[发明专利]一种基于残差学习的CT稀疏重建伪影校正方法及系统

说明书

技术领域

本发明涉及医学图像处理技术领域，尤其涉及CT稀疏角度重建及后处理的方法。

背景技术

CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)、超声CT(UCT)以及γ射线CT(γ-CT)等。辐射剂量问题已成为CT领域亟待解决的热点问题，当前的研究主要集中在降低电流和减少投影数方面。降低电流的方法，虽然降低了X射线的辐射量，但同时引入了较多的统计噪声。为了去除低剂量CT中的统计噪声，L.L.Chen等人提出了使用改进的BM3D算法来提高图像的质量；而SayedMasoud Hashemi等人采用了NCRE的迭代方法减小低剂量CT中的噪声。减少投影数的方法可以减少CT中的大量辐射，但同时给图像带来了严重的伪影。

为了去除重建中的伪影，张绍庭、陈阳等人利用字典学习的方法稀疏重建,张瀚铭等人利用非局部的TV正则化稀疏重建,张俊峰等人利用伽玛正则化稀疏重建，在图像去伪影方面取得了良好的效果。此外，公告号为CN104899907B的发明专利，提出一种基于伽马先验的稀疏角度CT重建方法，通过对传统的迭代方法中TV先验进行改进，抑制稀疏角度下CT图像内的条状伪影，提高稀疏角度CT图像质量，使其达到符合临床医生诊断的质量水平。公布号为CN107016653A的发明专利申请，提供一种基于总曲率联合总变分的CT图像稀疏角度重建方法及装置，效率高，能够适应更少的采集数据并且提升重建图像质量。

由于数据噪声的存在和不理想的先验惩罚项的选取，使得当前基于TV正则化方法的重建结果存在梯形伪影和片状伪影。在临床诊断过程中，片状伪影会影响到诊断的误判和正确性。同时，TV的方法使用大量的迭代，重建速度很慢。而其他稀疏重建的方法都需要大量的正则化约束，且恢复出来的图像有较低的PSNR(峰值信噪比)和SSIM(结构相似度)值，仍然存在较严重的伪影。

发明内容

本发明所要解决的技术问题是：针对稀疏角度CT重建问题，提出了一种使用深度学习的CT重建伪影后处理方法，提高CT重建图像质量。

本发明为解决上述技术问题采用以下技术方案：

一种基于残差学习的CT稀疏重建伪影校正方法，包括：

步骤(1)通过滤波反投影FBP方法对CT产生的稀疏投影数据进行重建，得到带有伪影的稀疏重建图像；

步骤(2)通过建立基于残差学习的卷积神经网络结构对伪影的特征进行学习，得到伪影图；

步骤(3)通过稀疏重建图像与卷积神经网络学习的伪影图做残差，恢复出清晰的CT图像。

进一步，本发明的基于残差学习的CT稀疏重建伪影校正方法，步骤(1)中对CT产生的稀疏投影数据进行重建，目标函数表示为：

其中，f为稀疏重建图像，x代表最终清晰的CT图像，R(x)为正则化，λ表示正则化参数，N代表图像的大小，K代表滤波器的数量，h_k是第k个滤波器，ρ_k代表了第k个滤波器的惩罚项，在去伪影过程中*代表卷积运算。

进一步，本发明的基于残差学习的CT稀疏重建伪影校正方法，步骤(2)采用深度卷积神经网络结构来实现以下迭代求解的残差函数，以f为起点，α为步长的梯度下降法进行迭代学习，以实现对伪影的特征进行学习：

其中为h_k的共轭滤波器，ψ_k是ρ_k的导函数，r₁是对应于f和x的第一次迭代残差函数，ψ_k为卷积神经网络中的激活函数。

进一步，本发明的基于残差学习的CT稀疏重建伪影校正方法，以全投影重建图像和稀疏重建图像的残差，与网络训练得到的伪影图像的最小平方差作为损失函数来衡量步骤(3)恢复图像的质量，公式为：

其中代表了N个含有伪影的图像和恢复的清晰图像的图像对，μ(f_i；Θ)是卷积神经网络训练的结果，μ(·)随着网络的不断训练而更新。

进一步，本发明的基于残差学习的CT稀疏重建伪影校正方法，步骤(2)中所述基于残差学习的卷积神经网络结构是多尺度卷积神经网络结构，该网络的深度为D层，它有四种不同的网络层，分别如下：