一种联合先验图像及卷积稀疏网络的低剂量CT重建方法技术

本发明专利技术公开了一种联合先验图像及卷积稀疏网络的低剂量CT重建方法，属于计算机断层成像技术领域。本发明专利技术包括以下步骤：首先，采用区别性特征表示方法获取高质量先验图像；其次，设计特征融合的卷积稀疏网络；接下来，计算重建图像与先验图像的误差，并依据误差估计迭代重建梯度；然后，采用全变分约束对重建图像进行微调；最后，通过模块级联形式实现低剂量CT的迭代重建。本发明专利技术算法综合利用了计划扫描的先验图像及卷积稀疏网络的优势，具有可解释强，重建图像质量高、噪声伪影少等优势，在临床肿瘤放射治疗中具有较大优势，可提高检查效率，降低病人非靶区器官的辐射伤害。降低病人非靶区器官的辐射伤害。降低病人非靶区器官的辐射伤害。

【技术实现步骤摘要】
一种联合先验图像及卷积稀疏网络的低剂量CT重建方法


[0001]本专利技术属于计算机断层成像
，更具体地说，涉及一种联合先验图像及卷积稀疏网络的低剂量CT重建方法。

技术介绍

[0002]目前放射学诊断的主要成像模态有CT和MRI，相对MRI而言，CT具有成像速度快、空间分辨率高且成本低等优势。然而CT产生的辐射风险一直备受关注，辐射的随机效应和累计效应都是危害患者健康的重大隐患。国际辐射防护委员会建议，在图像可用的情况下应尽可能减少辐射剂量。与此同时，虽然具有较高的空间分辨力，低对比度组织分辨力不足也限制了CT在很多疾病诊断中的应用，如卒中半暗带量化、冠脉软斑块诊断、肿瘤早期诊断等。除了广泛应用于医院放射科的螺旋诊断CT，在现代诊疗技术的快速发展及应用越来越依赖高质量的锥束CT(Cone Bean CT,CBCT)成像来提供实时病人解剖信息，如，肿瘤的放射治疗，介入手术的指导，三维血管造影，外科整形等，这也对实时低剂量CBCT成像提出了新的需求。
[0003]在图像引导放疗(Image
‑
Guided Radiation Therapy,IGRT)中，重复扫描会增加患者的累积辐射剂量，过高的剂量可能伤害非靶区器官区域，造成严重并发症或后遗症；介入手术时，医务人员需要通过CBCT成像来实时准确定位病变区域，成像过程中的持续X射线照射会给患者和医师带来较大辐射伤害；另外，以血管疾病无创诊断与介入治疗手术导航为重要依据的数字减影血管造影技术(Digital Subtraction Angiography，DSA)应用也越来越广泛，降低剂量，提高手术效率成为DSA系统的重要竞争指标；口腔CBCT成像中，为清晰的区分牙齿，颌骨，对病人颅脑照射的X射线剂量不容小觑。在这些CBCT应用中，为了达到更显著的降低剂量的效果，仅依赖主动防护技术是不够的，需要为影像成像链实用有效的低剂量算法，降低CT扫描的剂量。
[0004]然而降低放射剂量和清晰的高质量图像永远是一对矛盾体，对于特定的扫描条件和检查部位，为了得到更好的图像质量和对更小病变的定位显示，一般需要加大放射剂量来提高组织衰减信号的强度，而单方面降低病人所受的剂量将带来投影数据中的组织衰减信息总量的减少，导致重建图像中噪声伪影的显著增加，降低剂量导致的一些投影角或探测器通道上的数据量减少也会给重建图像带来斑点噪声和星条状伪影，进而影响临床医生对病灶的检测。“Low Dose”在近10年来一直是CT成像领域的热点研究方向，也是未来CT研究领域的重要指标。
[0005]经检索，中国专利申请号为2018105861132的申请案公开了一种基于卷积残差网络的全网络低剂量CT成像方法及装置，该方法首先获得多组对应的低剂量和正常剂量下的CT原始投影数据；其次，在投影空间建立基于卷积残差网络(CNN1)，该网络输入为低剂量CT投影数据，输出为处理后数据的网络，以减轻低剂量投影CT数据中的噪声及伪影并提高信噪比；随后，通过基于Ramp滤波核的FBP将投影数据重建到图像空间，在图像空间基于卷积残差网络(CNN2)进行二次处理，以进一步减轻低剂量数据中的伪影及噪声。但该申请案未
将神经网络与重建进行融合，网络处理是分阶段式进行的，处理过程复杂，不同阶段需要反复调试融合，未充分利用不同空间数据信息，成像效果提升有限。

技术实现思路

[0006]1.要解决的问题
[0007]本专利技术的目的在于解决现有低剂量CT重建方法存在的图像质量不高、信噪比低，噪声伪影较多的问题，而提供一种联合先验图像及卷积稀疏网络的低剂量CT重建(Prior Image and Convolutional Sparse Network reconstruction简称PRCSN)方法。本专利技术在稀疏先验理论的基础上，用卷积稀疏网络来校正重建图像误差的更新，并通过先验图像有价值的特征信息的融入，从而可以有效提高网络估计结果的准确性，显著改善图像质量，减少噪声伪影的产生。
[0008]2.技术方案
[0009]为了解决上述问题，本专利技术所采用的技术方案如下：
[0010]本专利技术的一种联合先验图像及卷积稀疏网络的低剂量CT重建方法，包括以下步骤：
[0011]步骤1、采用区别性特征表示方法获取高质量先验图像；
[0012]步骤2、设计特征融合的卷积稀疏网络，具体包括特征编码、特征解码及先验特征融合三个基本操作，其中先验特征融合是将先验信号进行特征编码，并与输入信号特征相连，扩充特征图通道；
[0013]步骤3、计算重建图像与先验图像的误差，并依据误差和卷积稀疏网络估计迭代重建梯度；
[0014]步骤4、采用全变分约束对重建图像进行微调；
[0015]步骤5、通过模块级联形式实现低剂量CT的迭代重建；
[0016]步骤6、训练卷积稀疏网络，获得网络模型参数；
[0017]步骤7、用训练好的网络实现低剂量CT图像重建。
[0018]更进一步的，步骤1中采用区别性特征表示方法获取高质量先验图像，具体过程表示为：
[0019]u
pr
＝DFR(u
pl
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0020]其中u
pr
为先验图像，u
pl
为计划CT扫描的图像，DFR(
·
)为区别性特征表示操作。
[0021]更进一步的，区别性特征表示中字典原子大小为8
×8×
4，原子个数3000。
[0022]更进一步的，步骤2中特征编码操作顺序为一个卷积层E1，一个ReLU激活函数和一个卷积层E2，卷积层E1与卷积层E2的特征相加；特征解码为一个卷积层D1，一个ReLU激活函数和一个卷积层D2。
[0023]更进一步的，步骤2中设计特征融合的卷积稀疏网络为U型结构，左侧为输入信号特征编码及先验信号特征编码，并对各层进行特征融合，每层包括两个特征编码和一个下采样操作，首层添加一个卷积操作；右侧主要是进行特征解码，每层包括两个特征编码，四个特征解码和一个上采样，输出处理后信号；编码与解码部分进行特征合并。
[0024]更进一步的，所述下采样层由步长为2的卷积层组成，上采样层为步长为2的转置卷积层，共进行四层采样，每经过一次下采样层，卷积网络的通道数翻倍。
[0025]更进一步的，步骤3中迭代重建梯度表示为：
[0026]s
t+1
＝M(g
t+1
,m
t+1
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0027]其中上标t为迭代次数，s
t+1
为t+1次的迭代重建梯度，g
t+1
＝FBP(p
‑
Aut)，A为投影矩阵，u
t
为t次重建图像数据，p为扫描并经过预本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合先验图像及卷积稀疏网络的低剂量CT重建方法，其特征在于，包括以下步骤：步骤1、采用区别性特征表示方法获取高质量先验图像；步骤2、设计特征融合的卷积稀疏网络，具体包括特征编码、特征解码及先验特征融合三个基本操作，其中先验特征融合是将先验信号进行特征编码，并与输入信号特征相连，扩充特征图通道；步骤3、计算重建图像与先验图像的误差，并依据误差和卷积稀疏网络估计迭代重建梯度；步骤4、采用全变分约束对重建图像进行微调；步骤5、通过模块级联形式实现低剂量CT的迭代重建；步骤6、训练卷积稀疏网络，获得网络模型参数；步骤7、用训练好的网络实现低剂量CT图像重建。2.根据权利要求1所述的一种联合先验图像及卷积稀疏网络的低剂量CT重建方法，其特征在于：步骤1中采用区别性特征表示方法获取高质量先验图像，具体过程表示为：u
pr
＝DFR(u
pl
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中u
pr
为先验图像，u
pl
为计划CT扫描的图像，DFR(
·
)为区别性特征表示操作。3.根据权利要求2所述的一种联合先验图像及卷积稀疏网络的低剂量CT重建方法，其特征在于：区别性特征表示中字典原子大小为8
×8×
4，原子个数3000。4.根据权利要求1所述的一种联合先验图像及卷积稀疏网络的低剂量CT重建方法，其特征在于：步骤2中特征编码操作顺序为一个卷积层E1，一个ReLU激活函数和一个卷积层E2，卷积层E1与卷积层E2的特征相加；特征解码为一个卷积层D1，一个ReLU激活函数和一个卷积层D2。5.根据权利要求4所述的一种联合先验图像及卷积稀疏网络的低剂量CT重建方法，其特征在于：步骤2中设计特征融合的卷积稀疏网络为U型结构，左侧为输入信号特征编码及先验信号特征编码，并对各层进行特征融合，每层包括两个特征编码和一个下采样操作，首层添加一个卷积操作；右侧主要是进行特征解码，每层包括两个特征编码，四个特征解码和一个上采样，输出处理后信号；编码与解码部分进行特征合并。6.根据权利要求5所述的一种联合先验图像及卷积稀疏网络的低剂量CT重建方法，其特征在于：所述下采样层由步长为2的卷积层组成，上采样层为步长为2的转置卷积层，共进行四层采样，每经过一次下采样层，卷积网络的通道数翻倍。7.根据权利要求1
‑
6中任一项所述的一种联合先验图像及卷积稀疏网络的低剂量CT重建方法，其特征在于：步骤3中迭代重建梯度表示为：s
t+1
＝M(g
t+1
,m
t+1

【专利技术属性】
技术研发人员：亢艳芹，刘进，刘涛，吴凡，孙宇，晏宇豪，
申请(专利权)人：安徽工程大学，
类型：发明
国别省市：