一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法技术

本发明专利技术公开了一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法，该方法包括如下步骤：使用滤波反投影重建算法获得初始重建图像；对上述初始重建图像进行前向投影获得被伪影污染的投影序列；利用深度学习技术处理上述被伪影污染的投影序列，获得不含伪影的投影序列；利用滤波反投影重建算法对上述不含伪影的投影序列进行重建，获得最终的重建结果图像。本发明专利技术实施例相比于传统的不完备数据重建方法，计算流程简单、需要人为设置的参数更少，计算速度更快，图像质量更高。

An incomplete data reconstruction method of X-ray absorption contrast computed tomography based on depth learning

【技术实现步骤摘要】
一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法
本专利技术涉及X射线吸收衬度计算机断层成像重建
，尤其涉及一种基于深度学习的X射线不完备数据重建方法。
技术介绍
在X射线吸收衬度计算机断层成像(ComputedTomography，简称CT)系统中，X射线源发出X射线，从不同角度穿过被检测物体的某一区域，放置于射线源对面的探测器在相应角度接收射线。然后，根据各角度射线不同程度的衰减，利用一定的重建算法进行运算，重建出物体被扫描区域的射线线性衰减系数分布映射图像，从而实现由投影重建图像，无损地再现物体在该区域内的介质密度、成分和结构形态等特征。重建算法在CT成像系统中有着重要的地位，滤波反投影算法(FilteredBackProjection，简称FBP)是比较流行的算法，将其应用于完备数据时，FBP重建速度快且获得的图像质量好。但受限于成像条件(比如需要降低成像辐射剂量，缩短成像时间)，CT成像获得的数据通常是不完备的，对应的FBP重建结果就会存在严重的伪影和噪声。针对不完备数据的重建算法，如，G本文档来自技高网...

【技术保护点】
1.一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法，其特征在于，包括如下步骤：/n步骤1、使用滤波反投影FBP重建算法对X射线吸收衬度CT计算机断层成像系统所获得的不完备吸收衬度投影序列进行重建，获得初始重建图像；所述初始重建图像是由于投影序列不完备，在FBP初始重建结果中存在伪影和噪声；/n步骤2、利用前向投影算子对所述的初始重建图像进行前向投影，获得被伪影污染的完备投影序列；所述被伪影污染的完备投影序列是通过前向投影操作，将图像结构信息以及伪影一起前向投影到投影序列中，序列数量满足完备性条件，即满足奈奎斯特采样定理；/n步骤3、利用深度学习技术对所述的被伪影污染的完备投影...

【技术特征摘要】
1.一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法，其特征在于，包括如下步骤：
步骤1、使用滤波反投影FBP重建算法对X射线吸收衬度CT计算机断层成像系统所获得的不完备吸收衬度投影序列进行重建，获得初始重建图像；所述初始重建图像是由于投影序列不完备，在FBP初始重建结果中存在伪影和噪声；
步骤2、利用前向投影算子对所述的初始重建图像进行前向投影，获得被伪影污染的完备投影序列；所述被伪影污染的完备投影序列是通过前向投影操作，将图像结构信息以及伪影一起前向投影到投影序列中，序列数量满足完备性条件，即满足奈奎斯特采样定理；
步骤3、利用深度学习技术对所述的被伪影污染的完备投影序列进行处理，获得不含伪影的完备投影序列；所述不含伪影的完备投影序列是利用深度学习技术对被伪影污染的完备投影序列进行处理，得到的投影序列已不再包含伪影，且序列数量满足完备性条件；
步骤4、利用FBP重建算法对所述的不含伪影的完备投影序列进行重建，获得最终重建图像。


2.根据权利要求1所述的基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法，其特征在于，
所述的不完备的投影序列是由于各种成像条件限制或特殊需要所导致的不完备数据，包括稀疏角数据和有限角数据。


3.根据权利要求1所述的基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法，其特征在于，
步骤1使用如公式(1)所示FBP重建算法产生初始重建图像：



其中，β(r,θ)代表重建结果，(r,θ)代表极坐标，U代表成像系统权重矩阵，P(ω,φ)代表投影序列，D代表射线源到成像系统旋转中心的距离，h...

【专利技术属性】
技术研发人员：傅健，董建兵，张昌盛，
申请(专利权)人：北京航空航天大学，北京航空航天大学江西研究院，
类型：发明
国别省市：北京;11