【技术实现步骤摘要】
基于Cycle
‑
GAN的DU
‑
GAN双能CT超分辨方法
[0001]本专利技术涉及CT图像校正
,尤其涉及一种基于Cycle
‑
GAN的DU
‑
GAN双能CT超分辨方法。
技术介绍
[0002]计算机断层成像(Computed Tomography,CT)技术通过采集X射线穿透物体后的投影信息进而获取物质与结构信息,能够无损、非接触地对成像对象的内部结构信息进行获取,在医学诊断、工业检测等领域发挥了重要作用。但是,传统CT仅用单一能量下的X射线源对物体进行扫描,只能呈现被检物体的基本检测定位信息。因此,在CT成像上很难区分被扫描物体上衰减系数相似的两种不同材料。随着CT技术的不断发展,双能CT技术在CT成像中的应用可以大大提高CT系统的时间分辨率、空间分辨率和密度对比分辨率,还可以得到物体的构成比例,在物质分解方面表现良好。然而双能CT图像由于探测器接收到的光子数目不足、光量子分布不均下的量子噪声和探测器单元的非均匀响应等问题导致成像分辨率低。而高分辨率(High resolution,HR)的双能CT图像比起低分辨率(Low resolution,LR)的双能CT图像细节信息更加丰富,能更好地指导医疗和工业领域的工作。所以,如何获得高质量的双能CT图像是目前研究的热点问题。
[0003]通常有两类改善CT图像分辨率的方法,第一类是改善硬件设施,用更复杂的硬件组件,包括具有精细焦斑尺寸的X射线管,小间距的探测器元件以及用于CT扫 ...
【技术保护点】
【技术特征摘要】
1.基于Cycle
‑
GAN的DU
‑
GAN双能CT超分辨方法,其特征在于,包括:步骤1:构建DU
‑
GAN网络模型,具体包括:采用Cycle
‑
GAN网络作为模型框架,并对Cycle
‑
GAN网络中的生成器和判别器均引入U
‑
Net网络框架;步骤2:构建数据集并将数据集划分为训练集、测试集和验证集,所述数据集由若干个图像对构成;其中,图像对的构建过程具体包括:对高分辨率双能CT图像进行模糊,降采样和加高斯噪声处理,得到低分辨率双能CT图像,所述高分辨双能CT图像和所述低分辨率双能CT图像组成一个图像对;步骤3:设计图像域损失函数以构建联合损失函数,所述联合损失函数由对抗性损失函数、循环一致性损失函数和图像域损失函数组成;步骤4:将训练集输入DU
‑
GAN网络模型,通过联合损失函数进行有监督网络训练,并用验证集对训练的DU
‑
GAN网络模型的性能进行评估;步骤5:将测试集中低分辨率双能CT图像输入训练好的生成器得到相应的超分辨双能CT图像。2.根据权利要求1所述的一种基于Cycle
‑
Gan的DU
‑
GAN双能CT超分辨方法,其特征在于,步骤1中,生成器的编码器包括9层网络层,由浅层至深层依次为一个4
×
4Conv
‑
LeakyReLU层,七个4
×
4Conv
‑
IN
‑
LeakyReLU层和一个4
×
4Conv
‑
IN
‑
ReLU层;生成器的解码器包括9层网络层,由浅层至深层依次为八个4
×
4Deconv
【专利技术属性】
技术研发人员:梁宁宁,宋思静,仲心怡,李磊,张欣睿,王毅忠,蔡爱龙,闫镔,
申请(专利权)人:中国人民解放军战略支援部队信息工程大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。