CN107481297A - 一种基于卷积神经网络的ct图像重建方法 - Google Patents

Abstract

一种基于卷积神经网络的CT图像重建方法，包括对原始弦图数据I_K进行反投影操作，得到反投影图像数据I’_K，对反投影图像数据I’_K进行归一化处理，得到归一化反投影图像数据P_K，将归一化反投影图像P_K通过卷积神经网络进行卷积神经网络滤波，生成待处理图像P’_K，对待处理图像P’_K进行反归一化处理，得到最终的重建图像P_final。不需要对图像滤波进行特别的设计，通过对卷积神经网络模型的训练自动完成图像滤波的学习，本发明重建方法操作简单，处理方便，能够在大幅度减少图像噪声和伪影，同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。

Description

一种基于卷积神经网络的CT图像重建方法

技术领域

本发明涉及医学影像的图像重建方法技术领域，特别是涉及一种基于卷积神经网络的CT图像重建方法。

背景技术

X射线CT已经广泛应用于临床医学影像诊断，但CT扫描中过高的X射线辐射剂量存在致癌风险。如何最大限度地降低X射线使用剂量已经成为医学CT成像领域研究的关键技术。

当前，降低CT扫描过程中的管电流和扫描时间是实现低剂量CT成像的最简便且常用的途径。然而，由于降低管电流和扫描时间，使得投影数据中含有大量的噪声，基于传统的滤波反投影方法重建的图像质量存在严重的退化现象，难以满足临床诊断需要。为了在保证图像质量的前提下大幅降低X射线辐射剂量，诸多基于降低管电流和扫描时间的低剂量CT图像重建方法相继提出，例如基于统计模型的迭代重建方法和基于投影数据滤波的解析重建方法。其中，基于统计模型的迭代重建方法，通过对采集的投影数据的噪声以及成像系统进行图像重建模型构建，可以实现低剂量CT图像优质重建；基于投影数据滤波的解析重建方法，同样通过对采集的投影数据的噪声以及成像系统进行数据滤波建模，再通过解析重建方法实现快速且优质的低剂量CT图像重建。

基于统计模型的迭代重建方法的缺点及导致原因：在重建同样大小的CT图像时，基于统计模型的迭代重建方法所花费的时间远远大于传统的解析重建方法，不能满足临床的所需要的CT实时显像要求，其原因在于基于统计模型的迭代重建方法，需要对目标函数进行几十甚至上百次的反复迭代求解，导致图像重建时间大幅增加。

基于投影数据滤波的解析重建方法的缺点及导致原因：传统的基于投影数据滤波的解析重建方法，在投影数据降噪过程中不可避免地会导致图像原有细节信息的丢失，从而导致相应CT图像分辨率的下降。。

因此，针对现有技术不足，提供一种基于卷积神经网络的CT图像重建方法以解决现有技术不足甚为必要。

发明内容

本发明的目的在于避免现有技术的不足之处而提供一种基于卷积神经网络的CT图像重建方法，该CT图像重建方法基于级联方式X射线CT图像重建方法，处理方法操作简单，处理方便，图像精度高。

本发明的上述目的通过如下技术手段实现。

提供一种基于卷积神经网络的CT图像重建方法，包括如下步骤：

A1、对原始弦图数据I_K进行反投影操作，得到反投影图像数据I’_K；

A2、对反投影图像数据I’_K进行归一化处理，得到归一化反投影图像数据P_K；

A3、将归一化反投影图像P_K通过卷积神经网络进行卷积神经网络滤波，生成待处理图像P’_K；

A4、对待处理图像P’_K进行反归一化处理，得到最终的重建图像P_final。

具体而言的，步骤A1中反投影操作是通过CT扫描机对原始弦图数据I_K进行几何成像处理。

优选的，步骤A2中归一化处理的方法步骤如下：

T1、计算反投影图像数据I’_K的均值X_I’和方差S_I’；

T2、根据式(1)计算得出归一化反投影图像数据P_K：

P_K＝(I’_K-X_I’)/S_I’······式(1)。

具体而言的，步骤A3中滤波的具体操作如下：

设第s层卷积层有ns卷积核，第s层的输出特征图记为F^s，第s层的输入特征图记为F^s-1，输出特征图F^s的第i个通道记为输入特征图F^s-1的第j个通道记为n为自然数；

卷积神经网络的输入记为F⁰，卷积神经网络中第s层卷积层输出F^s与输入F^s-1之间的关系如下：

式(2)中，δ(·)表示输入矩阵中元素的非线性激活函数，*表示二维卷积操作，为第s层卷积层中输出特征图第i个通道与输入特征图中第j个通道进行卷积的二维卷积核，为第s层卷积层中用于计算输出特征图第i个通道的偏置项，S表示卷积网络中的卷积层的数目，S为自然数。

进一步的，步骤A3将步骤A2中得到的归一化反投影图像数据P_K作为卷积神经网络的输入F⁰。

进一步的，步骤A4中的反归一化处理为步骤A2的逆操作。

优选的，步骤A4中的反归一化处理的具体方法如下：

M1、计算反待处理图像P’_K的均值X_P’和方差S_P’；

M2、根据式(3)计算得出归一化反投影图像数据P_K：

P_final＝P’_K*S_P’+X_P’······式(3)。

进一步的，所述非线性激活函数δ(·)为sigmoid函数，根据式(4)计算：

δ(x)＝1/(1+e^-x)，e为自然底数，······式(4)。

具体而言的，所述非线性激活函数δ(·)为双曲线正切函数，根据式(5)计算：

δ(x)＝(e^x-e^-x)/(e^x+e^-x)，其中e为自然底数，······式(5)。

优选的，所述非线性激活函数δ(·)为ReLU函数，根据式(6)计算：

本发明不需要对图像滤波进行特别的设计，通过对卷积神经网络模型的训练自动完成图像滤波的学习，本发明重建方法操作简单，处理方便，能够在大幅度减少图像噪声和伪影，同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。

附图说明

利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。

图1是本发明一种基于卷积神经网络的CT图像重建方法的操作流程示意图。

图2是图1卷积神经网络滤波中的卷积神经网络构架示意图。

图3为图1中部分操作的效果图。

具体实施方式

结合以下实施例对本发明作进一步描述。

实施例1。

如图1-3所示，一种基于卷积神经网络的CT图像重建方法，包括如下步骤：

A1、对原始弦图数据I_K进行反投影操作，得到反投影图像数据I’_K。

步骤A1中反投影操作具体是通过CT扫描机对原始弦图数据I_K进行几何成像处理。

A2、对反投影图像数据I’_K进行归一化处理，得到归一化反投影图像数据P_K。

步骤A2中归一化处理的方法步骤如下：

T1、计算反投影图像数据I’_K的均值X_I’和方差S_I’。

T2、根据式(1)计算得出归一化反投影图像数据P_K。

P_K＝(I’_K-X_I’)/S_I’······式(1)。

A3、将归一化反投影图像P_K通过卷积神经网络进行卷积神经网络滤波，生成待处理图像P’_K。

卷积神经网络具有多个卷积层，卷积神经网络的卷积层的输入和输出均称为特征图，卷积层的输入对应于输入特征图，卷积层的输出对应于输出特征图；每个特征图具有多个通道，通道数目取决于对应卷积层中的卷积核的数目。

步骤A3中滤波的具体操作如下：

设第s层卷积层有ns卷积核，第s层的输出特征图记为F^s，第s层的输入特征图记为F^s-1，输出特征图F^s的第i个通道记为输入特征图F^s-1的第j个通道记为n为自然数。

卷积神经网络的输入记为F⁰，卷积神经网络中第s层卷积层输出F^s与输入F^s-1之间的关系如下：

式(2)中，δ(·)表示输入矩阵中元素的非线性激活函数，*表示二维卷积操作，为第s层卷积层中输出特征图第i个通道与输入特征图中第j个通道进行卷积的二维卷积核，为第s层卷积层中用于计算输出特征图第i个通道的偏置项，S表示卷积网络中的卷积层的数目，S为自然数。

步骤A3将步骤A2中得到的归一化反投影图像数据P_K作为卷积神经网络的输入F⁰。

A4、对待处理图像P’_K进行反归一化处理，得到最终的重建图像P_final。

步骤A4中的反归一化处理为步骤A2的逆操作。

步骤A4中的反归一化处理的具体方法如下：

M1、计算反待处理图像P’_K的均值X_P’和方差S_P’。

M2、根据式(3)计算得出归一化反投影图像数据P_K。

P_final＝P’_K*S_P’+X_P’······式(3)。

本发明不需要对图像滤波进行特别的设计，通过对卷积神经网络模型的训练自动完成图像滤波的学习，本发明重建方法操作简单，处理方便，能够在大幅度减少图像噪声和伪影，同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。

实施例2。

一种基于卷积神经网络的CT图像重建方法，其它特征与实施例1相同，不同之处在于：非线性激活函数δ(·)为sigmoid函数，根据式(4)计算：

δ(x)＝1/(1+e^-x)，e为自然底数，······式(4)。

需要说明的是，非线性激活函数δ(·)可以根据卷积神经网络训练的目标函数和优化算法选取非线性激活函数的类型。

处理方法操作简单，处理方便，能够在大幅度减少图像噪声和和伪影的同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。

实施例3。

一种基于卷积神经网络的CT图像重建方法，其它特征与实施例1相同，不同之处在于：非线性激活函数δ(·)为双曲线正切函数，根据式(5)计算：

δ(x)＝(e^x-e^-x)/(e^x+e^-x)，其中e为自然底数，······式(5)。

需要说明的是，非线性激活函数δ(·)可以根据卷积神经网络训练的目标函数和优化算法选取非线性激活函数的类型。

处理方法操作简单，处理方便，能够在大幅度减少图像噪声和和伪影的同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。

实施例4。

一种基于卷积神经网络的CT图像重建方法，其它特征与实施例1相同，不同之处在于：非线性激活函数δ(·)为ReLU函数，根据式(6)计算：

需要说明的是，非线性激活函数δ(·)可以根据卷积神经网络训练的目标函数和优化算法选取非线性激活函数的类型。

处理方法操作简单，处理方便，能够在大幅度减少图像噪声和和伪影的同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (10)

1.一种基于卷积神经网络的CT图像重建方法，其特征在于：包括如下步骤：

A1、对原始弦图数据I_K进行反投影操作，得到反投影图像数据I’_K；

A2、对反投影图像数据I’_K进行归一化处理，得到归一化反投影图像数据P_K；

A3、将归一化反投影图像P_K通过卷积神经网络进行卷积神经网络滤波，生成待处理图像P’_K；

A4、对待处理图像P’_K进行反归一化处理，得到最终的重建图像P_final。

2.根据权利要求1所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A1中反投影操作是通过CT扫描机对原始弦图数据I_K进行几何成像处理。

3.根据权利要求2所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A2中归一化处理的方法步骤如下：

T1、计算反投影图像数据I’_K的均值X_I’和方差S_I’；

T2、根据式(1)计算得出归一化反投影图像数据P_K：

P_K＝(I’_K-X_I’)/S_I’······式(1)。

4.根据权利要求3所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A3中滤波的具体操作如下：

设第s层卷积层有ns卷积核，第s层的输出特征图记为F^s，第s层的输入特征图记为F^s-1，输出特征图F^s的第i个通道记为F_i ^s-1(i＝1,2,...,ns)，输入特征图F^s-1的第j个通道记为F_j ^{s -1}(j＝1,2,...,ns)，n为自然数；

卷积神经网络的输入记为F⁰，卷积神经网络中第s层卷积层输出F^s与输入F^s-1之间的关系如下：

式(2)中，δ(·)表示输入矩阵中元素的非线性激活函数，*表示二维卷积操作，为第s层卷积层中输出特征图第i个通道与输入特征图中第j个通道进行卷积的二维卷积核，为第s层卷积层中用于计算输出特征图第i个通道的偏置项，S表示卷积网络中的卷积层的数目，S为自然数。

5.根据权利要求4所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A3将步骤A2中得到的归一化反投影图像数据P_K作为卷积神经网络的输入F⁰。

6.根据权利要求5所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A4中的反归一化处理为步骤A2的逆操作。

7.根据权利要求6所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A4中的反归一化处理的具体方法如下：

M1、计算反待处理图像P’_K的均值X_P’和方差S_P’；

M2、根据式(3)计算得出归一化反投影图像数据P_K：

P_final＝P’_K*S_P’+X_P’······式(3)。

8.根据权利要求7所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：所述非线性激活函数δ(·)为sigmoid函数，根据式(4)计算：

δ(x)＝1/(1+e^-x)，e为自然底数，······式(4)。

9.根据权利要求7所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：所述非线性激活函数δ(·)为双曲线正切函数，根据式(5)计算：

δ(x)＝(e^x-e^-x)/(e^x+e^-x)，其中e为自然底数，······式(5)。

10.根据权利要求7所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：所述非线性激活函数δ(·)为ReLU函数，根据式(6)计算：