[发明专利]应用于锥束CT稀疏采样的成像方法及装置

权利要求书

1.一种应用于锥束CT稀疏采样的成像方法，其中，包括：

确定多个当前成像目标；

通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据；以及

利用深度神经网络模型根据所述多个原始投影子数据进行对应多个当前成像目标中的每个当前成像目标的成像。

2.根据权利要求1所述的方法，其中，在确定多个当前成像目标中，包括：

获取成像需求数据；

根据成像需求数据确定所述多个当前成像目标。

3.根据权利要求1所述的方法，其中，在通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据之前，还包括：

按照原始采样位置顺序执行CT扫描检测，获取原始投影数据。

4.根据权利要求3所述的方法，其中，在通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据中，包括：

分析所述多个当前成像目标，确定所述多个当前成像目标中每个当前成像目标的对应当前采样率要求；

根据当前采样率要求对所述原始投影数据执行拆分，获取对应所述当前成像目标的原始投影子数据。

5.根据权利要求3所述的方法，其中，在所述利用深度神经网络模型根据所述多个原始投影子数据进行成像之前，还包括：

根据多个历史成像目标和对应的多个历史采样率要求，对历史投影数据执行分组，生成多个历史投影子数据；

根据所述多个历史子数据中的每个历史投影子数据构建对应每个历史成像目标的训练数据集；

基于建立的网络模型参数，利用所述训练数据集训练对应每个历史成像目标的所述深度神经网络模型。

6.根据权利要求5所述的方法，其中，在所述基于建立的网络模型参数，利用所述训练数据集训练对应每个历史成像目标的所述深度神经网络模型中，包括：

通过基网络、多个子网络和输出层建立所述深度神经模型的初始架构；

以所述网络模型参数对所述初始架构对应的深度神经网络模型进行初始化；

通过训练数据集对执行初始化的所述深度神经网络模型进行训练。

7.根据权利要求6所述的方法，其中，在所述通过训练数据集对执行初始化的所述深度神经网络模型进行训练中，包括：

当对所述深度神经网络模型的训练判定收敛时，完成所述训练过程；

其中，当所述训练数据集中的扩增投影图像与设定第一真值之间的误差小于预设第一阈值时，且当所述扩增投影图像与所述设定第二真值之间的平均结构相似性大于预设第二阈值时，判定所述深度神经网络模型的训练收敛。

8.根据权利要求5所述的方法，其中，在所述根据所述多个历史子数据中的每个历史投影子数据构建对应每个历史成像目标的训练数据集中，包括：

按照对应每个历史成像目标的历史采样率要求对所述历史投影子数据进行降采样处理，以确定降采样处理过程中的每两幅连续的历史投影图像以及位于所述两幅连续的历史投影图像之间的至少一个历史扩增投影图像；

将每两幅连续的历史投影图像和所述至少一个历史扩增投影图像作为真值输入所述深度神经网络模型，构成训练数据集。

9.根据权利要求1所述的方法，其中，在所述利用深度神经网络模型根据所述多个原始投影子数据执行对应多个当前成像目标中的每个当前成像目标的成像中，包括：

根据目标采样率要求，利用所述深度神经网络模型对所述原始投影子数据进行投影扩增，获取对应所述当前成像目标的当前扩增投影图像数据；

将所述当前扩增投影图像数据和所述原始投影子数据进行整合，生成当前密集投影图像数据；

对所述当前密集投影图像数据执行对应所述当前成像目标的三维重建，以完成成像。

10.一种应用于锥束CT稀疏采样的成像装置，其中，包括：

目标确定模块，用于确定多个当前成像目标；

数据拆分模块，用于通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据；以及

成像执行模块，用于利用深度神经网络模型根据所述多个原始投影子数据执行对应多个当前成像目标中的每个当前成像目标的成像。