基于噪声生成机制的隐正则化低剂量CT图像重建方法及系统技术方案

本发明专利技术公开一种基于噪声生成机制的隐正则化低剂量CT图像重建方法，将基于噪声生成机制的低剂量CT重建的优化问题展开为一个隐正则化深度网络NGMNet，对所述隐正则化深度网络NGMNet的参数进行训练，得到低剂量投影数据重建的深度网络模型，将低剂量投影数据输入所述深度网络模型中进行优化得到重建后的CT图像；隐正则化深度网络NGMNet每个操作单元包含三个网络层：投影域更新层、弦图域更新层及图像域更新层；投影域更新层、弦图域更新层及图像域更新层分别对应基于噪声生成机制的低剂量CT重建的框架求解时投影域Q、弦图域Y和图像域X的更新规则；根据噪声生成模型求解过程展开为端到端的隐正则化深度网络，能够在极低剂量情况下仍能够恢复出高质量CT图像。情况下仍能够恢复出高质量CT图像。

【技术实现步骤摘要】
基于噪声生成机制的隐正则化低剂量CT图像重建方法及系统


[0001]本专利技术属于基于深度学习的图像处理领域，具体涉及一种基于噪声生成机制的隐正则化低剂量CT图像重建方法及系统。

技术介绍

[0002]X射线计算机断层扫描(CT)目前已经广泛应用于临床检查中，但是CT具有电离辐射，X射线穿透人体后会导致人体电离辐射损伤。因此，在满足临床需求的前提下，尽可能的降低扫描剂量是CT医学成像研究的热点问题。
[0003]一般来说，最简单降低扫描剂量的方法是降低管电流[1]，然而，剂量的降低使得图像重建受到光子饥饿效应与测量噪声的影响，会产生严重的噪声和伪影。针对此问题，提出了大量的CT重建算法。现有的CT重建方法主要包括三类：(1)投影恢复算法；(2)图像后处理算法；(3)迭代重建算法；
[0004]投影恢复算法是结合测量噪声的统计特性和先验知识模型对投影数据进行恢复，再使用滤波反投影算法FBP对恢复后的投影数据进行重建。然而，在投影数据降噪过程中不可避免地会导致图像原有细节信息的丢失，从而导致相应CT图像分辨率的下降。图像后处理算法直本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于噪声生成机制的隐正则化低剂量CT图像重建方法，其特征在于，将基于噪声生成机制的低剂量CT重建的问题展开为一个隐正则化深度网络NGMNet，对所述的隐正则化深度网络NGMNet进行端到端训练，得到低剂量投影数据重建的深度网络模型，将低剂量投影数据输入所述深度网络模型中进行优化得到重建后的CT图像；其中，隐正则化深度网络NGMNet每个操作单元包含三个网络层：投影域更新层、弦图域更新层及图像域更新层；投影域更新层、弦图域更新层及图像域更新层分别对应基于噪声生成机制的低剂量CT重建的框架求解时投影域Q、弦图域Y和图像域X的更新规则；基于噪声生成机制的低剂量CT重建的框架如下：A为拉东变换，i为投影路径，g1(Y)和g2(X)分别表示弦图域Y和图像域X的先验项，λ1，λ2是正则项参数。2.根据权利要求1所述的基于噪声生成机制的隐正则化低剂量CT图像重建方法，其特征在于，CT噪声生成模型为：对上式取负对数，将其求解转化为：I0表示沿投影路径入射的X射线强度，i为投影路径，考虑对图像域数据X，弦图域数据Y进行优化，并为弦图域Y，图像域X考虑先验知识，最终得到基于噪声生成机制的低剂量CT重建的框架。3.根据权利要求2所述的基于噪声生成机制的隐正则化低剂量CT图像重建方法，其特征在于，网络结构如下：投影域更新层Q
(n)
：弦图域更新层Y
(n)
：图像域更新层X
(n)
：其中，为近端算子，采用深度网络架构pro_net来建模该近端算子，
进一步隐式地学习该正则化项；pro_net采用U
‑
Net网络架构进行学习，将电子背景噪声的方差σ设置为可学习的参数，需要学习的参数包括：pro_net网络参数、σ、η1、η2、η3；η1、η2、η3为更新步长，Y
n
‑1是第(n
‑
1)次迭代计算得到的更新结果，X
n
‑1是第(n
‑
1)迭代计算得到的更新结果，Q
n
‑1是第(n
‑
1)次迭代计算得到的更新结果，C为欧拉常数。4.根据权利要求1所述的基于噪声生成机制的隐正则化低剂量CT图像重建方法，其特征在于，在对所述隐正则化深度网络NGMNet的参数进行训练时采用低剂量投影数据与标准剂量图像数据进行端到端网络训练，用MSELoss作为损失函数，通过反向传播计算损失函数相对于网络参数的梯度，采用Adam优化器来优化网络参数。5.根据权利要求1所述的基于噪声生成机制的隐正则化低剂量CT图像重建方法，其特征在于，构造噪声生成模型包括以下步骤：在理想的干净/无噪环境下，CT扫描到的原始投影数据P的与弦图数据Y存...

【专利技术属性】
技术研发人员：李星，靖稳峰，许鑫，徐宗本，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：