一种基于注意力机制和深度学习的低剂量锥束CT重建方法技术

本发明专利技术公开了一种基于注意力机制和深度学习的低剂量锥束CT重建方法，属于医学图像处理技术领域，包括：将低剂量锥束CT投影图像对应的像素矩阵进行归一化；利用包括编码器、解码器和重塑层的第一深度学习网络对归一化后的图像进行降噪；空间注意力模块用于获取输入特征图的全局信息；利用FDK算法对降噪后的图像进行重建，对重建后的图像对应的像素矩阵进行归一化，利用第二深度学习网络对归一化后图像进行去噪。本发明专利技术可以有效去除低剂量锥束CT重建图像的噪声并保留精细的结构信息，同时防止图像过平滑使图像看起来更加自然。此外，本发明专利技术提出了使用空间注意力机制引导3D网络在投影域和重建域提升低剂量锥束CT图像的质量。投影域和重建域提升低剂量锥束CT图像的质量。投影域和重建域提升低剂量锥束CT图像的质量。

【技术实现步骤摘要】
一种基于注意力机制和深度学习的低剂量锥束CT重建方法


[0001]本专利技术属于医学图像处理
，更具体地，涉及一种基于注意力机制和深度学习的低剂量锥束CT重建方法。

技术介绍

[0002]锥束CT(cone
‑
beam computed tomography，CBCT)目前广泛应用于图像引导放射治疗，图像引导外科手术，以及口腔三维成像等，目前常规的医疗检查所采用的CT扫描仪也是锥束CT的一种变体，即螺旋锥束CT。然而，其中的X射线的辐射会影响患者的身体健康，进一步研究表明，过量的X射线辐射会致癌的风险。因此，低剂量锥束CT的研究至关重要。低剂量锥束CT的实现方式主要分为两种：一是采集少数投影图像，这样重建图像会含有严重的条形伪影；二是降低X射线的强度，这样重建图像中包含严重的噪声。
[0003]目前降低X射线强度的方式的研究最为广泛，其优化方法主要分为三种，分别为投影域预处理方法，重建域后处理方法和双域混合处理方法。投影域预处理方法是只在投影域提升投影图像的质量，例如采用高灵敏度探测器，设计强大的滤波函数或深度学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于注意力机制和深度学习的低剂量锥束CT重建方法，其特征在于，包括：S1：将低剂量锥束CT投影图像对应的像素矩阵进行归一化，得到第一归一化图像；S2：利用第一深度学习网络对所述第一归一化图像进行降噪得到高质量投影图像；所述第一深度学习网络包括依次设置的编码器、解码器和重塑层；所述编码器包括多个三维卷积单元和多个空间注意力模块；所述解码器包括多个反卷积层和多个空间注意力模块，所述空间注意力模块用于获取输入特征图的全局信息；S3：利用FDK算法对所述高质量投影图像进行处理得到重建锥束CT图像；S4：将所述重建锥束CT图像对应的像素矩阵进行归一化得到第二归一化图像；S5：将第二深度学习网络对所述第二归一化图像进行去噪得到目标锥束CT图像；所述第二深度学习网络与所述第一深度学习网络结构相同，但训练数据不同。2.如权利要求1所述的基于注意力机制和深度学习的低剂量锥束CT重建方法，其特征在于，所述S1和所述S4中的归一化公式为：其中，P
n
为归一化之前图像对应的像素矩阵中第n个像素值，P
′
n
为归一化之后图像对应的像素矩阵中第n个像素值，P
max
为归一化之前图像对应的像素矩阵中最大像素值；P
min
为归一化之前图像对应的像素矩阵中最小像素值。3.如权利要求1所述的基于注意力机制和深度学习的低剂量锥束CT重建方法，其特征在于，所述S2包括：S21：利用所述第一深度学习网络中的编码器对所述第一归一化图像进行特征编码；S22：将提取的特征输入所述第一深度学习网络中的解码器进行特征提取；S23：将提取的特征输入所述第一深度学习网络中的重塑层进行降噪得到所述高质量投影图像。4.如权利要求3所述的基于注意力机制和深度学习的低剂量锥束CT重建方法，其特征在于，所述空间注意力模块用于沿通道计算输入特征图的均值；利用卷积层提取平均特征图的特征并将其整合成一维向量；利用sigmoid函数激活所述一维向量；将激活后的一维向量整合成三维特征图并经过卷积层来获得三维注意力映射图；将所述输入特征图与所述注意力映射图沿通道点乘得到所述输入特征图的全局信息。5.如权利要求3所述的基于注意力机制和深度学习的低剂量锥束CT重建方法，其特征在于，所述编码器包括交错排布设置的多个所述三维卷积单元和多个所述空间注意力模块；所述三维卷积单元包括：卷积层和ReLU激活函数；所述解码器包括交错排布设置的多个所述反卷积层和多个所述空间注意力模块。6.如权利要求5所述的基于注意力机制和深度学习的低剂量锥...

【专利技术属性】
技术研发人员：李强，晁联盈，张鹏，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：