【技术实现步骤摘要】
本专利技术涉及一种基于低秩约束的能谱ct迭代展开重建系统。
技术介绍
1、x射线计算机断层扫描(computed tomography, ct) 技术够快速定位病灶，并从形态学角度初步诊断病灶性质以及测定病灶区血流状态，具有较高的可靠性，是当前临床应用率较高的肿瘤诊断筛查方法之一。但是，常规ct球管产生的是连续能谱分布的x射线，因而所获得的ct图像也具有混合能力的平均效应，不能形成平稳、准确的ct值。临床发现，常规ct扫描存在图像噪声大、x线管冷却速度缓慢、伪影重叠等弊端，不利于微小病灶的检出，限制了其在临床实践中的广泛应用。
2、由于能谱ct在病变检测和物质分解方面的巨大潜力，近年来受到了越来越多的关注。通过在数据采集过程中区分光子的能量，基于光子计数探测器的能谱ct可以在一次曝光内收集具有不同能谱信息的多组扫描数据。与传统ct扫描数据相比，这些数据中包含着更多的被测物体信息，提高了ct对物体成分识别和定量化分析的能力。然而，由于有限的光子数和每个能量仓有限的计数率，通过光子计数器采集得到的能谱投影通常会受到强噪声的影响。因此，开发高效的能谱ct重建算法在临床应用中具有重要的意义和迫切的需要。
3、为了更好地抑制能谱ct重建中的噪声和伪影，许多研究人员一直在研究提高能谱ct重建图像质量的方法。将基于稀疏正则项的ct重建算法应用于能谱中单能图像的重建，利用图像的稀疏特性提高ct重建图像的质量。常用的稀疏正则项有总变分、紧致框架和字典学习。但是这些方法忽略了不同能级图像之间的相关性。为了有效地利用不同能级图
4、随着深度学习技术的发展，将能谱ct迭代重建算法展开成能谱ct重建网络，可以进一步改善重建图像的质量。为了将基于低秩约束的能谱ct重建算法展开成能谱ct重建网络，许多研究人员探索了不同的能谱ct重建问题的迭代求解算法。但是，在能谱ct重建问题的求解过程中，采用了较多的近似计算，降低了能谱ct重建方法的计算精度，进而降低了迭代展开神经网络的能效。
5、针对上述能谱ct迭代展开算法中存在的问题，本专利技术探索易于神经网络展开的能谱ct迭代重建算法，避免采用近似计算，直接对迭代算法中的低秩约束进行神经网络展开。本专利技术采用原始-对偶算法求解基于低秩约束的能谱ct重建问题，得到易于神经网络展开的迭代算法。对基于低秩约束的能谱ct迭代重建算法进行神经网络展开，进一步提升整体能谱ct重建网络的特征提取能力。
技术实现思路
1、本专利技术目的在于提供一种基于低秩约束的能谱ct迭代展开重建系统，探索易于神经网络展开的能谱ct 重建算法，并对该算法进行神经网络展开，尤其是针对其中低秩约束的迭代算法直接进行神经网络展开，提高能谱ct重建网络在能谱图像之间进行特征融合的能力，进而改善能谱ct重建图像的成像质量。
2、实现本专利技术目的的技术方案：
3、一种基于低秩约束的能谱ct迭代展开重建系统，包括：
4、信息输入模块、能谱ct重建网络模块和信息输出模块；
5、在信息输入模块中，输入能谱投影数据和系统参数，采用原始-对偶方法求解基于低秩约束的ct重建问题，得到易于神经网络展开的能谱ct迭代重建算法；对该迭代重建算法的各计算步骤进行神经网络展开，得到迭代展开重建网络的子网络结构，能谱ct重建网络由多个结构相同的子网络构成，能谱投影数据依次通过各子网络，生成重建后的能谱ct断层图像，在信息输出模块中，输出重建后的能谱ct断层图像。
6、系统参数包括：探测器位置、尺寸和采样间隔，射线源位置，ct系统的旋转中心位置，投影数据个数及采集角度，重建模体的尺寸和采样间隔；射线源能级及能级个数；
7、进一步的，迭代重建算法计算步骤如下：
8、;
9、;
10、;
11、;
12、其中， 为投影数据，为稀疏变换， 为系统矩阵，为转置操作，、、、和为权重参数；、和为中间变量，初值均为0；
13、矩阵与变量相乘，表示对该变量进行正投影操作；矩阵与变量相乘，表示对该变量进行反投影操作。矩阵与变量相乘，表示对该变量进行稀疏变换；矩阵与变量相乘，表示对该变量进行稀疏变换的转置变换；
14、为待重建图像，初值为0；为基于奇异值分解的软阈值算子。通过对变量进行奇异值分解，的计算公式如下：
15、;
16、;
17、;
18、;
19、其中，对变量进行奇异值分解，计算得到变量、和。
20、进一步的，采用射线驱动方式实现正投影操作，采用像素驱动方法实现反投影操作。并根据正投影操作和反投影操作分别构造正投影网络层和反投影网络层，实现正投影操作和反投影操作。
21、进一步的，分别采用浅层卷积神经网络和实现迭代重建算法中的稀疏变换及其转置变换。
22、进一步的，构造浅层神经网络层实现软阈值算子的计算，网络的输入为。在该网络层中实现了奇异值分解算法的正向计算和梯度反馈的反向传播，通过深度学习从大数据中学习得到阈值的值。
23、进一步的，分别采用浅层卷积神经网络，，和替换上述各次迭代中变量的计算；
24、网络的输入为，和，输出为；
25、网络的输入为和，输出为；
26、网络的输入为，和，输出为；输出通过网络层，计算得到；
27、网络的输入为和，输出为；
28、最后一次迭代展开网络的输出为该能谱ct重建网络的重建结果，即重建后的能谱ct断层图像。
29、本专利技术具有的有益效果：
30、为了提高能谱ct重建图像的视觉质量，现有的能谱ct迭代重建算法利用低秩约束挖掘能谱数据之间的相关性。将低秩约束加入能谱ct重建问题，显著地增加了求解能谱ct重建问题的难度，从而增加了将能谱ct迭代重建算法展开为能谱ct迭代展开重建网络的困难。为了将基于低秩约束的能谱ct迭代重建算法展开成神经网络，采用了较多的近似计算得到易于神经网络的迭代重建算法，降低了所构造神经网络的性能。
31、采用原始-对偶算法求解基于低秩约束的能谱ct重建问题，得到易于神经网络展开的迭代重建算法；对能谱ct迭代重建算法的保真项和低秩约束进行神经网络展开，得到能谱ct重建网络。相比传统的神经网络构造方法，使用迭代展开方法构造神经网络，可以提高所构造神经网络的可解释性。
32、将低秩约束加入能谱ct重建问题中，以提升能谱数据之间的特征融合能力。将能谱ct迭代重建算法展开为能谱ct重建网络，特别是用神经网络实现低秩约束，可以更本文档来自技高网...
【技术保护点】
1.一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于，包括：
2.根据权利要求1中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：迭代重建算法计算步骤如下：
3.根据权利要求2中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：基于奇异值分解的软阈值算子的计算步骤如下：
4.根据权利要求2中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：采用射线驱动方式实现正投影操作，采用像素驱动方法实现反投影操作，并根据正投影操作和反投影操作分别构造正投影网络层和反投影网络层，实现正投影操作和反投影操作。
5.根据权利要求4中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：分别采用浅层卷积神经网络和实现迭代重建算法中的稀疏变换及其转置变换。
6.根据权利要求5中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：构造浅层神经网络层实现软阈值算子的计算，网络的输入为，通过深度学习从大数据中学习得到阈值的值。
7.根据权利要求6中所述的一种基于低秩约束的能谱
...【技术特征摘要】
1.一种基于低秩约束的能谱ct迭代展开重建系统，其特征在于，包括：
2.根据权利要求1中所述的一种基于低秩约束的能谱ct迭代展开重建系统，其特征在于：迭代重建算法计算步骤如下：
3.根据权利要求2中所述的一种基于低秩约束的能谱ct迭代展开重建系统，其特征在于：基于奇异值分解的软阈值算子的计算步骤如下：
4.根据权利要求2中所述的一种基于低秩约束的能谱ct迭代展开重建系统，其特征在于：采用射线驱动方式实现正投影操作，采用像素驱动方法实现反投影操作，并根据正投影操作和反投影操作分别构造正投影网络层和反投影网...
【专利技术属性】
技术研发人员：桂志国，蔡业余，张鹏程，刘祎，于雪莲，
申请(专利权)人：合肥吉麦智能装备有限公司，
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。