一种基于深度训练网络的一步式双能有限角CT重建方法技术

本发明专利技术公开了一种一步式的、端对端的可训练的基于深度学习的双能有限角度CT重建方法，用于双能有限扫描角的CT成像。首先通过训练好的深度神经网络，补充由于只进行有限角度采集投影域方式而缺失的其他投影域数据，然后使用F将补充完整的投影域数据转化成CT图像，最后使用训练好的深度学习网络将重建好的CT图像修复成高质量的CT图像。通过本发明专利技术能够在双能CT有限的扫描角度情况下重建出高质量的双能CT图像。CT图像。CT图像。

【技术实现步骤摘要】
一种基于深度训练网络的一步式双能有限角CT重建方法


[0001]本专利技术涉及一种基于深度训练网络的一步式双能有限角CT重建方法，属于计算机图像处理领域。

技术介绍

[0002]双能计算机断层扫描(DECT)在物质鉴定和定量分析方面显示出很好的临床意义。大多数双能量CT扫描系统使用两套X射线源和探测器进行全面扫描来同时获取材料在高能量和低能量水平的X射线数据。但是重建的高能和低能CT图像在能量域具有光谱冗余性，且这种扫描方式增加了扫描时间和射线剂量，本研究提出的基于深度训练网络的一步式双能有限角CT重建方法能够避免这种光谱冗余性，降低双能CT的剂量，用有限角度扫描的方式代替全角度扫描的方式。在保证与全扫描方式下的成像质量相同情况下，降低双能CT的扫描时间和剂量，改善双能CT的工作条件，增加双能CT的工作效率。
[0003]为了提高双能量CT的质量，基于能量域的信息冗余和空间域的一致性进行成像已经进行了许多研究。迭代方法在双能CT成像算法中发挥着不可替代的作用。考虑到不同能量的图像之间的相关性，张量字典学习被认为是光谱CT重建的有效方法之本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度训练网络的一步式双能有限角CT重建方法，其特征在于，所述方法具体步骤如下：步骤1，随机读取720
×
848大小的双能有限角CT投影域图像与对应的全角度扫描下的双能CT投影域图像，其中，双能有限角度CT投影域图像作为投影域神经网络SD
‑
Net的输入，全角度扫描的双能CT投影域图像作为标签，共同训练作用在投影域的SD
‑
Net网络；步骤2，使用嵌入在TensorFlow框架中的重建单元，将经训练好的SD
‑
Net处理的投影域图像重建成双能有限角CT图像；步骤3，读取512
×
512大小的重建后的双能有限角CT图像与对应的全角度扫描下的双能CT图像，共同训练作用在图像域的ID
‑
Net网络；步骤4，使用训练好的图像域ID
‑
Net网络去除重建后的双能有限角CT图像中的噪声和伪影，最终得到高质量双能CT图像。2.根据权利要求1所述的基于深度训练网络的一步式双能有限角CT重建方法，其特征在于，步骤1和步骤3中需要训练的SD
‑
Net网络和ID
‑
Net具有相同的网络结构，包含3个步长为1的卷积块、4个步长为2的卷积块、13个步长为1的残差块和8个步长为2的反卷积块，其中，步长为1和步长为2的卷积块由“3*3卷积+LeakyReLU激活层”的顺序组成，卷积层的步长不同，残差块由“步长为1的卷积块、步长为2的卷积块、跳跃连接”的顺序组成；步长为2的反卷积块由“3*3反卷积+LeakyReLU激活层”组成。3.根据权...

【专利技术属性】
技术研发人员：陈阳，陈凯，季国辉，
申请(专利权)人：东南大学，
类型：发明
国别省市：