一种基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法技术

本发明专利技术属于太赫兹图像处理领域，公开了一种基于多域多尺度特征融合神经网络的极端稀疏角度太赫兹计算断层扫描(THz‑CT)重建方法，用于解决传统重建方法无法在极端稀疏采样视角下重建出清晰THz‑CT图像的难题，本发明专利技术的重建方法首先对太赫兹时域光谱采集得到的正弦图A进行稀疏采样得到正弦图B并制作掩模图C；接着输入到训练好的正弦域图像处理模型得到优化后的正弦图D；随后利用快速迭代收缩阈值算法(FISTA)将正弦图D初步重建为CT图像E；最后通过一个训练好的图像域处理模型对重建的CT图像进行优化得到高质量的CT图像。本发明专利技术的方法可实现对极端稀疏角度采样下THz‑CT图像进行重建，重建的CT图像能够保留丰富高频细节与边缘信息。

【技术实现步骤摘要】

本专利技术涉及一种thz-ct图像重建方法，具体涉及一种基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法。

技术介绍

1、thz-ct是一种基于太赫兹波的非接触成像技术。作为一种非电离辐射，太赫兹波的能力远低于x射线，因此不会对生物组织或工业材料造成电离损伤，特别适用于活体检测，能够在不损伤患者或样本的前提下安全进行成像。然而，thz-tds系统采用逐点扫描的方式对样品大面积进行扫描时，采样速度较慢，难以满足实时成像的需求。其中一种可以有效解决上述问题的方法就是减少thz-tds系统采样的视角数量，进行稀疏视角重建，但由于没有达到其重建所需的满角度时，其重建的图像会产生许多条纹伪影，并随着视角的减少，其产生的条纹伪影情况越严重。目前，被广泛应用于稀疏角度重建的算法有滤波反投影算法和代数重建算法，但随着投影角度的减少，两种算法在重建图像中会产生大量伪影和噪声，并伴随波束硬化效应，从而导致图像质量显著下降。而基于深度学习的重建算法，典型代表u-net能够同时捕捉图像的全局和局部信息，并在去除噪声的同时保持图像的细节和结构。但对于极端稀疏角度来说本文档来自技高网...

【技术保护点】

1.一种基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，在步骤(S3)中，正弦域图像处理模型的训练包括以下步骤：

3.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，在步骤(S5)中，图像域处理模型的训练包括以下步骤：

4.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度THz-CT重建方法，其特征在于，在步骤(S1)中，等间隔采集对应视角的...

【技术特征摘要】

1.一种基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s3)中，正弦域图像处理模型的训练包括以下步骤：

3.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s5)中，图像域处理模型的训练包括以下步骤：

4.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s1)中，等间隔采集对应视角的强度数据为thz-ct重建中所需满角度180个的1/5，即36个。

5.根据权利要求1所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，在步骤(s2)中，对图像集a再进行等间隔提取为thz-ct重建中所需满角度180个的1/15、1/20、1/30、1/60，即12、9、6、3个。

6.根据权利要求2所述的基于多域多尺度特征融合神经网络的极端稀疏角度thz-ct重建方法，其特征在于，正弦域图像重建网络将通道数分割为正弦域分支和傅里叶正弦域分支；首先将通道数为1的特征图经过两次通道扩展至128，然后放入正弦域图像重建网络，正弦域分支包括多层卷积层和通道空间注意力机制，其中卷积层为4个3×3卷积块组成；傅里叶正弦域分支采用快速傅里叶变换对...

【专利技术属性】
技术研发人员：邸江磊，方炯燊，豆嘉真，钟丽云，秦玉文，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：