[发明专利]一种基于X射线通量分布的CT重建方法及装置

说明书

本发明提出一种基于X射线通量分布的CT重建方法及装置，其中，方法包括：获取CT扫描后得到的探测器数据，通过负对数变换得到探测器数据对应的投影图；将投影图输入预设的神经网络，得到重建图像与通量一致性指标；如果通量一致性指标满足预设条件，则直接输出重建图像；如果通量一致性指标不满足所述预设条件，则以通量一致性指标为优化目标更新神经网络，直至通量一致性指标满足所述预设条件，再最终输出重建图像。本申请的方法提升了图像重建质量，并且相较传统迭代过程的极大减少了运算量和运算时间。

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于X射线通量分布的CT重建方法及装置。

背景技术

CT重建是根据CT扫描仪探测到的X射线计算得到被扫描物体的衰减系数分布的过程。CT作为重要的无损检测手段，在医学、安检、工业等诸多领域均有重要的应用。而无论是心脏CT快速成像，还是机场等重要交通节点的安检需要，都要求进一步提升CT成像速度。传统螺旋CT受限于滑环材料强度，速度提升遇到了瓶颈，而取消了滑环结构、用分布式光源的多个靶点交替出束来实现扫描过程的静态CT系统，以其扫描速度和可靠性的突出优势，被公认是新一代CT系统的最佳选择，对与其相配套的静态CT快速重建算法的需求也愈发迫切。

经典的CT重建方法包括解析重建和迭代重建两种，解析重建通常是基于对Radon变换及其逆变换所得到的闭式求解，因此依赖特定几何结构，而迭代算法则是基于系统矩阵求解最优化问题，故适应各种不同几何结构，且迭代方法可以通过引入额外的惩罚项，如全变分最小化，达到提升重建质量的目的。通常而言，解析算法速度更快，迭代算法重建质量更高，但速度相对较慢。由于静态CT系统的成像几何与传统螺旋轨道和圆轨道有很大不同，传统的解析算法并不适用，而迭代算法的速度又不适应于快速重建的需求。

近年来，随着人工神经网络及其训练技巧的发展，深度学习方法应用于CT重建显著提升了重建图像质量效果。数据驱动的训练过程使得深度学习可以根据训练数据自行提取几何结构的信息，具有与迭代算法相似的灵活性与更胜一筹的图像质量。而与此同时，网络前馈过程相较迭代算法通常较快。因此深度学习方法的应用可以兼得速度和图像质量的提升。虽然神经网络有着强大的潜力，但严重依赖丰富且高质量的训练数据集。一般所使用的监督学习需要配对的完备数据和不完备数据作为真值共同训练网络。而在大多数实际场景中，配对数据尤其是完备数据往往难以获得或获取成本高昂，从而阻碍了深度学习相关算法的实际应用。

针对以上问题，本专利提出了一种基于不完备数据的通量分布一致性约束自监督深度学习CT重建方法。本专利可以仅利用实际场景下易获得的不完备数据集进行网络训练与图像重建。该方法也同时兼容以有监督的方式通过配对数据来训练神经网络。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种基于X射线通量分布的CT重建方法，以实现提升图像重建质量，并且相较传统迭代过程的极大减少运算量和运算时间。

本发明的第二个目的在于提出一种基于X射线通量分布的CT重建装置。

本发明的第三个目的在于提出一种非临时性计算机可读存储介质。

为达上述目的，本发明第一方面实施例提出了一种基于X射线通量分布的CT重建方法，包括以下步骤：

S10、获取CT扫描后得到的探测器数据，通过负对数变换得到所述探测器数据对应的投影图；

S20、将所述投影图输入预设的神经网络，得到重建图像与通量一致性指标；

S30、如果所述通量一致性指标满足预设条件，则直接输出所述重建图像；

S40、如果所述通量一致性指标不满足所述预设条件，则以所述通量一致性指标为优化目标更新所述神经网络，直至所述通量一致性指标满足所述预设条件，再最终输出所述重建图像。