基于单张投影数据的三维CT图像重建方法及装置制造方法及图纸

本发明专利技术公开一种基于单张投影数据的三维CT图像重建方法及装置,三维CT图像重建方法包括以下步骤：获取待重建CT；将获取的待重建CT生成对应的单张KV投影数据；使用卷积神经网络中具有注意力机制和多尺寸融合策略的编码器对获取的单张KV投影数据进行特征提取；对提取的特征进行三维转换；利用卷积神经网络中编码器进行特征重构，得到三维重建CT；将得到的三维重建CT与待重建CT进行灰度值差异计算；判断二者灰度值差异是否达到全局最优解；若达到，则重建成功，输出最终的三维CT图像；否则，重复上述步骤，直至二者灰度值差异达到全局最优解。本发明专利技术只使用单张KV投影数据就能重建出质量较高的CT图像，重建时间更短，给患者带来的辐射剂量更少。辐射剂量更少。辐射剂量更少。

【技术实现步骤摘要】
基于单张投影数据的三维CT图像重建方法及装置


[0001]本专利技术属于CT图像重建
，具体涉及基于单张投影数据的三维CT图像重建方法及装置。

技术介绍

[0002]CT成像技术是一种高性能的无创诊断技术,在辅助临床诊断方面发挥着至关重要的作用。CT是用X线束对人体某部位一定厚度的层面进行扫描，由平板数字探测器接收透过该层面的X线，转变成可见光后，由光电转换变成电信号，再经模拟/数字转换器转为数字信号，输入计算机进行处理。然而，随着CT成像技术使用频率的增加,一方面传统CT扫描需要花费较长时间，另一方面在扫描期间较高辐射剂量对公众健康的危害愈发受到重视，因而缩短扫描时间和降低辐射剂量已经成为CT发展的迫切需求。
[0003]目前主流方法是采用稀疏投影重建CT图像。在中国专利申请CN201610987138.4中提出了一种多尺度稀疏投影数据快速CT重建方法，该方法采用凸优化迭代和正则化项约束对降采样投影数据进行重建。在中国专利CN201711420601.8中提出了一种采样角度受限下的CT稀疏投影图像重建方法及装置，该方法通过投影数据获取投影方程解的伪逆矩阵，然后生成随机解集，对该集合中的解进行相应地替换，通过不断迭代获取最优解，从而得到最终的重建结果。
[0004]上述方法相比于传统重建算法在重建速度和减少辐射剂量上有一定的改善，但是超稀疏投影重建CT仍未实现，即仅通过单张投影数据就重建出对应高质量的CT图像。

技术实现思路

[0005]为了解决上述技术问题，本专利技术提出了基于单张投影数据的三维CT图像重建方法及装置。
[0006]为了达到上述目的，本专利技术的技术方案如下：
[0007]一方面，本专利技术公开一种基于单张投影数据的三维CT图像重建方法，包括以下步骤：
[0008]步骤一：获取待重建CT；
[0009]步骤二：将步骤一获取的待重建CT生成对应的单张KV投影数据；
[0010]步骤三：使用卷积神经网络中具有注意力机制和多尺寸融合策略的编码器对步骤二获取的单张KV投影数据进行特征提取；
[0011]步骤四：对步骤三提取的特征进行三维转换；
[0012]步骤五：利用卷积神经网络中编码器进行特征重构，得到三维重建CT；
[0013]步骤六：将步骤五得到的三维重建CT与待重建CT进行灰度值差异计算；
[0014]判断二者灰度值差异是否达到全局最优解；
[0015]若达到，则重建成功，输出最终的三维CT图像；
[0016]否则，重复步骤三至步骤六，直至二者灰度值差异达到全局最优解。
[0017]在上述技术方案的基础上，还可做如下改进：
[0018]作为优选的方案，注意力机制具体包括以下步骤：
[0019]A1：将输入特征图分别经过全局最大池化层和全局平均池化层；
[0020]A2：将二者的输出特征图传输至多层向量机，多层向量机进一步进行特征提取；
[0021]A3：将产生的一次中间特征图经过处理得到通道注意力图；
[0022]A4：将通道注意力图与输入特征图相乘得到二次中间特征图；
[0023]A5：将二次中间特征图分别经过全局最大池化层和全局平均池化层；
[0024]A6：将二者的输出特征图进行特征拼接操作；
[0025]A7：将拼接后的特征图经过处理得到空间注意力图；
[0026]A8：将空间注意力图与二次中间特征图相乘得到最终的输出特征图。
[0027]采用上述优选的方案，注意力机制包括通道注意力和空间注意力，分别在通道和空间维度依次推断注意力图，然后将注意力图与输入特征图相乘以进行自适应优化，获取感兴趣区域。
[0028]作为优选的方案，经过多尺度融合策略得到的融合特征图具体为下式：
[0029][0030]其中，G
k
表示编码器第k层输出的融合特征图，F
k
表示编码器第k层的输入特征图，代表上采样2
i
‑
k
倍，C代表拼接操作，D
sconv
@2
i
‑
k
则表示扩张率为2
i
‑
k
的空洞卷积。
[0031]采用上述优选的方案，多尺度融合策略将编码器的深层和浅层特征进行有效结合，捕获更细致的特征传递给解码器部分，从而重建出质量较高的CT。
[0032]作为优选的方案，步骤五中，灰度值差异计算具体为均方差损失的计算，均方差损失计算公式为：
[0033][0034]其中，m为样本数，y
i
为三维重建CT，y
′
i
为待重建CT。
[0035]采用上述优选的方案，灰度值差异计算是将网络生成的三维重建CT与待重建CT进行均方差损失的计算，将此损失在网络中进行反向传播，得到网络参数的梯度，并通过梯度下降优化方法更新网络参数，使得均方差损失达到最小，即全局最优解。
[0036]作为优选的方案，在利用卷积神经网络进行特征提取前，对卷积神经网络进行训练，训练步骤如下：
[0037]B1：将待重建CT和KV投影数据进行预处理；
[0038]B2：将待重建CT和与其对应的KV投影数据构成样本对，并按照一定比例划分为训练集、测试集和验证集；
[0039]B3：将训练集输入卷积神经网络进行训练和三维转换，得出三维重建CT；
[0040]B4：将三维重建CT与待重建CT进行均方差损失计算，将得到的损失在卷积神经网络中进行反向传播，得到网络参数的梯度，并通过梯度下降优化方法更新网络参数，使得均方差损失达到最小；
[0041]B5：每训练完一次，利用验证集进行验证，判断在验证集上的均方差损失是否最
小；
[0042]若是，则保存权重；
[0043]若不是，则继续训练，当训练达到阈值次数后，验证集上的均方差损失仍然不下降，则调整学习率；
[0044]B6：重复B3
‑
B5，直至卷积神经网络的训练结果达到预期，训练集上的均方差损失达到最小。
[0045]采用上述优选的方案，得到训练后的卷积神经网络。
[0046]另一方面，本专利技术还公开一种基于单张投影数据的三维CT图像重建装置，包括：
[0047]投影数据获取模块，投影数据获取模块用于获取待重建CT，并将获取的待重建CT生成对应的单张KV投影数据；
[0048]模型建立模块，模型建立模块用于构建基于卷积神经网络的CT重建模型，CT重建模型包括：具有注意力机制和多尺寸融合策略的编码器、三维转换单元以及用于进行特征重构的解码器；
[0049]三维重建模块，三维重建模块用于将待重建CT输入CT重建模型，得到三维重建CT，并将其与待重建CT进行灰度值差异计算，判断二者灰度值差异是否达到全局最优解；
[0050]若达到，则重建成功，输出最终的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于单张投影数据的三维CT图像重建方法，其特征在于，包括以下步骤：步骤一：获取待重建CT；步骤二：将所述步骤一获取的待重建CT生成对应的单张KV投影数据；步骤三：使用卷积神经网络中具有注意力机制和多尺寸融合策略的编码器对所述步骤二获取的单张KV投影数据进行特征提取；步骤四：对所述步骤三提取的特征进行三维转换；步骤五：利用卷积神经网络中编码器进行特征重构，得到三维重建CT；步骤六：将所述步骤五得到的三维重建CT与待重建CT进行灰度值差异计算；判断二者灰度值差异是否达到全局最优解；若达到，则重建成功，输出最终的三维CT图像；否则，重复步骤三至步骤六，直至二者灰度值差异达到全局最优解。2.根据权利要求1所述的三维CT图像重建方法，其特征在于，所述注意力机制具体包括以下步骤：A1：将输入特征图分别经过全局最大池化层和全局平均池化层；A2：将二者的输出特征图传输至多层向量机，多层向量机进一步进行特征提取；A3：将产生的一次中间特征图经过处理得到通道注意力图；A4：将通道注意力图与输入特征图相乘得到二次中间特征图；A5：将二次中间特征图分别经过全局最大池化层和全局平均池化层；A6：将二者的输出特征图进行特征拼接操作；A7：将拼接后的特征图经过处理得到空间注意力图；A8：将空间注意力图与二次中间特征图相乘得到最终的输出特征图。3.根据权利要求1所述的三维CT图像重建方法，其特征在于，经过多尺度融合策略得到的融合特征图具体为下式：其中，G
k
表示编码器第k层输出的融合特征图，F
k
表示编码器第k层的输入特征图，代表上采样2
i
‑
k
倍，C代表拼接操作，D
sconv
@2
i
‑
k
则表示扩张率为2
i
‑
k
的空洞卷积。4.根据权利要求2所述的三维CT图像重建方法，其特征在于，所述步骤五中，灰度值差异计算具体为均方差损失的计算，均方差损失计算公式为：其中，m为样本数，y
i
为三维重建CT，y
i
'为待重建CT。5.根据权利要求1所述的三维CT图像重建方法，其特征在于，在利用卷积神经网络进行特征提取前，对卷积神经网络进行训练，训练步骤如下：B1：将待重建CT和KV投影数据进行预处理；B2：将待重建CT和与其对应的KV投影数据构成样本对，并按照一定比例划分为训练集、测试集和验证集；B3：将训练集输入卷积神经网络进行训练和三维转换，得出三维重建CT；
B4：将三维重建CT与待重建CT进行均方差损失计算，将得到的损失在卷积神经网络中进行反向传播，得到网络参数的梯度，并通过梯度下降优化方法更新网络参数，使得均方差损失达到最小；B5：每训练完一次，利用验证集进行验证，判断在验证集上的均方差损失是否最小；若是，则保存权重；若不是，则继续训练，当训练达到阈值次数后，验证集上的均方差损失仍然不下降，则调整学习率；B6：重复B3
‑
B5，直至所述卷积神经网络的训练结果达到预期，训练集上的均方差损失达到...

【专利技术属性】
技术研发人员：王庆，姚毅，
申请(专利权)人：苏州雷泰医疗科技有限公司，
类型：发明
国别省市：