[发明专利]一种基于卷积神经网络的CT图像重建方法

说明书

一种基于卷积神经网络的CT图像重建方法，包括对原始弦图数据I_K进行反投影操作，得到反投影图像数据I’_K，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，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，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。不需要对图像滤波进行特别的设计，通过对卷积神经网络模型的训练自动完成图像滤波的学习，本发明重建方法操作简单，处理方便，能够在大幅度减少图像噪声和伪影，同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。

技术领域

本发明涉及医学影像的图像重建方法技术领域，特别是涉及一种基于卷积神经网络的CT图像重建方法。

背景技术

X射线CT已经广泛应用于临床医学影像诊断，但CT扫描中过高的X射线辐射剂量存在致癌风险。如何最大限度地降低X射线使用剂量已经成为医学CT成像领域研究的关键技术。

当前，降低CT扫描过程中的管电流和扫描时间是实现低剂量CT成像的最简便且常用的途径。然而，由于降低管电流和扫描时间，使得投影数据中含有大量的噪声，基于传统的滤波反投影方法重建的图像质量存在严重的退化现象，难以满足临床诊断需要。为了在保证图像质量的前提下大幅降低X射线辐射剂量，诸多基于降低管电流和扫描时间的低剂量CT图像重建方法相继提出，例如基于统计模型的迭代重建方法和基于投影数据滤波的解析重建方法。其中，基于统计模型的迭代重建方法，通过对采集的投影数据的噪声以及成像系统进行图像重建模型构建，可以实现低剂量CT图像优质重建；基于投影数据滤波的解析重建方法，同样通过对采集的投影数据的噪声以及成像系统进行数据滤波建模，再通过解析重建方法实现快速且优质的低剂量CT图像重建。

基于统计模型的迭代重建方法的缺点及导致原因：在重建同样大小的CT图像时，基于统计模型的迭代重建方法所花费的时间远远大于传统的解析重建方法，不能满足临床的所需要的CT实时显像要求，其原因在于基于统计模型的迭代重建方法，需要对目标函数进行几十甚至上百次的反复迭代求解，导致图像重建时间大幅增加。

基于投影数据滤波的解析重建方法的缺点及导致原因：传统的基于投影数据滤波的解析重建方法，在投影数据降噪过程中不可避免地会导致图像原有细节信息的丢失，从而导致相应CT图像分辨率的下降。。

因此，针对现有技术不足，提供一种基于卷积神经网络的CT图像重建方法以解决现有技术不足甚为必要。

发明内容

本发明的目的在于避免现有技术的不足之处而提供一种基于卷积神经网络的CT图像重建方法，该CT图像重建方法基于级联方式X射线CT图像重建方法，处理方法操作简单，处理方便，图像精度高。

本发明的上述目的通过如下技术手段实现。

提供一种基于卷积神经网络的CT图像重建方法，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。

具体而言的，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。