[发明专利]一种基于生成网络的CT超分辨重建方法、系统及装置

说明书

本发明公开了一种基于生成网络的CT超分辨重建方法、系统及装置，包括如下模块：采集模块：用于采集低分辨率的原始CT图像数据；预处理模块：用于对原始CT图像进行基于全变差的超分辨重建以得到初始值；超分辨重建模块：用于对初始值进行高分辨率重建。本发明采用参数微调的方法，在不使用大量数据集进行训练的前提下，将不适用于某一患者的CT重建网络调整成适应于此患者情况的网络，此过程仅利用该患者自身的低分辨率CT数据，无需相应的高分辨率CT数据作为标签，因此可以灵活应对医学数据中因人而异情况复杂的问题，具有极佳的泛化性。此发明的技术旨在重建出的图像空间分辨率高于实际获得的图像，同时确保高信噪比。

技术领域

本发明涉及医学成像技术领域，特别涉及一种基于生成网络的CT超分辨重建方法、系统及装置。

背景技术

计算机断层扫描(computed tomography ,CT)成像是用于筛查、诊断和基于图像引导干预治疗的最流行的医学成像方法之一。在此基础上，高分辨率的CT图像有利于提高放射学特征的真实性，更加准确的辅助医疗诊断。因此，超分辨重建在CT领域内获得了广泛关注。CT成像系统的图像分辨率受X-ray焦点大小、探测器元件间距、重建算法和其他因素的限制。虽然人体中的生理和病理单位约为10微米，但临床CT系统的平面内和平面间分辨率约为亚毫米或1毫米。尽管现代CT成像系统和可视化软件可以生成任意小的体素，但其固有分辨率仍然远低于在早期肿瘤表征和冠状动脉分析等重要应用中的理想分辨率。因此，非常需要以最小辐射剂量水平生成高分辨率CT图像。通常用于提高CT分辨率的方法多聚焦于硬件和计算。使用更复杂扫描精度更高的硬件组件可以提升CT的成像效果，但通常意味着昂贵的资金投入，还不得不在成像速度和辐射剂量上做出让步。而高辐射剂量水平会导致遗传损伤、增加患癌症疾病的风险。因此第二种基于计算的提高分辨率的方法更具实用性，即从低分辨率CT图像中获取高分辨率CT图像。并对患者不造成额外的伤害。

基于深度学习的超分辨重建技术通常是面向训练数据，而不是针对特定患者的，因此需要大量成对图像进行训练，其中低分辨率图像作为输入，对应的高分辨率图像为标签，但现实中很难获得令人满意的图像质量，且再次注射高辐射水平剂量来获得高分辨率的CT数据会对患者造成二次伤害。此外，超分辨重建模型通常包含大量需要在训练期间优化的参数。模型训练完成后，超分辨重建的上采样因子就固定了。由于图像分辨率在不同的扫描环境或患者中可能会有差别，因此不可能将训练好的深度模型应用于任意低分辨率的CT图像以获得所需的高分辨率结果，除此之外，来自不同人群的受试者的图像对比度可能有很大不同。因此，即使有实际可用且足够多的高分辨率训练数据集，目前面向训练数据的超分辨重建模型也不能保证完成训练后可以适用于全部患者的低质量CT超分辨重建任务。虽然目前没有一个系统可以完美适用于所有患者，但可以发明一种方法，在没有低分辨率CT与高分辨率CT一一对应的成对数据集的情况下对网络进行特定于某一患者的微调，仅使用该患者的低分辨率CT图像对网络进行训练，使其可以自适应特殊情况的要求。本发明便提出一种基于生成网络的技术执行CT超分辨重建的方法及系统，此技术有使用无成对数据集以及针对特定患者的特点。这种方法通过深度学习技术实现了高质量的超分辨重建，同时只需利用患者的低分辨率CT进行模型的训练，无需对应的高分辨率CT，消除了对训练数据集的依赖，进而允许为个体患者量身定制超分辨重建模型。

发明内容

本发明的目的在于提供一种基于生成网络的CT超分辨重建方法、系统及装置，以克服现有技术中的不足。

为实现上述目的，本发明提供如下技术方案：

本发明公开了一种基于生成网络的CT超分辨重建方法，包括以下步骤：

步骤1、采集原始CT图像数据并通过基于全变差的超分辨重建算法进行预处理，得到待重建的图像，将其与随机噪声结合输入生成网络，增强生成网络的鲁棒性；

步骤2、生成网络利用非线性生成函数对预处理得到的图像进行重建，得到高分辨率CT图像，并输入退化网络；