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。
[0004]现有的深度学习思路主要集中在CT重建过程中涉及的两个关键信息域(正弦域和断层域)的优化，取得了积极的效果。但是，这些思路没有考虑到图像细节的表达。正弦图本质上是沿X射线方向上断层图的积分，因此局部细节的高频信息很容易丢失。如果在正弦域中无法注意到高频信息，则在后续的断层域中反向求解过程的优化中无法恢复丢失的细节，重建结果会被扭曲。因此限制了其在精准CT表征中的应用潜力。
>
技术实现思路

[0005]针对现有技术中的缺陷，本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。
[0006]根据本专利技术提供的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，所述方案如下：
[0007]第一方面，提供了一种构建适用于稀疏角CT表征的神经网络的方法，所述方法包括：
[0008]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；
[0009]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；
[0010]步骤S3：对得到的断层图进行高频信息提取；
[0011]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；
[0012]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。
[0013]优选地，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。
[0014]优选地，所述步骤S3高频信息提取包括以下两个步骤：
[0015]步骤S3.1：对重建的断层图进行梯度变换；
[0016]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。
[0017]优选地，所述步骤S5训练损失计算包括：
[0018]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；
[0019]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；
[0020]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；
[0021]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；
[0022]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。
[0023]第二方面，提供了一种构建适用于稀疏角CT表征的神经网络的系统，所述系统包括：
[0024]模块M1：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；
[0025]模块M2：通过滤波反投影算法将全角度正弦图转换为断层图；
[0026]模块M3：对得到的断层图进行高频信息提取；
[0027]模块M4：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；
[0028]模块M5：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。
[0029]优选地，所述模块M1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。
[0030]优选地，所述模块M3高频信息提取包括以下两个步骤：
[0031]模块M3.1：对重建的断层图进行梯度变换；
[0032]模块M3.2：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。
[0033]优选地，所述模块M5训练损失计算包括：
[0034]模块M5.1：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；
[0035]模块M5.2：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；
[0036]模块M5.3：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；
[0037]模块M5.4：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；
[0038]模块M5.5：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。
[0039]第三方面，提供了一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序被处理器执行时实现所述方法的步骤。
[0040]与现有技术相比，本专利技术具有如下的有益效果：
[0041]1、本专利技术在已有的深度学习思想基础上，添加了高频信息约束，有效提高了稀疏角度条件下CT重建断层的质量；
[0042]2、本专利技术可在极少量稀疏投影(＜10)的情况下实现高质量CT重建(标准化协方差图像相似度指标C＞90％)；
[0043]3、本专利技术在细节恢复和伪影抑制方面具有良好的效果，以图像相似度指标(C)评估，本方法与滤波反投影等常规重建方法相比重建质量提升＞42％，与常规神经网络重建方法相比重建质量提升＞20％。
附图说明
[0044]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0045]图1为本专利技术实施例提供的高频信息约束神经网络的网络流程图；
[0046]图2为高频信息约束神经网络结构；
[0047]图3为随机生成的颗粒模型图片；
[0048]图4为滤波反投影重建结果；
[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：