一种低剂量制造技术

本发明专利技术公开了一种低剂量

【技术实现步骤摘要】
一种低剂量CT弦图恢复方法及相关装置


[0001]本专利技术属于医学成像
，具体涉及一种低剂量
CT
弦图恢复方法及相关装置
。

技术介绍

[0002]计算机断层扫描
(CT)
技术通过对不同角度采集的多个
X
射线投影图像
(
弦图
)
信息进行重组和运算来生成被扫描物体的横截面图像
。
由于这项技术带来了一种无创的观察病人身体内部的方法，它在临床实践和医疗程序中得到了广泛的应用
。
然而，
X
射线具有电离辐射，穿透人体后会导致人体电离辐射损伤
。
因此，为了减少辐射对身体的危害，在
CT
扫描的过程中降低
X
射线的剂量非常必要
。
常见策略是通过减少
CT
扫描协议中的
X
射线管电流和
/
或缩短曝光时间设置
。
然而，由于许多不可避免的物理因素，在没有适当处理的情况下，低剂量
X
射线的投影数据往往夹带明显的噪声，这也造成了低剂量
CT
成像图像的质量严重下降
。
[0003]低剂量
CT
弦图恢复方法通常对数据进行噪声建模，主要包括对数后噪声建模和对数前噪声建模
。
对数后噪声建模在弦图数据上进行噪声建模，其中最典型的方法是
penalized weighted least
‑
square(PWLS)
算法，其采用高斯分布来刻画不同象素点的噪声，结合弦图数据的正则化项，得到完整的去噪模型
。
然而，高斯分布模型往往无法准确刻画弦图的噪声模型
。
对数前噪声建模方法在原始投影数据上进行噪声建模，一般使用泊松分布
、
移位泊松分布
、
泊松
+
高斯对投影数据进行刻画，同时结合弦图域的正则化项进行完整建模
。
但是，传统方法采用特定的正则化
(
如
L1、L1/2
等
)
形式进行建模，无法充分准确刻画模型中的先验信息
。
深度学习的快速发展为低剂量
CT
重建带来了巨大的潜力和机遇
。
我们提出通过采用神经网络自适应学习的正则化项，可以提供更稳定的弦图恢复方案
。
在低剂量
CT
弦图恢复中，使用神经网络自适应学习的正则化项可以更好地恢复弦图结构
。
通过训练神经网络，它可以从训练数据中学习到先验信息，并将其作为正则化项的一部分来指导恢复过程
。
这样的方法可以提高弦图恢复的质量和准确性，并减少伪影和噪声等不良影响
。
尽管这些方法具有较强的性能，但是以监督学习为主的深度学习方法需要高质量的成对样本才能获得较好的重建性能
。

技术实现思路

[0004]本专利技术的目的是提供一种低剂量
CT
弦图恢复方法，提供了
CT
噪声生成机制中整数规划问题的新求解方案，可以实现更快速
、
更准确的求解结果，适用于大规模数据处理
。
[0005]本专利技术的另一目的是提供一种低剂量
CT
弦图恢复方法的相关装置
。
[0006]本专利技术所采用的第一技术方案是，低剂量
CT
弦图恢复方法，基于低剂量
CT
弦图恢复模型，求解低剂量
CT
弦图恢复模型，将弦图恢复模型分解为关于待估计探测器接收到的量子数
T
和弦图数据
Y
的两个子问题；迭代求解更新探测器接收到的量子数
T
，根据更新后的量子数
T
求解弦图数据
Y
，即得到恢复后的弦图数据
。
[0007]本专利技术第一技术方案的特点还在于，
[0008]低剂量
CT
弦图恢复模型如下：
[0009][0010]S
为原始投影数据，
S
i
为沿投影路径
i
入射时探测器获得的投影数据，
Y
为弦图数据，
Y
i
为沿投影路径
i
入射时探测器上的弦图数据，
I
0i
表示沿投影路径
i
入射的
X
射线强度，表示探测器接收到的量子数，
T
i
为沿投影路径
i
入射时探测器接收到的量子数，表示电子噪声，
N
为总投影路径数，
g1(Y)
表示
Y
的先验项，
λ1是正则项参数，
σ
为电子背景噪声的方差
。
[0011]使用块坐标下降法求解所述低剂量
CT
弦图恢复模型
。
[0012]迭代求解更新探测器接收到的量子数
T
包括：
[0013]通过求解如下关于
T
的子问题：
[0014][0015]利用
T
i
的变量分离属性，转变为
N
个单变量优化问题：
[0016][0017]其中，
Γ
是广义阶乘代替表达式
lnT
i
!
在连续空间中的形式，分别求解上式的一阶导数和二阶导数：
[0018][0019][0020]其中，
f
＂
(T
i
)
＞0，整数规划问题在连续空间中是严格的凸函数，局部最小值即为全局最小值，采用牛顿法对
T
进行更新：
[0021][0022]其中，为单变量量子数第
n
次迭代的值，上标
n
为迭代索引，
η1为步长，在迭代的最后一步，使用四舍五入运算逼近
Q
i
的真实整数值，即的真实整数值，即得到全局最小值的完全近似整数解
。
[0023]采用近端梯度下降法求解
Y
，
Y
的更新规则为：
[0024][0025]其中，
Y
n
为弦图数据第
n
次迭代的值，是由正则项
g1(
·
)
所决定的近端
算子，
η2为步长，
Y
为弦图数据，
I0表示入射的
X
射线强度，表示探测器接收到的量子数，
g1(Y)
表示
Y
的先验项，
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种低剂量
CT
弦图恢复方法，其特征在于，基于低剂量
CT
弦图恢复模型，求解所述低剂量
CT
弦图恢复模型，将弦图恢复模型分解为关于待估计探测器接收到的量子数
T
和弦图数据
Y
的两个子问题；迭代求解更新探测器接收到的量子数
T
，根据更新后的量子数
T
求解弦图数据
Y
，即得到恢复后的弦图数据
。2.
根据权利要求1所述的一种低剂量
CT
弦图恢复方法，其特征在于，所述低剂量
CT
弦图恢复模型如下：
S
为原始投影数据，
S
i
为沿投影路径
i
入射时探测器获得的投影数据，
Y
为弦图数据，
Y
i
为沿投影路径
i
入射时探测器上的弦图数据，
I
0i
表示沿投影路径
i
入射的
X
射线强度，表示探测器接收到的量子数，
T
i
为沿投影路径
i
入射时探测器接收到的量子数，表示电子噪声，
N
为总投影路径数，
g1(Y)
表示
Y
的先验项，
λ1是正则项参数，
σ
为电子背景噪声的方差
。3.
根据权利要求2所述的一种低剂量
CT
弦图恢复方法，其特征在于，使用块坐标下降法求解所述低剂量
CT
弦图恢复模型
。4.
根据权利要求3所述的一种低剂量
CT
弦图恢复方法，其特征在于，迭代求解更新探测器接收到的量子数
T
包括：通过求解如下关于
T
的子问题：利用
T
i
的变量分离属性，转变为
N
个单变量优化问题：其中，
Γ
是广义阶乘代替表达式
lnT
i
！在连续空间中的形式，分别求解上式的一阶导数和二阶导数：和二阶导数：其中，
f
″
(T
i
)
＞0，整数规划问题在连续空间中是严格的凸函数，局部最小值即为全局最小值，采用牛顿法对
T
进行更新：其中，为单变量量子数第
n
次迭代的值，上标
n
为迭代索引，
η1为步长，在迭代的最后一步，使用四舍五入运算逼近
Q
i
的真实整数值，即的真实整数值，即得到全局最小值的完全近似
整数解
。5.
根据权利要求4所述的一种低剂量
CT
弦图恢复方法，其特征在于，采用近端梯度下降法求解
Y
，
Y
的更新规则为：其中，
Y
n
为弦图数据第
n
次迭代的值，是由正则项
g1(
·
)
所决定的近端算子，
η2为步长，
Y
为弦图数据，
I0表示入射的
X
射线强度，表示探测器接收到的量子数，
g1(Y)
表示
Y
的先验项，...

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