[发明专利]一种基于卷积神经网络的CT图像重建方法

权利要求书

1.一种基于卷积神经网络的CT图像重建方法，其特征在于：

包括如下步骤：

A1、对原始弦图数据I_K进行反投影操作，得到反投影图像数据I’_K；

A2、对反投影图像数据I’_K进行归一化处理，得到归一化反投影图像数据P_K；

A3、将归一化反投影图像P_K通过卷积神经网络进行卷积神经网络滤波，生成待处理图像P’_K；

A4、对待处理图像P’_K进行反归一化处理，得到最终的重建图像P_final；

步骤A1中反投影操作是通过CT扫描机对原始弦图数据I_K进行几何成像处理；

步骤A2中归一化处理的方法步骤如下：

T1、计算反投影图像数据I’_K的均值X_I’和方差S_I’；

T2、根据式(1)计算得出归一化反投影图像数据P_K：

P_K＝(I’_K-X_I’)/S_I’······式(1)；

步骤A4中的反归一化处理为步骤A2的逆操作，具体方法如下：

M1、计算反待处理图像P’_K的均值X_P’和方差S_P’；

M2、根据式(3)计算得出归一化反投影图像数据P_K：

P_final＝P’_K*S_P’+X_P’······式(3)。

2.根据权利要求1所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A3中滤波的具体操作如下：

设第s层卷积层有ns卷积核，第s层的输出特征图记为F^s，第s层的输入特征图记为F^s-1，输出特征图F^s的第i个通道记为F_i^s-1，输入特征图F^s-1的第j个通道记为F_j^s-1，其中，i＝1,2,...,ns，j＝1,2,...,ns，n为自然数；

卷积神经网络的输入记为F⁰，卷积神经网络中第s层卷积层输出F^s与输入F^s-1之间的关系如下：

式(2)中，δ(·)表示输入矩阵中元素的非线性激活函数，*表示二维卷积操作，为第s层卷积层中输出特征图第i个通道与输入特征图中第j个通道进行卷积的二维卷积核，为第s层卷积层中用于计算输出特征图第i个通道的偏置项，S表示卷积网络中的卷积层的数目，S为自然数。

3.根据权利要求2所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A3将步骤A2中得到的归一化反投影图像数据P_K作为卷积神经网络的输入F⁰。

4.根据权利要求3所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：所述非线性激活函数δ(·)为sigmoid函数，根据式(4)计算：

δ(x)＝1/(1+e^-x)，e为自然底数，······式(4)。

5.根据权利要求3所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：所述非线性激活函数δ(·)为双曲线正切函数，根据式(5)计算：

δ(x)＝(e^x-e^-x)/(e^x+e^-x)，其中e为自然底数，······式(5)。

6.根据权利要求3所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：所述非线性激活函数δ(·)为ReLU函数，根据式(6)计算：