一种基于深度学习的CT全链条智能重建方法技术

该基于深度学习的CT全链条智能重建方法，将原始测量数据经过训练后逐像素智能校正网络、训练后逐角度智能滤波网络和训练后反投影张量智能重建网络依次处理最终得到最终CT重建图像。本发明专利技术首先逐像素智能校正网络通过学习每个像素点的方差，能够对低剂量原始测量数据进行逐像素自适应高斯滤波。而且逐角度智能滤波网络通过学习每个投影角度的滤波核，能够对弦图数据进行逐角度自适应滤波。最后反投影张量智能重建网络通过学习反投影张量到目标图像的映射，能够在降低扫描剂量的同时保证图像质量。

【技术实现步骤摘要】

本专利技术涉及深度学习及计算机断层扫描，特别涉及一种基于深度学习的ct全链条智能重建方法。

技术介绍

1、计算机断层成像技术(ct)因具备非侵入性三维高分辨率成像能力被广泛应用于医学成像、安全检查、工业检测等重要领域。但是，医学ct成像过高的辐射剂量使得人们对x射线带来的潜在癌症风险担扰。在保证图像质量的前提下，尽可能低的辐射剂量原则成为大家共同追求的目标。降低扫描剂量不可避免在重建图像中引入严重的噪声伪影，进而影响临床诊断性能。因此，提高低剂量ct图像质量一直是医学成像领域研究的关键技术之一。

2、近年来，深度学习技术已广泛应用医学图像重建并取得了前所未有的成功。基于深度学习的低剂量ct数据重建算法已经被大量开发，通过数据驱动的方式学习ct重建管道中的关键模块来增强图像质量，包括弦图域网络、图像域网络和双域网络。其中，弦图域网络直接恢复受噪声影响的弦图数据，再通过滤波反投影重建ct图像；图像域网络属于图像后处理技术，通过学习低剂量图像到目标图像的非线性映射实现噪声的抑制；双域网络通过在弦图域和图像域之间构建可微的滤波反投影层，实现弦图子网络和本文档来自技高网...

【技术保护点】

1.一种基于深度学习的CT全链条智能重建方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的CT全链条智能重建方法，其特征在于：所述校正处理由式(1)至式(4)表示；

3.根据权利要求2所述的基于深度学习的CT全链条智能重建方法，其特征在于：所述负对数变换处理由式(5)表示；

4.根据权利要求3所述的基于深度学习的CT全链条智能重建方法，其特征在于：所述滤波处理由式(6)至式(9)表示；

5.根据权利要求4所述的基于深度学习的CT全链条智能重建方法，其特征在于：所述逐角度反投影处理由式(10)表示；</p>

6.根据...

【技术特征摘要】

1.一种基于深度学习的ct全链条智能重建方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的ct全链条智能重建方法，其特征在于：所述校正处理由式(1)至式(4)表示；

3.根据权利要求2所述的基于深度学习的ct全链条智能重建方法，其特征在于：所述负对数变换处理由式(5)表示；

4.根据权利要求3所述的基于深度学习的ct全链条智能重建方法，其特征在于：所述滤波处理由式(6)至式(9)表示；

5.根据权利要求4所述的基于深度学习的ct全链条智能重建方法，其特征在于：所述逐角度反投影处理由式(10)表示；

6.根据权利要求5所述的基于深度学习的ct全链条智能重建方法，其特征在于，所述角度方向排序处理为：将反投影张量数据在角度方向按照反投影张量数值由小到大进行排序，由式(11)表示；

7.根据权利要求6所述的基于深度学习的ct全链条智能重建方法，其特征在于：所述重建处理由式(12)表示；

8.根据权利要求1至7任意一项所述的基于深度学习的ct全链条智能重建方法，其特征在于：所述逐像素智...

【专利技术属性】
技术研发人员：马建华，蒙铭强，王永波，边兆英，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：