基于短扫描的CT图像重建方法、装置、设备及存储介质制造方法及图纸

本申请实施例提供一种基于短扫描的CT图像重建方法、装置、设备及存储介质，涉及图像处理技术领域。该基于短扫描的CT图像重建方法包括：获取CT短扫描采集的投影数据；构建非对称斜坡滤波器；根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。该基于短扫描的CT图像重建方法可以实现提高图像重建质量的技术效果。

【技术实现步骤摘要】
基于短扫描的CT图像重建方法、装置、设备及存储介质
本申请涉及图像处理
，具体而言，涉及一种基于短扫描的CT图像重建方法、装置、设备及存储介质。
技术介绍
目前，CT(ComputedTomography，电子计算机断层扫描)医学成像系统自20世纪70年代专利技术了之后经过了长足的进步，扫描速度从开始要几分钟到现在的0.2秒。探测器排数也从开始的单排双排，到现在的64排，128排，甚至256排。对于扫描部位来说也从开始仅仅能够满足常规的头部扫描，到现在的心脏CT扫描。心脏的冠脉CTA(CTangiography，CT血管造影)技术也成为了一项重要的心脏检查方法之一。现有技术中，由于心脏运动的周期性，且运动的不规则性，通常需要对心脏进行门控扫描。也就是根据心脏的心电波形，扫描心脏的固定的心动时间区间的图像，才能保证心脏的运动最少，得到最优的心脏CT图像。时间区间的长度即为时间窗，代表了该心脏图像的时间分辨率。为了从理论上降低心脏的重建图像的时间分辨率，应尽量选用少的时间窗的投影数据。目前重建算法采用传统的滤波反投影类算法，投影角度的范围为180+扇角或经过数据平行束重排后的180度数据。然而随着探测器排数的增加，锥角增大，传统的重建算法会产生严重的锥束伪影，影响图像诊断。CT系统通过特定的轨道，比如短扫描，经过N个角度扫描物体，采集得到完整的扫描数据。对于锥束short-scan(短扫描)轴扫，有三类原因产生伪影：一是轴扫轨迹不能满足Tuy's数据完备条件，即存在平面不与扫描轨迹相交，导致数据缺失；二是数据截断，即对于某些重建像素存在一些角度的投影照射到探测器外面；三是冗余数据处理不当。目前短扫描图像存在难以克服的问题，短扫描图像的一些区域伪影严重。
技术实现思路
本申请实施例的目的在于提供一种基于短扫描的CT图像重建方法、装置、设备及存储介质，可以实现提高图像重建质量的技术效果。第一方面，本申请实施例提供了一种基于短扫描的CT图像重建方法，包括：获取CT短扫描采集的投影数据；构建非对称斜坡滤波器；根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。在上述实现过程中，该基于短扫描的CT图像重建方法通过构建非对称斜坡滤波器的方式，来对CT短扫描采集的投影数据进行滤波，通过对滤波后的投影数据处理得到实部图像和虚部图像，然后利用基于深度学习的图像重建神经网络来重建图像，最终获得得到最终CT重建图像；该基于短扫描的CT图像重建方法不同于常规的基于深度学习的图像处理方法(输入只有原始图像，这个图像经过神经网络处理之后，就是输出的图像)，投影数据根据实部和虚部分别滤波，再将实部图像和虚部图像经过图像重建，作为神经网络的输入，能够达到更好的重建效果，从而实现提高图像重建质量的技术效果。进一步地，所述根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像的步骤，包括：将所述投影数据输入至所述非对称斜坡滤波器，获得实部投影数据和虚部投影数据；将所述实部投影数据输入至反投影处理模型，获得所述实部图像；将所述虚部投影数据输入至所述反投影处理模型，获得所述虚部图像。在上述实现过程中，通过非对称斜坡滤波器同时获得实部投影数据和虚部数据，提取更多信息，从而利于对于伪影的抑制。进一步地，所述处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像的步骤之前，还包括：获取CT不同扫描部位的训练投影数据；重建所述训练投影数据，获得网络输入图像和网络目标图像；构建神经网络，比如U-net；将网络输入图像和网络目标图像输入至所述U-Net神经网络，训练并获得所述U-Net神经网络的参数；根据所述U-Net神经网络的参数，获得所述图像重建神经网络。进一步地，所述U-Net神经网络的损失函数包括像素的MSEloss函数和图像的featureloss函数，所述MSEloss函数为：所述featureloss函数为：其中，j表示网络的第j层，CjHjWj为feature_map的尺寸，为网络预测图像，y为网络目标图像，为预测图中像素n的值，yn为目标图中像素n的值，N为图像像素的总数。Φ为预训练好的VGG16网络。进一步地，所述U-Net神经网络总的损失函数为：ltotal＝Wd(α×lmse+β×lfeat)；其中，α和β为权重参数，wd为距离相关权重，d为图像距离中心层面的距离。进一步地，所述训练投影数据包括高排数扫描数据和单排数扫描数据，所述网络输入图像包括实部图像和虚部图像，所述重建所述训练投影数据，获得网络输入图像和网络目标图像的步骤，包括：将所述高排数扫描数据输入至所述非对称斜坡滤波器，获得高排数实部扫描数据和高排数虚部扫描数据；对所述高排数实部扫描数据进行卷积反投影处理，获得所述网络输入图像的实部图像；对所述高排数虚部扫描数据进行卷积反投影处理，获得所述网络输入图像的虚部图像；对所述单排数扫描数据进行平滑权重处理，获得所述网络目标图像。第二方面，本申请实施例提供了一种基于短扫描的CT图像重建装置，包括：获取模块，用于获取CT短扫描采集的投影数据；滤波器构建模块，用于构建非对称斜坡滤波器；投影图像模块，用于根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；神经网络模块，用于处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。进一步地，所述投影图像模块包括：第一滤波单元，用于将所述投影数据输入至所述非对称斜坡滤波器，获得实部投影数据和虚部投影数据；第一实部投影单元，用于将所述实部投影数据输入至反投影处理模型，获得所述实部图像；第一虚部投影单元，用于将所述虚部投影数据输入至所述反投影处理模型，获得所述虚部图像。进一步地，所述装置还包括：收集模块，用于获取CT不同扫描部位的训练投影数据；重建模块，用于重建所述训练投影数据，获得网络输入图像和网络目标图像；神经网络构建模块，用于构建U-Net神经网络。训练模块，用于将网络输入图像和网络目标图像输入至所述U-Net神经网络，训练并获得所述U-Net神经网络的参数；神经网络获得模块，用于根据所述U-Net神经网络的参数，获得所述图像重建神经网络。进一步地，重建模块包括：第二滤波单元，用于将所述高排数扫描数据输入至所述非对称斜坡滤波器，获得高排数实部扫描数据和高排数虚部扫描数据；第二实部投影单元，用于对所述高排数实部扫描数据进行卷积反投影处理，获得所述网络输入图像的实本文档来自技高网...

【技术保护点】
1.一种基于短扫描的CT图像重建方法，其特征在于，包括：/n获取CT短扫描采集的投影数据；/n构建非对称斜坡滤波器；/n根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；/n处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。/n

【技术特征摘要】
1.一种基于短扫描的CT图像重建方法，其特征在于，包括：
获取CT短扫描采集的投影数据；
构建非对称斜坡滤波器；
根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像；
处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像。


2.根据权利要求1所述基于短扫描的CT图像重建方法，其特征在于，所述根据所述投影数据和所述非对称斜坡滤波器，获得实部图像和虚部图像的步骤，包括：
将所述投影数据输入至所述非对称斜坡滤波器，获得实部投影数据和虚部投影数据；
将所述实部投影数据输入至反投影处理模型，获得所述实部图像；
将所述虚部投影数据输入至所述反投影处理模型，获得所述虚部图像。


3.根据权利要求1所述基于短扫描的CT图像重建方法，其特征在于，所述处理所述实部图像和所述虚部图像得到相应的实部虚部图像对，再把所述实部虚部图像对输入到神经网络，获得最终CT重建图像的步骤之前，还包括：
获取CT不同扫描部位的训练投影数据；
重建所述训练投影数据，获得网络输入图像和网络目标图像；
构建U-Net神经网络；
将网络输入图像和网络目标图像输入至所述U-Net神经网络，训练并获得所述U-Net神经网络的参数；
根据所述U-Net神经网络的参数，获得所述神经网络。


4.根据权利要求3所述基于短扫描的CT图像重建方法，其特征在于，所述U-Net神经网络的损失函数包括像素的MSEloss函数和图像的featureloss函数，所述MSEloss函数为：



所述featureloss函数为：



其中，j表示网络的第j层，CjHjWj为feature_map的尺寸，为网络预测图像，y为网络目标图像，为预测图中像素n的值，yn为目标图中像素n的值，N为图像像素的总数，Φ为预训练好的VGG16网络。


5.根据权利要求4所述基于短扫描的CT图像重建方法，其特征在于，所述U-Net神经网络总的损失函数为：
ltotal＝wd(α×lmse+β×lfeat)；
其中，α和β为权重参...

【专利技术属性】
技术研发人员：曾凯，冯亚崇，
申请(专利权)人：深圳安科高技术股份有限公司，
类型：发明
国别省市：广东;44