System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及医学成像领域,尤其是金属植入物存在下的有限角度ct高质量重建问题,可用于ct成像系统。
技术介绍
1、计算机断层扫描(computed tomography,ct)是一种非侵入性成像技术,可以可视化物体的内部结构,已广泛应用于医疗诊断、安全检查和工业无损检测等领域。为了减少辐射剂量并降低癌症的风险和扫描时间,临床上通常采用有限角度ct(limited angle ct,lact)扫描方式获得测量数据,即扫描角度小于正常扫描角度。但是由于投影数据不完整,重建结果会产生严重的阴影伪影。对于金属植入物的患者,例如脊柱和牙科植入物,由于金属迹线中缺少额外的投影数据,将会在阴影伪影基础上产生新的条纹伪影,从而影响了后续的临床诊断和治疗。因此,如何在有限角度条件下为金属植入物患者重建高精度的ct图像是医学成像领域的一个重要问题。
2、目前,已经开发了许多用于lact重建的算法。这些可以分为以下几类:解析法、基于模型的迭代法、基于深度学习的方法。滤波反投影(filtered back projection,fbp)是一种常用的解析方法,在投影数据完整的条件下可以重建出高质量图像。但是当投影数据不完整时,重建结果会产生严重的阴影伪影。基于模型的迭代法是通过迭代最小化预定义的图像域正则化器和数据保真度项,从欠采样投影数据中重建图像,该方法通常是非常耗时的并且参数调整非常繁琐。根据利用域知识的不同,基于深度学习的方法主要分为三类:图像域方法、正弦域方法和双域方法。图像域网络把有限角度图像重建看作是图像恢复问题,直接去除伪影
技术实现思路
1、本专利技术需要解决的技术问题是提供一种卡通纹理字典网络的有限角度ct金属伪影校正方法,用于解决金属植入物存在下有限角度ct重建问题,通过交替迭代优化算法的结构充分利用卡通、纹理知识进行高精度伪影校正,将迭代过程展开为网络;根据卡通纹理分量的不同特征设计相应的卡通纹理网络,能够重建出图像的细节结构,提高了重建质量,实现高精度金属伪影校正,且本专利技术设计的卡通-纹理深度字典网络具有模型可解释性。
2、为解决上述技术问题,本专利技术所采用的技术方案是:一种卡通纹理字典网络的有限角度ct金属伪影校正方法,其特征在于:包括如下步骤:
3、步骤s1、模拟有限角度采样下金属影响的ct投影数据,即获得有限角度采样且含金属迹的正弦图,并对投影数据进行滤波反投影fbp操作,得到待重建的ct图像初始估计;
4、步骤s2、将待重建的ct图像进行分解,得到卡通分量和纹理分量图像;
5、步骤s3、建立基于卡通分量和纹理分量的优化模型;
6、步骤s4、对构建的优化模型进行交替迭代最小化求解,分别对卡通分量、纹理分量和ct图像进行迭代更新;
7、步骤s5、输出重建的高精度ct图像。
8、本专利技术技术方案的进一步改进在于:所述步骤s1中模拟有限角度ct数据采集,首先模拟x射线束对含金属植入物的待测物体进行扫描;其次探测器接收得到投影数据;规定全采样投影数据大小为360×641,其中360和641分别表示投影视图和探测器数目,即在0到360度之间均匀地采样360个投影视图;通过下采样的方式得到大小为120×641的有限角度含金属迹的投影数据,即有限角度为0到120度。
9、本专利技术技术方案的进一步改进在于:步骤s1中对下采样得到有限角度采样含金属迹的正弦图slama,通过fbp算法得到含大量伪影的ct图像xlama作为待重建ct图像的初始值,表示为xlama=fbp(slama)。
10、本专利技术技术方案的进一步改进在于:步骤s2中将待重建的ct图像x分解为卡通分量u和纹理分量v,即x=u+v,同时,使用综合稀疏表示将纹理分量建模为:其中,表示卷积滤波器,为稀疏特征图。
11、本专利技术技术方案的进一步改进在于:步骤s3中建立基于卡通分量和纹理分量的优化模型的过程为:
12、首先,建立lamar优化模型,公式如下:
13、
14、其中,*表示卷积操作,||·||1表示l1范数,λ1和λ2表示权衡参数,紧框架w满足紧属性e为单位向量,通过交错稀疏特征图来构建全局表示系数向量
15、其次,设计一个由局部字典dl∈rn×m的n个移位构成的全局卷积字典其中局部字典dl的列向量为则基于卡通分量和纹理分量的优化模型为:
16、
17、本专利技术技术方案的进一步改进在于:步骤s4利用交替迭代方法来求解构建的优化模型:
18、
19、
20、在第t次迭代时,u、dc和α交替更新如下:
21、更新u,给定噪声图像经过紧框架滤波后的图像可表示为:
22、
23、其中,soft(u,ε)=sign(u)max(|u|-ε,0)表示软阈值函数,利用一种深度阈值网络dtn从噪声图像中自适应学习阈值,即f(·)表示提出的dtn,
24、更新α,dc,式<4>可以通过迭代求解表示系数α和卷积字典dc两个子问题来解决;使用邻近梯度下降算子更新表示系数α,第k+1次迭代为:
25、
26、其中,ζk表示阈值;l是卷积字典dc(k)的最大特征值;使用ak和bk来参数化k个邻近梯度下降算子来构建深度字典网络,其中ak和bk分别为可学习的解析和综合卷积算子:
27、
28、则:
29、
30、其中使用dtn网络从中自适应学习阈值;卷积字典dct在训练阶段通过反向传播进行学习,
31、更新x:
32、xt=ut+vt &l本文档来自技高网...
【技术保护点】
1.一种卡通纹理字典网络的有限角度CT金属伪影校正方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法,其特征在于:所述步骤S1中模拟有限角度CT数据采集,首先模拟X射线束对含金属植入物的待测物体进行扫描;其次探测器接收得到投影数据;规定全采样投影数据大小为360×641,其中360和641分别表示投影视图和探测器数目,即在0到360度之间均匀地采样360个投影视图;通过下采样的方式得到大小为120×641的有限角度含金属迹的投影数据,即有限角度为0到120度。
3.根据权利要求2所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法,其特征在于:步骤S1中对下采样得到有限角度采样含金属迹的正弦图slama,通过FBP算法得到含大量伪影的CT图像xlama作为待重建CT图像的初始值,表示为xlama=FBP(slama)。
4.根据权利要求1所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法,其特征在于:步骤S2中将待重建的CT图像x分解为卡通分量u和纹理分量v,即x=u+v,同时
5.根据权利要求1所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法,其特征在于:步骤S3中建立基于卡通分量和纹理分量的优化模型的过程为:
6.根据权利要5所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法,其特征在于:步骤S4利用交替迭代方法来求解构建的优化模型:
7.根据权利要5所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法,其特征在于:使用图像损失和卡通分量损失以及纹理分量损失来约束输出结果,损失函数为:
8.根据权利要求5所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法,其特征在于:步骤S4中利用交替迭代算法对优化模型进行求解,并将迭代过程展开成为深度神经网络,深度展开网络由T个阶段组成,对应于迭代算法的T次迭代,每个阶段均包含U-Net和V-Net,U-Net由具有自适应阈值的紧标架构成,V-Net采用深度字典网络架构;其中x0=xlama,ut和vt分别基于式<5>和<8>由U-Net与V-Net更新,xt由式<9>更新。
...【技术特征摘要】
1.一种卡通纹理字典网络的有限角度ct金属伪影校正方法,其特征在于:包括如下步骤:
2.根据权利要求1所述的一种卡通纹理字典网络的有限角度ct金属伪影校正方法,其特征在于:所述步骤s1中模拟有限角度ct数据采集,首先模拟x射线束对含金属植入物的待测物体进行扫描;其次探测器接收得到投影数据;规定全采样投影数据大小为360×641,其中360和641分别表示投影视图和探测器数目,即在0到360度之间均匀地采样360个投影视图;通过下采样的方式得到大小为120×641的有限角度含金属迹的投影数据,即有限角度为0到120度。
3.根据权利要求2所述的一种卡通纹理字典网络的有限角度ct金属伪影校正方法,其特征在于:步骤s1中对下采样得到有限角度采样含金属迹的正弦图slama,通过fbp算法得到含大量伪影的ct图像xlama作为待重建ct图像的初始值,表示为xlama=fbp(slama)。
4.根据权利要求1所述的一种卡通纹理字典网络的有限角度ct金属伪影校正方法,其特征在于:步骤s2中将待重建的ct图像x分解为卡通分量u和纹理分量v,即x=u+v,同时,使用综合稀疏表示将...
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。