[发明专利]基于全连接卷积神经网络的锥束CT几何伪影去除方法

说明书

本发明提供一种基于全连接卷积神经网络的锥束CT几何伪影去除方法。该方法包括：步骤1、在真实的实验数据中采集重建图像，将所述重建图像作为训练数据，所述重建图像包括：存在几何伪影的重建图像和无几何伪影的重建图像；步骤2、将所述训练数据输入设定的全连接卷积神经网络进行迭代训练，得到几何伪影校正网络模型；步骤3、将待去除几何伪影的重建图像输入所述几何伪影校正网络模型，得到去除几何伪影的新重建图像。本发明对图像域上的几何伪影去除具有较高的准确性和较广泛的适用性。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于全连接卷积神经网络的锥束CT几何伪影去除方法。

背景技术

X射线计算机断层成像(Computed Tomography，CT)是一种由物体的X射线投影来反求其衰减分布的技术，涵盖核物理、数学、计算机、精密仪器等多个学科。由于CT可以在非接触、不破坏的条件下得到物体内部的高精度三维结构信息，因此自Hounsfield成功研制第一台CT以来，CT已在无损检测、医学诊断、材料分析等领域得到广泛应用。CT系统由X射线源、探测器、精密机械和计算机等组成，工作流程包括数据采集、数据校正、图像重建及后续图像处理与分析等，其中图像重建是核心。CT图像重建需要准确的空间几何关系，但实际CT系统受机械加工和装配精度的影响，几何参数可能存在偏差。若采用不准确的几何参数进行图像重建，重建图像将受几何伪影的干扰。几何伪影表现为双结构、明显的不锐利边缘、点状物变得模糊或变成圆环等。几何伪影会降低CT的空间分辨率，因此几何校正是CT成像的首要问题。

特别是对于无损检测方面，X射线CT系统是一种不可替代的技术，它是以一种非侵入性的方式获取高分辨率的物体内部结构信息。目前，CT系统成像质量严重依赖于系统几何关系的稳定性，特别是在高分辨率的CT系统中。未校准几何参数的CT系统将严重降低重建的图像质量，包括图像分辨率的损失和价值细节信息丢失。不仅如此，随着CT技术在各领域的应用，成像的种类和条件需求得到了快速的延伸和发展，同时也突显出了有必要实现更智能化的数据处理方式的急迫性，即以最少的人工介入进行自动化的数据处理操作。实际上，在CT系统几何校正中实现更有效的智能化方法仍然是一个难点和研究重点。而深度学习的快速发展和应用为此提供了一种全新的思路。对于深度学习中常见的深度人工神经网络，如图9所示，在深层网络中有多层结构并具有层间连接的神经元。

近年来，作为深度学习中有效方法之一的卷积神经网络(CNN)被应用于许多领域，包括图像分类和特征识别等。CNN网络显示出了更好的自动化和可靠性。它可以从训练数据中学习数据之间的非线性映射关系，并可将不同的特征图像以类似人类视觉表现的方式进行识别区分。同时，CNN能够分析处理诸如CT系统几何伪影校正这类多维度的复杂问题。

CNN网络为CT系统的几何校正提供了一种更为智能的解决方式。最近几年，深度学习与几何伪影校正相结合的研究工作已经开展了初步的研究。例如2017年Yang等人利用一种分类卷积神经网络(CNN)实现了对CT重建图像中由于旋转中心偏移所导致的几何伪影与没有几何伪影图像的二分类。该方法可以高精度地对数据集中的正确结果进行分类提取。然而，该方法对于其他存在几何伪影的重建图像该如何进行校正没有具体的表现，而这些几何伪影重建图像的校正算法研究工作是非常有必要继续深入下去的。

发明内容

为解决现有技术中存在的上述不足，本发明提供一种基于全连接卷积神经网络的锥束CT几何伪影去除方法。

本发明提供的基于全连接卷积神经网络的锥束CT几何伪影去除方法，包括以下步骤：

步骤1、在真实的实验数据中采集重建图像，将所述重建图像作为训练数据，所述重建图像包括：存在几何伪影的重建图像和无几何伪影的重建图像；

步骤2、将所述训练数据输入设定的全连接卷积神经网络进行迭代训练，得到几何伪影校正网络模型；

步骤3、将待去除几何伪影的重建图像输入所述几何伪影校正网络模型，得到去除几何伪影的新重建图像。