基于双域增强的X射线差分相衬成像不完备数据重建方法技术

本发明专利技术公开了一种基于双域增强的X射线差分相衬成像不完备数据重建方法，包括：通过滤波反投影算法得到不完备数据的初始断层重建图像；对上述重建图像进行差分前向投影得到被伪影降质的投影序列；利用基于双域(投影域和重建图像域)增强的深度学习技术对上述降质投影序列进行增强重建，得到伪影去除的高质量断层重建图像。本发明专利技术实施例相比现有的X射线差分相衬成像技术，能够在降低成像辐射剂量的同时，保证成其像质量尽可能与完备数据成像相同；该方法充分利用了差分相衬重建过程中的域转换，利用卷积神经网络强大的图像处理能力实现直接输入投影序列输出重建图像，且在此过程中在双域中进行重建增强，该方法能对不完备数据的重建进行以有效增强，提高最终断层重建图像的成像质量。像的成像质量。像的成像质量。

【技术实现步骤摘要】
基于双域增强的X射线差分相衬成像不完备数据重建方法


[0001]本专利技术涉及深度学习及X射线差分相位衬度成像
，尤其涉及一种基于双域增强的X射线差分相衬成像不完备数据重建方法。

技术介绍

[0002]相比传统吸收衬度成像技术，X射线差分相位衬度成像能够在对生物组织等轻元素物质的成像方面获得更高的成像对比度。在现有X射线光栅差分相位衬度成像装置中，普通X射线源产生的X射线通过源光栅G0产生相干X射线，经过相位光栅G1并自由传播一定的距离后，穿过吸收光栅G2，最终被吸收光栅G2后面的探测器接收。由于探测器不能够直接得到X射线的相位变化，因此通常需要横向移动吸收光栅G2微米级的距离若干次(通常需要4
‑
8次的移动)，并对采集的二维投影图像进行解析得到差分相位衬度信号，之后对解析得到的差分相位衬度信号进行重建。该过程显著增加了成像的时间、加大了成像过程中的辐射剂量、极大降低了成像的效率。并且吸收光栅移动时需要微米级别的移动精度，对于控制设备的精密性要求很高。
[0003]基于不完备角度采样是一种通用的降低CT成像辐射剂量的方法，将其应用在相衬CT成像中可以有效降低辐射剂量。其操作简单，且无需对现有的相衬CT成像装置上进行改动。常见的不完备角度采样通常包括稀疏角采样和有限角采样，不完备数据直接通过FBP重建，会在重建图像中引入大量伪影，影响成像质量。

技术实现思路

[0004]本专利技术技术解决问题：克服现有X射线相衬成像不完备数据重建技术的不足，提供一种基于双域增强的X射线差分相衬成像不完备数据重建方法，通过不完备角度采样实现CT扫描过程中辐射剂量和成像时间的大幅减少，并基于双域增强的深度学习技术在投影域和图像域中同步改善最终重建图像的质量，以在降低辐射剂量、提高成像效率的同时，保持高质量的相衬成像质量，形成高效的相衬CT成像技术。
[0005]本专利技术技术解决方案：一种基于双域增强的X射线差分相衬成像不完备数据重建方法，包括以下步骤：
[0006]步骤1、使用基于Talbot
‑
Lau效应的X射线光栅差分相衬成像装置对样品进行不完备采样扫描，得到样品的不完备数据相衬投影序列；所述不完备采样指稀疏角采样或有限角采样，分别通过增加采样角度间隔或只在一段角度范围内进行采样以实现射线剂量的降低，不完备采样不影响相衬步进，因此无需改动当前成像装置，通用性高；
[0007]步骤2、对所述不完备数据相衬投影序列进行相衬滤波反投影(Filter Projection,FBP)重建，获得样品的初始断层重建图像；所述样相衬FBP重建是指在经典FBP重建的基础上采用Hilbert滤波作为重建滤波器；
[0008]步骤3、利用差分前向投影算子对所述初始断层重建图像进行基于三点作差的差分前向投影，得到降质的完备投影序列；所述差分前向投影是指相衬投影序列，相衬投影序
列在解析过程中表现为前向投影的差分，前向投影是指在射线与样品的透射路径上进行像素值累加；所述降质的完备投影序列是指该投影序列的尺寸和完备投影序列具有一致性，但由于数据缺失而导致图像伪影使投影序列产生降质；
[0009]步骤4、利用基于双域增强的卷积神经网络对所述降质的完备数据投影序列进行增强重建，消除不完备数据重建产生的图像伪影，得到特征完整的断层重建图像；所述双域增强是指将卷积神经网络技术应用到投影域和重建图像域中进行同步增强，将深度学习技术嵌入到整个相衬CT重建过程中；
[0010]进一步地，步骤2中，使用公式(1)、(2)所示的相衬FBP重建算法对所述不完备数据相衬投影序列进行重建，得到的相衬图像图像包含不完备数据重建伪影：
[0011][0012][0013]其中，δ(x,y)为断层重建图像，U为几何加权因子，P为相位衬度投影序列，θ为旋转角度，v为时域相应，h(v)为相衬FBP重建的Hilbert变换滤波器。
[0014]进一步地，步骤中，采用公式(3)、(4)所示的基于三点作差的差分前向投影算子处理降质重建图像，得到降质的完备相衬投影序列：
[0015]α(s,θ)＝∫δ(x,y)dl
ꢀꢀꢀ
(3)
[0016][0017]其中，α为前向投影序列，δ(x,y为断层重建图像，s表示投影序号，θ表示旋转角度，l表示射线与样品的透射路径，P为相位衬度投影序列。
[0018]进一步地，步骤4中，采用了基于双域增强和卷积神经网络的相衬CT重建增强架构。所述架构由图3描述的差分前向投影以及图中下面的虚线框中的卷积神经网络组成。
[0019]可以看出，双域增强网络由三个子网络组成，分别为投影域增强网络、支持梯度反向传播的相衬重建模块和重建图像域增强网络。值得注意的是，三个子网络是一个闭环，需要同时训练而非分别训练，最终形成一个完整的重建网络。
[0020](一)投影域增强网络：1)特征提取：首先经过2个尺寸为3
×
3、步长为1、通道数为32的卷积层。然后经过4个不同下尺寸的下采样，各分支均配置了残差块，随后连接了相应的上采样卷积层，通过尺寸3
×
3、步长为1、通道数为1的卷积层生成4个尺寸为H
×
W
×
1的多尺度输出特征层。其中，H和W分别是输入图像的长和宽。残差块的引入能够在一定程度上抑制网络深度变深时出现的退化现象，提升最终训练所得到的模型精度。2)通道聚合：经过第一阶段各分支的特征提取，各分支的输出已经完成了初步的降噪及结构恢复工作。通道聚合在通道层次上对各分支的输出进行聚合，得到尺寸为H
×
W
×
1的聚合特征层。
[0021](二)相衬重建模块：相衬重建模块的作用是进行相衬CT重建，以作为投影域和图像域的连接。此外，该模块必须能允许梯度的反向传递，否则整个网络是不连通的，网络增强的效果会只限于图像域。相衬重建模块的实现是对FBP重建算法中的反投影环节进行优化，如式(5)、(6)所示。其中，X和Y分别表示滤波后的投影序列和重建图像，row和col表示重建图像中的行和列，θ表示旋转角度，下标i对应不同的采样角度，t
i
等于θ
i
,row
·
cos(θ
i
)+
col
·
sin(θ
i
)，式(6)中的和分别表示向正取整数和向负取整数的两种取整算子。
[0022][0023][0024](三)重建图像域增强网络：重建图像域增强网络处于网络后端，使用最常用的图像修复网络U
‑
Net即可，网络参数设置和常规U
‑
Net一致即可。该子网络的功能是在CT图像域进行重建过程的进一步增强。
[0025]进一步地，步骤4中，采用公式(7)、(8)所示的基于双域增强的卷积神经网络对降质的完备相衬投影序列进行增强，得到不含伪影的重建图像，具体如下：
[0026][00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于双域增强的X射线差分相衬成像不完备数据重建方法，其特征在于，包括以下步骤：步骤1、对样品进行不完备采样扫描，得到样品的不完备数据相衬投影序列；所述不完备采样指稀疏角采样或有限角采样，分别通过增加采样角度间隔或只在一段角度范围内进行采样以实现射线剂量的降低；步骤2、对所述不完备数据相衬投影序列进行相衬滤波反投影，即相衬FBP重建，获得样品的初始断层重建图像；所述相衬FBP重建是指在经典FBP重建的基础上采用Hilbert滤波作为重建滤波器；步骤3、利用差分前向投影算子对所述初始断层重建图像进行基于三点作差的差分前向投影，得到降质的完备投影序列；所述差分前向投影是指相衬投影序列，相衬投影序列在解析过程中表现为前向投影的差分，前向投影是指在射线与样品的透射路径上进行像素值累加；所述降质的完备投影序列指该投影序列的尺寸和完备投影序列具有一致性，但由于数据缺失而导致图像伪影使投影序列产生降质；步骤4、利用基于双域增强的卷积神经网络对所述降质的完备数据投影序列进行增强重建，消除不完备数据重建产生的图像伪影，得到特征完整的断层重建图像；所述双域增强是指将卷积神经网络技术应用到投影域和重建图像域中进行同步增强，将深度学习技术嵌入到整个相衬CT重建过程中。2.根据权利要求1所述的基于双域增强的X射线差分相衬成像不完备数据重建方法，其特征在于：所述步骤2中，使用公式(1)、(2)进行相衬FBP重建，得到样品的初始断层重建图像如下：像如下：其中，δ(x,y)为初始断层重建图像，U为几何加权因子，P为相衬投影序列，θ为旋转角度，v为时域相应，h(v)为相衬FBP重建中的Hilbert变换滤波器。3.根据权利要求1所述的基于双域增强的X射线差分相衬成像不完备数据重建方法，其特征在于：所述步骤3中，使用如式(3)、(4)所示的差分前向投影算子对所述初始重建图像进行基于三点作差的差分前向投影，得到含伪影的降质完备投影序列：α(s,θ)＝∫δ(x,y)dl
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)其中，α为前向投影序列，x,y分别为图像的横纵坐标，δ(x,y)为断层重建图像，s表示投影序号，θ表示旋转角度，l表示射线与样品的透射路径，P为相衬投影序列。4.根据权利要求1所述的基于双域增强的X射线差分相衬成像不完备数据重建方法，其特征在于：所述步骤4中，利用基于双域增强的卷积神经网络对所述降质的完备数据投影序列进行增强重建，消除不完备数据重建产生的图像伪影，得到特征完整的断层重建图像具体如下：
所述基于双域增强的卷积神经网络包括三个子网络，即投影域增强网络、支持梯度反向传播的相衬重建模块和重建图像域增强网络，采用依次串联、以上一级输出作为当前输入的连接模式形成一个端对端的重建网络；此外，这三个子网络虽存在重建过程中的先后顺序，但不存在增强顺序，即增强是同步的；(1)投影域增强网络：1)特征提取：首先经过2个尺寸为3
×
3、步长为1、通道数为3...

【专利技术属性】
技术研发人员：傅健，张昌盛，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：