的数据量进行降低，得到图像序列AL/BL，AL表示为AL(ChannelsDown,RowsDown,ViewsDown)，BL表示为BL(ChannelsDown,RowsInter,ViewsDown)，ChannelsDown、RowsDown/RowsInter和ViewsDown分别是降采样后的通道数、排数和角度数，同时降采样后的数据保存其原始的整体特征。进一步地，所述步骤A3和步骤B3具体为：定义算子Norm(N)＝maximum(AL/BL(:,:,N))，即当旋转角度方向为N时，求出图像序列AL/BL中每一张图像的最大值；归一化方法按照实际情况不同分为：ALNorm＝AL/Norm，BLNorm＝BL/Norm，归一到[0,1]之间，或者ALNorm＝AL/Norm*2-1，BLNorm＝BL/Norm*2-1，归一到[-1,1]之间，其中ALNorm表示为ALNorm(ChannelsDown,RowsDown,BLNorm表示为BLNorm(ChannelsDown,RowsInter,ViewsDown)，ChannelsDown、RowsDown/RowsInter和ViewsDown分别是降采样后的通道数、排数和角度数。进一步地，所述步骤A4和步骤B4中的神经网络采用的是卷积神经网络或者深度层网络作为生成器，多层卷积神经网络作为鉴别器，从而构成对抗生成的神经网络。进一步地，所述步骤A4具体为：提取ALNorm的排数RowsDown中间的排数据RowsInter作为输入传入到神经网络进行训练，得到和ALNorm具有相同尺寸的训练结果PA0，表示PA0(ChannelsDown,RowsDown,ViewsDown)；其中RowsInter＝RowsDown*RowsDown/(RowsDown+2*Rext)，这里的Rext表示单侧额外学习产生的数据排数，是根据预先设定好的需要扩展的实际检测器排数Rextend和降采样系数Scale＝Rows/RowsDown决定的，即Rext＝Rextend/Scale；并根据PA0的排数RowsDown与RowsInter确定所述神经网络的倍率n＝RowsDown//RowsInter；训练结束后，根据ALNorm和PA0之间的差异对所述神经网络进行优化。进一步地，所述步骤B5具体为：当归一化方法为BLNorm＝BL/Norm时，则PN＝PB0*Norm；当归一化方法为BLNorm＝BL/Norm*2-1时，则PN＝(PB0+1)*Norm/2。进一步地，所述步骤B6中对PN进行升采样处理，具体为：通过等距密集插值的方式，把系数矩阵PN，保持强度分布不变地转化为PU2D，表示为PU2D(Channels,Rows+2*Rextend,Views)，排数为Rows+2*Rextend，其中，Rows为原始的排数，Rextend为后续重建所需要的单侧数据排数。本专利技术具有如下优点：本专利技术方法采用了机器学习，通过预先学习大量多排CT的投影图像，使机器对于需要补充排位置具有一定的推断能力，推算本文档来自技高网...

【技术保护点】
1.一种去除CT锥束伪影的重建方法，其特征在于：所述重建方法包括训练过程和生成过程：所述训练过程具体包括如下步骤：步骤A1、定义原始CT采集并通过校正的正弦数据为A0；步骤A2、对A0进行降采样处理，得到图像序列AL；步骤A3、对AL进行数据归一化处理，得到ALNorm；步骤A4、提取ALNorm中间的排数据传入神经网络进行训练学习，并通过该神经网络生成器生成和ALNorm具有相同尺寸的训练结果PA0，从而完成神经网络的训练和优化；所述生成过程具体包括如下步骤：步骤B1、定义原始CT采集并通过校正的正弦数据为B0；步骤B2、对B0进行降采样处理，得到图像序列BL；步骤B3、对BL进行数据归一化处理，得到BLNorm；步骤B4、将BLNorm的排数据传入神经网络，并通过该神经网络的生成器生成排数据发生扩充后的生成结果PB0；步骤B5、根据数据归一化的逆运算对PB0进行强度恢复，得到PN；步骤B6、对PN进行升采样处理，得到PU2D；步骤B7、将B0替换到PU2D中间对应的位置上，得到BN；步骤B8、输出结果BN继续进行CT重建，得到图像域结果。

【技术特征摘要】
1.一种去除CT锥束伪影的重建方法，其特征在于：所述重建方法包括训练过程和生成过程：所述训练过程具体包括如下步骤：步骤A1、定义原始CT采集并通过校正的正弦数据为A0；步骤A2、对A0进行降采样处理，得到图像序列AL；步骤A3、对AL进行数据归一化处理，得到ALNorm；步骤A4、提取ALNorm中间的排数据传入神经网络进行训练学习，并通过该神经网络生成器生成和ALNorm具有相同尺寸的训练结果PA0，从而完成神经网络的训练和优化；所述生成过程具体包括如下步骤：步骤B1、定义原始CT采集并通过校正的正弦数据为B0；步骤B2、对B0进行降采样处理，得到图像序列BL；步骤B3、对BL进行数据归一化处理，得到BLNorm；步骤B4、将BLNorm的排数据传入神经网络，并通过该神经网络的生成器生成排数据发生扩充后的生成结果PB0；步骤B5、根据数据归一化的逆运算对PB0进行强度恢复，得到PN；步骤B6、对PN进行升采样处理，得到PU2D；步骤B7、将B0替换到PU2D中间对应的位置上，得到BN；步骤B8、输出结果BN继续进行CT重建，得到图像域结果。2.根据权利要求1所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤A1和步骤B1中A0/B0为三维数据，是按照检测器通道方向、检测器排方向和旋转角度方向进行排列，A0表示为A0(Channels，Rows，Views)，B0表示为B0(Channels，Rows，Views)，Channels、Rows和Views分别是原始的通道数、排数和角度数。3.根据权利要求2所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤A2和步骤B2具体为：通过插值和系数采用方法对A0/B0的数据量进行降低，得到图像序列AL/BL，AL表示为AL(ChannelsDown,RowsDown,ViewsDown)，BL表示为AL(ChannelsDown,RowsInter,ViewsDown)，ChannelsDown、RowsDown/RowsInter和ViewsDown分别是降采样后的通道数、排数和角度数，同时降采样后的数据保存其原始的整体特征。4.根据权利要求3所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤A3和步骤B3具体为：定义算子Norm(N)＝maximum(AL/BL(:,:,N))，即当旋转角度方向为N时，求出图像序列AL/BL中每一张图像的最大值；归一化方法按照实际情况不同分为：ALNorm＝...

【专利技术属性】
技术研发人员：褚政，阿泽子·伊赫莱夫，王瑶法，郭洪斌，金燕南，
申请(专利权)人：明峰医疗系统股份有限公司，
类型：发明
国别省市：浙江,33