一种基于图学习的稀疏投影重建方法技术

本发明专利技术公开了一种基于图学习的稀疏投影重建方法，属于医学影像领域。该方法通过在投影重建方法中每次迭代的过程中进行一次全局随机采样，获取每个像素点的全局随机采样点；再根据门函数进行随机点的相似筛选；最后利用这些相似的随机点通过图学习的方法修正每个像素点的像素值。以此来消除因为硬件原因或者稀疏重建方法本身所导致的形状伪影。通过本发明专利技术，可以在传统的投影重建方法中直接引入该方法，用于修复稀疏角度导致的重建后图像中的形状伪影，大大的提升成像质量。大大的提升成像质量。大大的提升成像质量。

【技术实现步骤摘要】
一种基于图学习的稀疏投影重建方法


[0001]本专利技术涉及医学影像领域，具体涉及一种基于图学习的稀疏投影重建方法。

技术介绍

[0002]随着医学技术的不断发展，对于成像设备的成像质量以及重建速度的要求也越来越高，有时由于系统设计需求、为了降低对样本的伤害或者对于快速成像的要求，往往会导致整个成像设备的采集系统或重建方法采用稀疏角度，而采用稀疏角度进行投影重建又会导致形状伪影的产生，这大大降低了影像的成像质量，影响后续临床医生的诊疗工作。因此解决稀疏投影重建过程所带来的形状伪影可以大大的提升成像质量，具有重要意义。

技术实现思路

[0003]本专利技术的目的在于针对现有技术的不足，提出一种基于图学习的稀疏投影重建方法，通过图学习的方法校正稀疏投影重建得到的每个像素点，以达到消除稀疏重建所导致的形状伪影的目的。
[0004]本专利技术的目的是通过以下技术方案来实现的：一种基于图学习的稀疏投影重建方法，该方法具体为：将投影成像仪器采集到的原始数据结合对应的系统响应矩阵进行稀疏投影并基于图学习修正后迭代重建，直至满足迭代收敛条件，或达到固定的迭代次数，得到最终的无形状伪影的重建图像；其中，基于图学习修正具体如下：对每次稀释投影获得的图像中每个像素点j以点为中心选取l
×
l
×
l个像素点的像素值组成对应像素点的特征向量；对每个像素点j进行全局随机采样，选取若干个随机点作为对应像素点j的随机点集Ω
j
；获取每个像素点j的特征向量与其对应随机点集Ω<br/>j
中每个随机点的特征向量的欧氏距离d
j,r
, r
ϵ
Ω
j
；根据欧式距离利用非线性门函数对每个像素点j的随机点集进行相似度筛选，保留n j
个最相似的随机点；根据保留的随机点利用图学习的方法获取每个像素点新的像素值：其中，I
j
,
m
表示第j个像素点对应随机点集筛选保留的第m个像素点的像素值，n j
为最终保留的随机像素点个数，I
j
表示更新后该点的像素值，g
j,m
为第j个像素点与对应随机点集筛选保留的第m个像素点的非线性门函数的输出。
[0005]进一步地，投影成像仪器采集到的原始数据为PET或CT数据。
[0006]进一步地，将投影成像仪器采集到的原始数据结合对应的系统响应矩阵进行稀疏
投影的过程具体为：通过系统响应矩阵对当前图像进行投影运算，获得投影数据；其中，上标k表示迭代次数，下标i表示投影成像仪器的第i个探测器，当前图像的初始值为全为1的矩阵；将获得的投影数据与采集到的原始数据进行比较，得到反投影因子；并利用反投影因子，将投影数据反投影到图像空间中，得到反投影图像；根据反投影图像与系统响应矩阵的比值获得反投影的修正因子α，结合修正因子α与当前图像得到重新投影的图像。
[0007]进一步地，所述非线性门函数为Sigmoid、tahn或ReLU。
[0008]进一步地，所述非线性门函数具体为：其中，为调节门函数参数的变量，为实数，g
j,r
为第j个像素点与对应随机点集中第r个像素点的非线性门函数的输出，根据设置g
j,r
的阈值对每个像素点的随机点集进行相似度筛选，阈值越小，相似度越大。
[0009]本专利技术的有益效果是，本专利技术使用基于图学习的稀疏投影重建方法，通过在传统的投影重建方法中引入本专利技术所设计的图学习方法有效筛选出最优的符合条件的像素点，通过这些像素点的灰度值，重新计算当前点的像素值，修正稀疏投影重建时带来的结构伪影，从而获得更好的伪影校正图像，从而提高成像质量。
附图说明
[0010]图1是基于图学习的稀疏投影重建方法的流程图；图2是根据门函数构造的图网络；图3是本专利技术重建方法与传统重建方法效果的对比图。
具体实施方式
[0011]本专利技术提出了一种基于图学习的稀疏投影重建方法，通过利用相同组织/结构在成像灰度值上的表现往往是相近似的特性，来构造门函数用于筛选各个点的非伪影的相同组织/结构的像素点，通过图学习的方法利用这些点重新构造该点修正后的像素值，从而得到修正后无形状伪影的重建图像。通过本专利技术所提出的非线性门函数的筛选可以有效的筛选出最优的符合条件的像素点，通过这些像素点的灰度值，再结合图学习的方法可以得到当前点最优的一个修正值，从而获得更好的伪影校正图像。
[0012]下面以PET重建为例，根据具体实施例和附图详细说明本专利技术。
[0013]根据图1所绘制的基于图学习的稀疏投影重建方法的流程图进行稀疏投影重建，输入为PET设备采集到的原始数据P=[p
j
]，以及设备的响应矩阵，输出为无形状伪影的高质量PET影像。具体重建步骤如下：
步骤一：通过系统响应矩阵对当前图像进行投影运算，获得投影数据为，则：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，系统响应矩阵为，表示第j个像素点被PET设备的第i个探测器检测到的概率，对于固定的硬件采集设备，是常值；表示第次迭代后得到的第i个探测器检测的重建影像数据，其初始值f0为全为1的矩阵。
[0014]步骤二：将步骤一中的投影数据与传感器采集的真实的原始数据P=[p
j
]进行比较，得到反投影因子。
[0015]步骤三：根据步骤二得到的反投影因子以及系统响应矩阵，将投影数据再反投影到图像空间中，得到反投影图像，其中k表示迭代次数，则
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)步骤四：根据反投影图像获得，反投影的修正因子，则：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)步骤五：根据反投影的修正因子，即可获得新的真实影像，则：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)步骤六：基于图学习的稀疏投影重建方法来修正每次稀释投影获得的图像中每个像素点的像素值，具体步骤如下：（6.1）针对中每个像素点以点为中心选取l
×
l
×
l个像素点的像素值组成该点的特征向量X
j
=[x
j,1
, x
j,2
,
…
, x
j,k
,
…
, x
j,l
×
l
×
l
]。l为正整数，本实施例推荐选取3。
[0016]（6.2）针对中每个像素点进行全局随机采样，选取若干个随机点作为该点的随机点集Ω
j
，本实施例推荐选取100个随机点；获取每个像素点的特征向量与其对应随机点特征向量的欧氏距离，则：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图学习的稀疏投影重建方法，其特征在于，该方法具体为：将投影成像仪器采集到的原始数据结合对应的系统响应矩阵进行稀疏投影并基于图学习修正后迭代重建，直至满足迭代收敛条件，或达到固定的迭代次数，得到最终的无形状伪影的重建图像；其中，基于图学习修正具体如下：对每次稀释投影获得的图像中每个像素点j以点为中心选取l
×
l
×
l个像素点的像素值组成对应像素点的特征向量；对每个像素点j进行全局随机采样，选取若干个随机点作为对应像素点j的随机点集Ω
j
；获取每个像素点j的特征向量与其对应随机点集Ω
j
中每个随机点的特征向量的欧氏距离d
j,r
, r
ϵ
Ω
j
；根据欧式距离利用非线性门函数对每个像素点j的随机点集进行相似度筛选，保留n j
个最相似的随机点；根据保留的随机点利用图学习的方法获取每个像素点新的像素值：其中，I
j
,
m
表示第j个像素点对应随机点集筛选保留的第m个像素点的像素值，n j
为最终保留的随机像素点个数，I
j
表示更新后该点的像素值，g

【专利技术属性】
技术研发人员：朱闻韬，杨德富，黄海亮，杨宝，
申请(专利权)人：之江实验室，
类型：发明
国别省市：