构建适用于稀疏角CT表征的神经网络的方法、系统及介质技术方案

本发明专利技术提供一种构建适用于稀疏角CT表征的神经网络的方法、系统及介质，包括：步骤S1：在投影正弦域构建深度神经网络G1，通过神经网络G1对稀疏角度下投影正弦图进行修复，得到补全角度的正弦图；步骤S2：通过滤波反投影算法将全角度正弦图转换为断层图；步骤S3：对得到的断层图进行高频信息提取；步骤S4：在断层域构建深度神经网络G2，通过卷积神经网络G2对重建断层图做进一步超分辨重建；步骤S5：根据构建的高频信息约束神经网络框架，通过梯度下降方法对网络进行训练。本发明专利技术能够增加高频信息的约束，以改进网络对细节信息的表达。以改进网络对细节信息的表达。以改进网络对细节信息的表达。

【技术实现步骤摘要】
构建适用于稀疏角CT表征的神经网络的方法、系统及介质


[0001]本专利技术涉及稀疏角度CT重建、卷积神经网络(Convolutional neuralnetworks，DNNs)、稀疏角度CT表征、CT图像超分辨
，具体地，涉及一种适用于稀疏角CT表征的高频信息约束神经网络，尤其涉及一种构建适用于稀疏角CT表征的神经网络的方法、系统及介质，

技术介绍

[0002]计算机断层扫描(CT)技术可以获得材料内部三维结构。目前已广泛应用于力学、医学、材料科学、工业等领域的测量与表征。然而，在许多应用中，受成像系统采集时间或辐射剂量的限制，需要在稀疏角度情况下进行采样。由于Tuy
‑
Smith数据的完整性条件不能满足，传统方法(如经典滤波反投影法FBP)的重建结果也不令人满意。因此，有必要研究在稀疏角度条件下提高CT表征精度的重构方法。
[0003]近年来，卷积神经网络在图像超分辨率重建领域逐渐显示出明显的优势。如果能够借助深度神经网络来优化超稀疏采样CT的重建结果，就能够将其应用于精准的CT表征。<br/>[0004]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建适用于稀疏角CT表征的神经网络的方法，其特征在于，包括：步骤S1：在投影正弦域构建深度神经网络G1，通过神经网络G1对稀疏角度下投影正弦图进行修复，得到补全角度的正弦图；步骤S2：通过滤波反投影算法将全角度正弦图转换为断层图；步骤S3：对得到的断层图进行高频信息提取；步骤S4：在断层域构建深度神经网络G2，通过卷积神经网络G2对重建断层图做进一步超分辨重建；步骤S5：根据构建的高频信息约束神经网络框架，通过梯度下降方法对网络进行训练。2.根据权利要求1所述的构建适用于稀疏角CT表征的神经网络的方法，其特征在于，所述步骤S1包括：神经网络G1的输入端为稀疏采样的投影正弦图，通过G1网络将投影正弦图映射为全角度的正弦图。3.根据权利要求1所述的构建适用于稀疏角CT表征的神经网络的方法，其特征在于，所述步骤S3高频信息提取包括以下两个步骤：步骤S3.1：对重建的断层图进行梯度变换；步骤S3.2：对到的梯度图像进行Radon变换，得到断层图高频信息的正弦域表达。4.根据权利要求1所述的构建适用于稀疏角CT表征的神经网络的方法，其特征在于，所述步骤S5训练损失计算包括：步骤S5.1：计算正弦内容损失l1：神经网络G1生成的补全角度正弦图与真实标签之间的均方误差；步骤S5.2：计算高频信息损失l2：高频信息的提取结果与真实标签之间的均方误差；步骤S5.3：计算断层内容损失l3：神经网络G2生成的断层图与真实断层图标签之间的均方误差；步骤S5.4：高频信息约束神经网络最终的损失函数l
loss
目标定义为：l
loss
＝l1+l2+l3；步骤S5.5：在训练过程中不断计算l
loss
的值，通过梯度下降方法更新网络权重，重复训练直到损失达到最小。5.一种构建适用于稀疏角CT表征的神经网络的系统，其特征在于，包括：模块M1：...

【专利技术属性】
技术研发人员：许峰，李经纬，肖宇，胡小方，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：