CN109509235A - Ct图像的重建方法、装置、设备及存储介质 - Google Patents

Ct图像的重建方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN109509235A
CN109509235A CN201811339110.5A CN201811339110A CN109509235A CN 109509235 A CN109509235 A CN 109509235A CN 201811339110 A CN201811339110 A CN 201811339110A CN 109509235 A CN109509235 A CN 109509235A
Authority
CN
China
Prior art keywords
image
back projection
projection
blending
obtains
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201811339110.5A
Other languages
English (en)
Other versions
CN109509235B (zh
Inventor
张其阳
葛永帅
梁栋
胡战利
蒋昌辉
洪序达
石伟
郑海荣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201811339110.5A priority Critical patent/CN109509235B/zh
Priority to PCT/CN2019/070569 priority patent/WO2020098134A1/zh
Publication of CN109509235A publication Critical patent/CN109509235A/zh
Application granted granted Critical
Publication of CN109509235B publication Critical patent/CN109509235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种CT图像的重建方法、装置、终端及存储介质。该方法包括：将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像；对各所述反投影图像进行融合，得到融合图像；通过深度卷积神经网络对所述融合图像进行重建，得到CT重建图像。通过上述技术方案，可以实现快速重建出弱伪影、低噪声的高质量CT图像。

Description

CT图像的重建方法、装置、设备及存储介质
技术领域
本发明实施例涉及CT图像技术领域，尤其涉及CT图像的重建方法、装置、设备及存储介质。
背景技术
X射线计算机断层成像技术(CT技术)在很多领域都具有重要的应用，如用于诊断和治疗的医学成像领域、安全检查领域、工业无损检测领域、质量检测控制领域等。CT技术利用X射线与物质相互作用的原理，对待检部位一定厚度的层面进行扫描，由探测器接收透过该层面的X射线，转变为电信号，再经模拟/数字转换器转换为数字信号(投影数据)，输入计算机，从而得到待检部位的内部信息。在实际应用中，需要将所得到的投影数据转换为由黑到白不等灰度值的小方块，即像素，这些像素反映了对X射线的吸收程度，并按矩阵排列，从而恢复出较为直观和真实的图像，即CT图像的重建。
现有的CT图像重建方法可以分为两类：解析法与迭代法。迭代法的不足是本次迭代需要上次计算的数据，所以算法上不能进行并行化处理，非常耗时；另外迭代法虽然可以某种程度上去除噪声，但是会改变噪声功率谱，导致最终图像观看不真实。解析法的核心是对投影数据进行滤波处理，然后对滤波后的数据进行反投影重建，其对正弦图数据中的噪声非常敏感，由于先对正弦图进行滤波操作，此滤波器属高通滤波器，会放大噪声信号，从而对后面反投影步骤产生影响，导致最终重建断层图像噪声较大。除此之外，现有的CT图像的重建方法在少角度扫描的情况下直接进行解析重建，会存在严重的伪影。
发明内容
本发明提供了一种CT图像的重建方法、装置、设备及存储介质，以解决现有技术重建CT图像的耗时长、高噪声、少角度扫描情况下伪影严重的问题，实现快速重建出弱伪影、低噪声的高质量CT图像。
第一方面，本发明实施例提供了一种CT图像的重建方法，包括：
将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像；
对各所述反投影图像进行融合，得到融合图像；
通过深度卷积神经网络对所述融合图像进行重建，得到CT重建图像。
进一步的，所述对各所述反投影图像进行融合，包括：
当全角度采集获得投影数据时，采用等权重加和策略对各所述反投影图像进行融合；
所述采用等权重加和策略对所述反投影图像进行融合，包括：
根据公式对所述反投影图像进行融合，其中，H为融合图像，R为融合算子，Gi为对应于角度i的反投影图像，i∈[1°,360°]，N为反投影图像的总数量。
进一步的，所述对各所述反投影图像进行融合包括：
当少角度采集获得投影数据时，组合各所述反投影图像构成第一特征图像组；
将所述第一特征图像组作为所述融合图像。
进一步的，所述对各所述反投影图像进行融合包括：
当全角度采集获得投影数据时，将投影数据对应的反投影域划分为设定量的子反投影域；
对各所述子反投影域中的反投影图像进行等权重加和，获得所述设定量的加和图像；
组合各所述加和图像，构成第二特征图像组，并将所述第二特征图像组作为所述融合图像。
进一步的，所述深度卷积神经网络包括降采样部分、全连接层和升采样部分，所述降采样部分通过所述全连接层与所述升采样部分连接。
进一步的，所述通过深度卷积神经网络对所述融合图像进行重建，得到CT重建图像，包括：
通过所述降采样部分对所述融合图像进行多级降采样，得到第一中间图像；
将所述第一中间图像通过全连接层，得到第二中间图像；
通过所述升采样部分对所述第二中间图像进行多级升采样，获得CT重建图像。
进一步的，所述通过所述降采样部分对所述融合图像进行多级降采样，得到第一中间图像，包括：
通过第一设定量的第一卷积模块对所述融合图像进行多级降采样，其中，起始的第一卷积模块的输入图像和输出图像的尺寸与所述融合图像相同，其余第一卷积模块采用步长为2进行降采样。
进一步的，所述对所述第二中间图像进行多级升采样，获得CT重建图像，包括：
通过第二设定量的第二卷积模块对所述第二中间图像进行多级升采样，其中，末尾的第二卷积模块的输入图像和输出图像的尺寸与所述融合图像相同，其余的卷积模块采用步长为2进行升采样。
第二方面，本发明实施例提供了一种CT图像的重建装置，包括：
反投影图像生成模块，用于将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像；
反投影图像融合模块，用于对各所述反投影图像进行融合，得到融合图像；
CT图像重建模块，用于通过深度卷积神经网络对所述融合图像进行重建，得到CT重建图像。
第三方面，本发明实施例提供了一种设备，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的CT图像的重建方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如第一方面所述的CT图像的重建方法。
本发明实施例提供了一种CT图像的重建方法、装置、终端及存储介质。该方法通过将投影数据变换到反投影域，得到对应的反投影图像，避免了对投影数据进行滤波操作，从而避免了放大噪声信号；通过对各反投影图像进行融合，得到融合图像并送入深度卷积神经网络，避免了归一化操作，使深度卷积神经网络直接针对反投影图像的数据信息进行处理，保证了深度卷积神经网络功能的稳定性；通过深度卷积神经网络对融合图像进行重建，得到CT重建图像，可以实现对各个角度下的反投影图像进行并行化处理，从而解决了现有技术重建CT图像的耗时长、高噪声、少角度扫描情况下伪影严重的问题，实现快速重建出弱伪影、低噪声的高质量CT图像。
附图说明
图1为本发明实施例一提供的CT图像的重建方法的流程示意图；
图2为本发明实施例一提供的反投影变换的示意图；
图3为本发明实施例二提供的少角度采集情况下将融合图像输入深度卷积神经网络的示意图；
图4为本发明实施例三提供的一种CT图像的重建方法的流程示意图；
图5为本发明实施例三提供的深度卷积神经网络的结构示意图。
图6为本发明实施例三提供的卷积操作的示意图；
图7为本发明实施例四提供的全角度采集情况下所形成融合图像基于深度卷积神经网络进行CT图像重建的示意图；
图8为本发明实施例四提供的少角度采集情况下所形成融合图像基于深度卷积神经网络进行CT图像重建的示意图；
图9为本发明实施例五提供的一种CT图像的重建装置的结构示意图；
图10为本发明实施例六提供的一种设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种CT图像的重建方法的流程示意图。本实施例可适用于利用投影数据对CT图像进行重建的情况。具体的，该CT图像的重建方法可以由CT图像的重建装置执行，该CT图像的重建装置可以通过软件和/或硬件的方式实现，并集成在设备中，该设备包括但不限定于CT成像仪器、台式计算机和网络设备等可对CT图像进行重建的电子设备。
参考图1，该方法具体包括如下步骤：
S110、将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像。
具体的，在利用CT技术成像时，由X射线探测器采集到的原始数据为二维数据，其中一维为采集角度，另一维为探测器单元读数，即投影数据。投影数据的图像随采集角度的变化呈现出近似正弦的形状，因此投影数据的图像也称为“正弦图(Sinogram)”。将投影数据变换到反投影域，是一种与投影相反的操作，在原投影路径上，把当前投影值均匀的回抹，即可得到反投影图像，其中，反投影域是指所有反投影图像构成的域。
图2为本发明实施例一中的反投影变换的示意图。本实施例以在45个角度(1°-45°)下采集到的投影数据为例进行说明。参考图2，各个角度下的投影数据按照顺序排列起来可以构成正弦图，将其中1°、15°、30°以及45°下的投影数据进行反投影变换，可得到对应的反投影图像(如箭头所示)。
通过将投影图像变换到反投影域，得到对应的反投影图像，便于在CT图像重建的过程中，对反投影图像的组合方式进行设定和优化，并且避免了对投影数据进行滤波操作，从而避免了放大噪声信号。
S120、对各反投影图像进行融合，得到融合图像。
具体的，对各反投影图像进行融合，是按照一定的数学操作，将各反投影图像包含的信息综合在一起，从而最大限度的提取各反投影图像中的特征信息，组合为高质量的融合图像。其中，对各反投影图像进行融合的数学操作可以表示为：
其中，R为融合算子，i为采集角度，N为采集角度的总个数，Gi为角度i对应的反投影图像。通过设置融合算子R对各反投影图像Gi进行融合，融合算子R有多种，不同的融合算子R代表不同的融合方式，例如等权重加和、加权平均、局部求方差等，在实际应用中，融合算子R可根据不同的实际需求进行设置。
通过对变换到反投影域的各反投影图像进行一定的图像融合操作，可以综合提取各反投影图像的特征信息，防止图像特征单一化，从而提高CT图像重建的准确性。
S130、通过深度卷积神经网络对融合图像进行重建，得到CT重建图像。
具体的，深度卷积神经网络(Convolutional Neural Network,CNN)是一种深度的前馈人工神经网络，利用人工神经元响应一部分覆盖范围内的周围单元，能够提取出原始输入图像的有效特征。经过极少的预处理，以及大量的标准数据训练，深度卷积神经网络可以直接从原始输入图像中学习到图像处理的规律，在实际应用时，只需输入目标图像，深度卷积神经网络即可根据已学习到的规律，实现对图像的处理。
通过深度卷积神经网络对融合图像进行重建，可以避免对融合图像复杂的前期预处理，直接输入得到的融合图像，深度卷积神经网络便可通过多次的训练和学习，进行高效的特征提取，完成CT图像的重建，即便是对于采集角度不全面的投影数据，也可先通过反投影变换和一定的融合操作得到融合图像，然后利用深度卷积神经网络对融合图像进行特征提取，进而实现CT图像的重建。
需要说明的是，深度卷积神经网络已经预先训练完成，在进行CT图像的重建时可直接部署和应用，因此整个重建过程非常迅速。
本实施例提供的CT图像的重建方法，通过将投影数据变换到反投影域，得到对应的反投影图像，避免了对投影数据进行滤波操作，从而避免了放大噪声信号；通过对各反投影图像进行融合，得到融合图像并送入深度卷积神经网络，避免了归一化操作，使深度卷积神经网络直接针对反投影图像的数据信息进行处理，保证了深度卷积神经网络功能的稳定性；通过深度卷积神经网络对融合图像进行重建，得到CT重建图像，可以实现对各个角度下的反投影图像进行并行化处理，从而解决了现有技术重建CT图像的耗时长、高噪声、少角度扫描情况下伪影严重的问题，实现快速重建出弱伪影、低噪声的高质量CT图像。
实施例二
在上述实施例的基础上，本实施例对步骤S120所述的“对各反投影图像进行融合，得到融合图像”进行了优化，将对各反投影图像进行融合具体优化为以下三种方案。
方案一、当全角度采集获得投影数据时，采用等权重加和策略对各反投影图像进行融合；
所述采用等权重加和策略对反投影图像进行融合，包括：
根据公式对反投影图像进行融合，其中，H为融合图像，R为融合算子，Gi为对应于角度i的反投影图像，i∈[1°,360°]，N为反投影图像的总数量。
具体的，全角度采集指的是CT扫描一周(360°)后采集到了360个投影数据，即每旋转1°度采集一次投影数据。在实际应用中，也有CT扫描一周采集720个投影的情况，只要扫描一周采集到的投影数据足够多，不会产生明显的伪影，即可认为是全角度采集。
当全角度采集获得投影数据时，采用等权重加和策略，根据公式对反投影图像进行融合。本实施例以采集360个投影数据作为全角度采集的情况进行说明，即i∈[1°,360°]，i＝1,2,3,…,N，N为反投影图像的总数量，也即投影数据的总数量，在全角度采集的情况下，N＝360，Gi为对应于角度i的反投影图像，H为融合图像，R为融合算子，则融合图像H是由各反投影图像Gi等权重加和得到的。将各反投影图像进行等权重加和，是指将反投影图像中各点所对应的像素值进行等权重加和，加和后的各像素值为一个单幅图像，此单幅图像即为融合图像H。
方案二、当少角度采集获得投影数据时，组合各反投影图像构成第一特征图像组；
将第一特征图像组作为融合图像。
具体的，少角度采集指的是CT扫描一周(360°)后采集的投影数据不足360个，通常此种情况下，直接对投影数据进行解析重建会存在严重的伪影。当少角度采集获得投影数据时，对各反投影图像进行融合具体指将各反投影图像进行组合，构成一个图像组，其中，各反投影图像由对应的投影数据在反投影域中变换得到，如CT扫描一周后采集到了45个投影数据，则将45个投影数据变换到反投影域，得到45个反投影图像，这45个反投影图像组合构成第一特征图像组，第一特征图像组即为融合图像。
图3为本实施例中少角度采集情况下将融合图像输入深度卷积神经网络的示意图。参考图3，在少角度采集的情况下，对各反投影图像进行融合实质上仅仅是将多个反投影图像划分为第一特征图像组的操作，并未对反投影图像的像素值进行加和等数学处理，将第一特征图像组作为融合图像输入至深度卷积神经网络后，由深度卷积神经网络对其进行进一步的处理并实现CT图像的重建。
需要说明的是，输入深度卷积神经网络的融合图像包含了N个反投影图像Gi，(i＝1,2,3,…,N)，各反投影图像Gi作为深度卷积神经网络输入层的第i个特征图像，深度卷积神经网络在对N个特征图像进行处理的过程中会自动完成所期望的非线性融合。
方案三、当全角度采集获得投影数据时，将投影数据对应的反投影域划分为设定量的子反投影域；
对各子反投影域中的反投影图像进行等权重加和，获得设定量的加和图像；
组合各加和图像，构成第二特征图像组，并将第二特征图像组作为融合图像。
当全角度采集获得投影数据时，为了进一步对反投影图像提取丰富的特征信息，提高CT图像重建的准确性，除了利用方案一中所述的等权重加和策略对反投影图像进行融合以外，也可将方案一和方案二组合起来对反投影图像进行融合，即利用深度卷积神经网络实现对全角度采集情况下的反投影图像进行非线性融合。
具体的，当全角度采集获得投影数据时，将投影数据对应的反投影域划分为设定量的子反投影域。反投影域中包含了各个角度下的投影数据所对应的反投影图像，将这些反投影图像进行分组，即为将反投影域划分为子反投影域的过程。假设将反投影域划分为K个子反投影域，各子反投影域中都包含了相同数量的反投影图像，分别将各子反投影域内的反投影图像进行等权重加和，则每个子反投影域都对应于一个加和图像，即获得了设定量的加和图像。对各子反投影域中的反投影图像进行等权重加和的公式如下：
其中，Pk为第k个子反投影域获得的加和图像，N为反投影图像的总数量，K为子反投影域的个数，则为每个子反投影域中包含的反投影图像的数量。mk为第k个子反投影域中包括的第一个角度，为第k个子反投影域中包括的最后一个角度，则第k个子反投影域获得的加和图像Pk实质为：该子反投影域中从角度mk至角度所对应的反投影图像的加和。
为了便于理解上述公式，本实施例通过具体实例进行说明。设定在全角度采集的情况下，共采集到360个投影数据，即N＝360，反投影域中包括了360个反投影图像Gi，(i＝1,2,3,…,360)，将360个反投影图像分为45个子集，即将反投影域被划分为45个子反投影域，则每个反投影域中包含连续8个角度的反投影图像。然后分别对每个子反投影域中的8个反投影图像进行等权重加和，即可得到45个加和图像。例如，当k＝1时，第一个子反投影域的加和图像即为1°至8°对应的反投影图像的加和；当k＝2时，第二个子反投影域的加和图像即为9°至17°对应的反投影图像的加和；以此类推，当k＝45时，最后一个子反投影域的加和图像即为353°至360°对应的反投影图像的加和，从而获得45个加和图像，将各加和图像组合构成第二特征图像组。第二特征图像组作为融合图像输入至深度卷积神经网络，由深度卷积神经网络对融合图像进行进一步的处理并实现CT图像的重建。
进一步的，由于深度卷积神经网络已经预先通过了大规模的训练，因此，无论是对于单幅图像构成的融合图像，还是对于第一特征图像组或第二特征图像组构成的融合图像，深度卷积神经网络都已经学习到将其重建的规律，因此本实施例对于全角度采集、少角度采集的不同情况，都可实现快速重建出高质量的CT图像。
本实施例将对各反投影图像的融合优化为不同的方案，当全角度采集获得投影数据时，采用等权重加和策略对各反投影图像进行融合；当少角度采集获得投影数据时，将第一特征图像组作为融合图像；当全角度采集获得投影数据时，将第二特征图像组作为融合图像。通过上述技术方案，提供了多种图像融合的方式，可针对全角度采集和少角度采集的不同情况分别对反投影图像进行融合，从而全面地融合图像的特征信息；并且对于不同情况下获得的融合图像，深度卷积神经网络都可实现快速重建出高质量的CT图像。
实施例三
图4为本发明实施例三提供的一种CT图像的重建方法的流程示意图。本实施例在上述实施例基础上进行优化，对深度卷积神经网络的结构进行了具体描述，并对步骤S130所述的“通过深度卷积神经网络对融合图像进行重建，得到CT重建图像”进行了优化。
如图4所示，本实施例提供的CT图像的重建方法，具体包括如下操作：
S310、将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像。
S320、对各反投影图像进行融合，得到融合图像。
需要说明的是，未在本实施例中详细描述的技术细节可参见上述任意实施例。
具体的，在对投影数据进行反投影变换得到对应的反投影图像之后，对各反投影图像进行融合，得到了融合图像，然后将融合图像输入至深度卷积神经网络以进行CT图像的重建。
图5为本发明实施例三中的深度卷积神经网络的结构示意图。参照图5，深度卷积神经网络包括降采样部分、全连接层和升采样部分，降采样部分通过全连接层与升采样部分连接。
进一步的，通过深度卷积神经网络对图像进行采样，是指利用卷积核对输入图像进行卷积处理，使其尺寸发生改变，以得到新的特征图像。其中，卷积核的权重在训练过程中可以逐步得到优化，当训练完成后，卷积核可用于提取输入图像的高维特征。对图像进行采样后，图像的维数会发生改变。当采样图像的维数小于原图像的维数时，称为降采样；当采样图像的维数大于原图像的维数时，称为升采样。深度卷积神经网络的降采样部分与升采样部分之间通过全连接层连接。采用降采样与升采样结合的深度卷积神经网络，可以在保持图像分辨率不丢失的情况下，降低噪声；并且使深度卷积神经网络具有灵活的可配置扩展的结构。
S330、通过降采样部分对融合图像进行多级降采样，得到第一中间图像。
具体的，在对融合图像进行降采样的过程中，采样点数逐渐减少。对于一幅M*N的图像，如果降采样系数为k,则卷积核步进为k。一幅图像中包含的特征信息量很大，但是有些信息对于图像处理的过程并没有实际意义或者有重复，因此，通过降采样可以把这类冗余信息去除，同时也去除了噪声，把最重要的特征信息提取出来，并且在一定程度上也能够防止过拟合，提高CT图像重建的准确性。
进一步的，通过降采样部分对融合图像进行多级降采样，得到第一中间图像，包括：
通过第一设定量的第一卷积模块对融合图像进行多级降采样，其中，起始的第一卷积模块的输入图像和输出图像的尺寸与融合图像相同，其余第一卷积模块采用步长为2进行降采样。
具体的，通过第一设定量的第一卷积模块的卷积操作可对融合图像进行多级降采样，降采样的级数即为第一设定量。图6为本发明实施例三中的卷积操作的示意图。参照图6，5*5的网格表示要进行卷积操作的图像。需要说明的是，当要求卷积操作的输入、输出图像尺寸相同时，需要在原输入图像的四周补零，形成新的输入图像，即图6中5*5的网格实际是通过在3*3的原输入图像(加粗方框所示)的四周补零得到的。在5*5的网格中，左上部分带有权重的网格表示此处有一个卷积核，该卷积核的大小为3*3。设定进行歩进为1的卷积操作，则该卷积核每次向右移动一个像素，当移动到边界时回到最左端并向下移动一个单位。卷积核的每个单元内都具有权重，在卷积核移动的过程中，原图像中的每个像素都与卷积核对应位置的权重相乘，最后将所有乘积相加得到一个输出。如图6所示，3*3的原输入图像经过补零和卷积操作后，得到的输出图像尺寸仍为3*3。当不要求卷积操作的输入、输出图像尺寸相同，即要实现降采样时，无需在原输入图像的四周补零，直接对原输入图像进行卷积操作，并设置一定的降采样系数，即可改变卷积操作输出图像的尺寸。
参照图5，深度卷积神经网络降采样部分的起始位置为第一卷积模块1，其输入图像和输出图像的尺寸与融合图像相同，融合图像的尺寸记为M*N，则第一卷积模块内部的卷积层(多个级联卷积单元)生成的特征图像尺寸均为M*N，其余第一卷积模块采用步长为2进行降采样，即第一卷积模块2输出的特征图像尺寸为(M/2)*(N/2)，经过多个第一卷积模块的降采样之后，第一卷积模块D输出的特征图像尺寸为(M/2D-1)*(N/2D-1)，第一卷积模块D作为降采样部分的最后一个第一卷积模块，其输出的特征图像即为第一中间图像，第一中间图像的尺寸小于融合图像，包含了融合图像的主要特征信息。
S340、将第一中间图像通过全连接层，得到第二中间图像。
具体的，在降采样部分的末尾和升采样部分的开始之间，采用全连接层连接。全连接是指输出层的神经元与输入层的每个神经元之间都进行连接，以将输入层之前提取到的所有特征综合起来，更好地利用输入图像的全局信息。第一中间图像通过全连接层后，得到第二中间图像。
S350、通过升采样部分对第二中间图像进行多级升采样，获得CT重建图像。
具体的，通过升采样部分对第二中间图像进行多级升采样，即通过卷积核的逆向卷积的作用，使第二中间图像中的单个像素变为多个特征像素，根据卷积核的步进大小，这些新的特征像素值可组成不同尺寸的输出特征图像。通过升采样可以增加图像的维数，从而得到CT重建图像。
进一步的，对第二中间图像进行多级升采样，获得CT重建图像，包括：
通过第二设定量的第二卷积模块对第二中间图像进行多级升采样，其中，末尾的第二卷积模块的输入图像和输出图像的尺寸与融合图像相同，其余的卷积模块采用步长为2进行升采样。
具体的，通过第二设定量的第二卷积模块的卷积操作可对第二中间图像进行多级升采样，升采样的级数即为第二设定量。升采样的过程与降采样的过程相反，通过逆向卷积过程增加第二中间图像的维数，直至得到与原融合图像尺寸相同的CT重建图像。参照图5，升采样部分的起始位置为第二卷积模块D，第二卷积模块D的输入为第二中间图像，尺寸为(M/2D-1)*(N/2D-1)，采用步长为2进行升采样，则第二卷积模块D输出的特征图像尺寸为(M/2D-2)*(N/2D-2)，经过多个第二卷积模块的升采样之后，第二卷积模块2输入的特征图像尺寸为(M/2)*(N/2)，输出的特征图像尺寸为M*N，第二卷积模块1作为升采样部分末尾的第二卷积模块，不再进行升采样，其输入图像和输出图像的尺寸与融合图像相同，输出的图像即为CT重建图像。
需要说明的是，在传统神经网络中每个神经元都要与图像上每个像素相连接，这样会造成权重的数量庞大从而增加网络训练的难度。而本实施例利用深度卷积神经网络，在进行卷积操作的过程中，神经网络的每个神经元的权重个数都是卷积核的大小，即每个神经元只需与图像对应部分的像素相连接，从而极大的减少了权重参数的数量，同时，通过设置卷积操作的步长，可以改变图像维度的变化速率。
进一步的，在深度卷积神经网络中，当降采样部分中的第一卷积模块与升采样部分中的第二卷积模块输出的特征图像尺寸相同时，采用残差路径把所述第一卷积模块的输出连接至所述第二卷积模块的输出上，并共同输入到下一个第二卷积模块。其核心思想是通过对尺寸相同的特征图像进行对比，忽略图像中相同的特征信息，从而突出图像之间微小的不同，获取更加有效的特征信息。通过采用残差路径进行连接，可以解决深度卷积神经网络中由于深度增加带来的退化问题，提高深度卷积神经网络的性能，进而提高重建CT图像的准确性。
具体的，参照图5，第一卷积模块1输出的特征图像尺寸为M*N，第二卷积模块2输出的特征图像尺寸也为M*N，因此第一卷积模块1与第二卷积模块2之间通过M*N残差连接的方式，将两者的输出共同输入到第二卷积模块1中，同理，第一卷积模块2与第二卷积模块3(图未示)输出的特征图像尺寸同为(M/2)*(N/2)，则第二卷积模块2与第二卷积模块3之间通过(M/2)*(N/2)残差连接的方式，将两者的输出共同输入到第二卷积模块2中，以此类推，第一卷积模块D-1(图未示)与第二卷积模块D输出的特征图像的尺寸同为(M/2D-2)*(N/2D-2)，则第一卷积模块D-1与第二卷积模块D之间通过(M/2D-2)*(N/2D-2)残差连接的方式，将两者的输出共同输入到第二卷积模块D-1中。
进一步的，深度卷积神经网络中采用的卷积核大小，可以选取3*3、5*5、7*7等；第一卷积模块、第二卷积模块以及各卷积模块内部卷积层输入、输出特征图像的数目，可以选取8、16、32、64等；各个卷积模块以及模块内部卷积层的激活函数，可以选取relu、leaky_relu、tanh等；升采样部分和降采样部分中各卷积模块内部的卷积层可采用常规前馈卷积层或残差卷积层(ResNet)；第一卷积模块和第二卷积模块在本实施例中示例性地分别设定为4个，即对融合图像进行4级降采样得到第一中间图像，第一中间图像通过全连接层得到第二中间图像，第二中间图像经过4级升采样后得到CT重建图像。
需要说明的是，实际应用时在降采样部分和升采样部分之间也可不设置全连接层，而是将降采样部分和升采样部分直接相连，以减少深度卷积神经网络的参数。
本实施例具体化了通过深度卷积神经网络对融合图像进行重建，得到CT重建图像的过程，通过第一设定量的第一卷积模块对融合图像进行多级降采样，实现对融合图像特征信息的降维，并去除了图像中的冗余信息和噪声；通过将第一中间图像通过全连接层得到第二中间图像，将第一中间图像所提取到的所有特征信息综合起来，以更好地利用第一中间图像的全局信息；然后通过第二设定量的第二卷积模块对第二中间图像进行多级升采样，以实现快速重建出弱伪影、低噪声的高质量CT图像，并且对于不同情况下获得的融合图像，通过深度卷积神经网络都可实现快速重建出高质量的CT图像。
实施例四
在上述实施例的基础上，本实施例提供了优选实施例，分别对全角度采集和少角度采集情况下的CT图像的重建方法的具体实现流程进行了描述，未在本实施例中详细描述的技术细节可参见上述任意实施例。
图7为本发明实施例四提供的全角度采集情况下所形成融合图像基于深度卷积神经网络进行CT图像重建的示意图。参照图7，采用全角度采集获得投影数据时，其进行CT图像重建的过程表述如下：
a)首先将全角度采集获得的投影数据Si(i＝1,2,3,…,360)分别变换到反投影域，得到各个角度下对应的反投影图像Gi(i＝1,2,3,…,360)。
b)将各反投影域图像Gi(i＝1,2,3,…,360)种对应位置的像素值逐个叠加，生成尺寸为512×512的单幅图像，该单幅图像即为融合图像H。
c)将融合图像H输入至深度卷积神经网络100，深度卷积神经网络100已经预先训练完成，具备CT图像的重建功能。
d)深度卷积神经网络的降采样部分101对融合图像H进行多级降采样。其中，降采样部分101包括4个第一卷积模块(11-14)，各第一卷积模块都包括2个卷积层，融合图像H的尺寸为512×512。融合图像H首先经过第一卷积模块11，其内部的卷积层Conv1和Conv2生成的特征图像尺寸均为512×512，然后，第一卷积模块12-14都采用步长为2进行降采样，并且第一卷积模块12-14都是通过其内部卷积层中的输入层进行降采样，即第一卷积模块12通过卷积层Conv3进行降采样，则卷积层Conv3和Conv4生成的特征图像尺寸均为256×256；第一卷积模块13通过卷积层Conv5进行降采样，则卷积层Conv5和Conv6生成的特征图像尺寸均为128×128；第一卷积模块14通过卷积层Conv7进行降采样，则卷积层Conv7和Conv8生成的特征图像尺寸均为64×64。得到的第一中间图像尺寸为64×64。
e)将第一中间图像通过全连接层102，得到第二中间图像。
f)深度卷积神经网络的升采样部分103对第二中间图像进行多级升采样。其中，升采样部分103包括4个第二卷积模块(15-18)，各第二卷积模块都包括2个卷积层，并且第二卷积模块15-17都是通过其内部卷几层中的输出层进行升采样，即第二卷积模块15内部包括Conv9和Conv10两个卷积层，通过Conv10生成尺寸为128×128的特征图像；第二卷积模块16内部包括Conv11和Conv12两个卷积层，通过Conv12生成尺寸为256×256的特征图像；第二卷积模块17内部包括Conv13和Conv14两个卷积层，通过Conv14生成尺寸为512×512的特征图像；最后，第二卷积模块18及其内部的两个卷积层Conv15和Conv16的特征图像尺寸均为512×512，不再进行升采样，最终得到尺寸为512×512的CT重建图像F。
进一步的，第一卷积模块11与第二卷积模块17输出的特征图像尺寸相同，均为512×512，据此，通过残差路径将第一卷积模块11的输出连接至第二卷积模块17的输出上，并将其特征图像共同送入第二卷积模块18；同理，通过残差路径将第一卷积模块12的输出连接至第二卷积模块16的输出上，并将其特征图像共同送入第二卷积模块17；通过残差路径将第一卷积模块13的输出连接至第二卷积模块15的输出上，并将其特征图像共同送入第二卷积模块16。可选的，通过残差路径将第一卷积模块14的输出连接至全连接层102的输出上，并将其特征图像共同送入第二卷积模块15。
上述深度卷积神经网络100的输入是将全角度对应的反投影图像进行逐像素叠加得到的融合图像H，输出是相同尺寸的CT重建图像F。本实施例中示例性地设定深度卷积神经网络100由4个降采样模块(每个模块有两个常规卷积层)、全连接层(Full Connect)、4个升采样模块(每个模块有两个常规卷积层)组成，并有4个残差连接层分别把降采样部分的第一卷积模块的输出连接到全连接层或升采样部分的第二卷积模块的输出上。深度卷积神经网络100中所有的卷积层都采用3*3的卷积核，所有卷积层的激活函数都采用tanh函数。除全连接层102前后的卷积层(Conv8、Conv9)各采用了一幅特征图像，卷积层Conv1的输入采用1幅特征图像外，其余的卷积层都采用32幅特征图像。
图8为本发明实施例四提供的少角度采集情况下所形成融合图像基于深度卷积神经网络进行CT图像重建的示意图。参照图8，针对少角度采集的投影数据，以i∈[1°,45°]为例进行说明，其进行CT图像重建的过程表述如下：
a)首先将少角度采集获得的投影数据Si(i＝1,2,3,…,45)分别变换到反投影域，得到各个角度下对应的反投影图像Gi(i＝1,2,3,…,45)。
b)组合各反投影图像构成第一特征图像组，将第一特征图像组作为融合图像H。
c)将融合图像H输入至深度卷积神经网络100，深度卷积神经网络100已经预先训练完成，具备CT图像的重建功能。
d)深度卷积神经网络100的降采样部分101对融合图像进行多级降采样，得到尺寸为64×64的第一中间图像。其具体过程可参照上述采用全角度采集获得投影数据时进行CT图像重建的过程。
e)将第一中间图像通过全连接层102，得到第二中间图像。
f)深度卷积神经网络100的升采样部分103对第二中间图像进行多级升采样，终得到尺寸为512×512的CT重建图像F。其具体过程可参照上述采用全角度采集获得投影数据时进行CT图像重建的过程。
进一步的，降采样部分101与全连接层102或升采样部分103之间可通过残差路径连接，具体的连接方式可参照上述采用全角度采集获得投影数据时的技术细节。
上述深度卷积神经网络100的输入是将全角度对应的反投影图像进行逐像素叠加得到的融合图像H，输出是相同尺寸的CT重建图像F。本实施例中示例性地设定深度卷积神经网络100由4个降采样模块(每个模块有两个常规卷积层)、全连接层(Full Connect)、4个升采样模块(每个模块有两个常规卷积层)组成，并有4个残差连接层分别把降采样部分的第一卷积模块的输出连接到全连接层或升采样部分的第二卷积模块的输出上。深度卷积神经网络100中所有的卷积层都采用3*3的卷积核，所有卷积层的激活函数都采用tanh函数。除全连接层102前后的卷积层(Conv8、Conv9)各采用了一幅特征图像，卷积层Conv1的输入采用1幅特征图像外，其余的卷积层都采用32幅特征图像。
针对全角度采集获得投影数据时，除了利用等权重加和策略对反投影图像进行融合以外，还可利用上述两种方法的组合方法对反投影图像进行融合，其示意图与图7类似，只是深度卷积神经网络100的输入是第二特征图像组，其进行图像重建的过程表述如下：
a)首先将全角度采集获得的投影数据Si(i＝1,2,3,…,360)分别变换到反投影域，得到各个角度下对应的反投影图像Gi(i＝1,2,3,…,360)，并将反投影域划分为45个子反投影域，每个子反投影域中包括8个反投影图像。
b)对45个子反投影域中的反投影图像分别进行等权重加和，获得45个加和图像。
c)组合各加和图像，构成第二特征图像组，并将第二特征图像组作为融合图像H。
d)将融合图像H输入至深度卷积神经网络100，深度卷积神经网络100已经预先训练完成，具备CT图像的重建功能。
e)深度卷积神经网络100的降采样部分101对融合图像进行多级降采样，得到尺寸为64×64的第一中间图像。其具体过程可参照上述采用全角度采集获得投影数据时进行CT图像重建的过程。
f)将第一中间图像通过全连接层102，得到第二中间图像。
g)深度卷积神经网络100的升采样部分103对第二中间图像进行多级升采样，终得到尺寸为512×512的CT重建图像F。其具体过程可参照上述采用全角度采集获得投影数据时进行CT图像重建的过程。
进一步的，降采样部分101与全连接层102或升采样部分103之间可通过残差路径连接，具体的连接方式可参照上述采用全角度采集获得投影数据时的技术细节。
上述深度卷积神经网络100的输入是将全角度对应的反投影图像进行逐像素叠加得到的融合图像H，输出是相同尺寸的CT重建图像F。本实施例中示例性地设定深度卷积神经网络100由4个降采样模块(每个模块有两个常规卷积层)、全连接层(Full Connect)、4个升采样模块(每个模块有两个常规卷积层)组成，并有4个残差连接层分别把降采样部分的第一卷积模块的输出连接到全连接层或升采样部分的第二卷积模块的输出上。深度卷积神经网络100中所有的卷积层都采用3*3的卷积核，所有卷积层的激活函数都采用tanh函数。除全连接层102前后的卷积层(Conv8、Conv9)各采用了一幅特征图像，卷积层Conv1的输入采用1幅特征图像外，其余的卷积层都采用32幅特征图像。
本实施例提供的针对全角度采集和少角度采集的不同情况下的CT图像的重建方法，可全面地融合图像的特征信息，实现对各个角度下的反投影图像进行并行化处理，从而解决了现有技术重建CT图像的耗时长、高噪声、少角度扫描情况下伪影严重的问题，实现快速重建出弱伪影、低噪声的高质量CT图像。
实施例五
图9为本发明实施例五中的一种CT图像的重建装置的结构示意图。本实施例可适用于根据投影数据重建CT图像的情况。参照图9，CT图像的重建装置包括：
反投影变换模块510，用于将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像；
反投影图像融合模块520，用于对各反投影图像进行融合，得到融合图像；
CT图像重建模块530，用于通过深度卷积神经网络对融合图像进行重建，得到CT重建图像。
本实施例提供的CT图像的重建装置，通过反投影变换模块将投影数据变换到反投影域，得到对应的反投影图像，避免了对投影数据进行滤波操作，从而避免了放大噪声信号；通过反投影图像融合模块对各反投影图像进行融合，得到融合图像并送入深度卷积神经网络，避免了归一化操作，使深度卷积神经网络直接针对反投影图像的数据信息进行处理，保证了深度卷积神经网络功能的稳定性；通过CT图像重建模块利用深度卷积神经网络对融合图像进行重建，得到CT重建图像，可以实现对各个角度下的反投影图像进行并行化处理，从而解决了现有技术重建CT图像的耗时长、高噪声、少角度扫描情况下伪影严重的问题，实现快速重建出弱伪影、低噪声的高质量CT图像。
进一步的，反投影图像融合模块还包括：
第一等权重加和模块，用于当全角度采集获得投影数据时，采用等权重加和策略对各反投影图像进行融合。
其中，采用等权重加和策略对反投影图像进行融合，包括：
根据公式对反投影图像进行融合，其中，H为融合图像，为融合算子，Gi为对应于角度i的反投影图像，i∈[1°,360°]，N为反投影图像的总数量。
进一步的，反投影图像融合模块520还包括：
第一特征图像生成模块，用于当少角度采集获得投影数据时，组合各反投影图像构成第一特征图像组，并将第一特征图像组作为融合图像。
进一步的，反投影图像融合模块还包括：
反投影域划分模块，用于当全角度采集获得投影数据时，将投影数据对应的反投影域划分为设定量的子反投影域；
第二等权重加和模块，用于对各子反投影域中的反投影图像进行等权重加和，获得设定量的加和图像；
第二特征图像生成模块，用于组合各加和图像构成第二特征图像组，并将第二特征图像组作为融合图像。
进一步的，CT图像重建模块530还包括：
第一中间图像生成模块，用于通过深度卷积神经网络的降采样部分对融合图像进行多级降采样，得到第一中间图像；
第二中间图像生成模块，用于将第一中间图像通过深度卷积神经网络的全连接层得到第二中间图像；
CT重建图像生成模块，用于通过深度卷积神经网络的升采样部分对第二中间图像进行多级升采样，获得CT重建图像。
进一步的，第一中间图像生成模块用于通过第一设定量的第一卷积模块对融合图像进行多级降采样，其中，起始的第一卷积模块的输入图像和输出图像的尺寸与融合图像相同，其余第一卷积模块采用步长为2进行降采样。
进一步的，第二中间图像生成模块用于通过第二设定量的第二卷积模块对第二中间图像进行多级升采样，其中，末尾的第二卷积模块的输入图像和输出图像的尺寸与融合图像相同，其余的卷积模块采用步长为2进行升采样。
需要说明的是，本发明实施例所提供的CT图像的重建装置可执行本发明任意实施例所提供的CT图像的重建方法，具备执行方法相应的功能模块和有益效果。
本实施例提供的CT图像的重建装置，通过第一等权重加和模块在全角度采集获得投影数据时，采用等权重加和策略对各反投影图像进行融合；通过第一特征图像生成模块在少角度采集获得投影数据时，将第一特征图像组作为融合图像；通过第二特征图像生成模块在全角度采集获得投影数据时，将第二特征图像组作为融合图像。通过上述技术方案，提供了多种图像融合的方式，可针对全角度采集和少角度采集的不同情况分别对反投影图像进行融合，从而全面地融合图像的特征信息；并且通过CT图像重建模块利用深度卷积神经网络对融合图像进行重建，得到CT重建图像，可以实现对各个角度下的反投影图像进行并行化处理，从而解决了现有技术重建CT图像的耗时长、高噪声、少角度扫描情况下伪影严重的问题，实现快速重建出弱伪影、低噪声的高质量CT图像。
实施例六
图10为本发明实施例六提供的一种设备的硬件结构示意图。如图10所示，本实施例提供的一种设备，包括：处理器610和存储装置620。该设备中的处理器可以是一个或多个，图10中以一个处理器610为例，所述设备中的处理器610和存储装置620可以通过总线或其他方式连接，图10中以通过总线连接为例。
所述一个或多个程序被所述一个或多个处理器610执行，使得所述一个或多个处理器实现上述实施例中任意所述的CT图像的重建方法。
该设备中的存储装置620作为一种计算机可读存储介质，可用于存储一个或多个程序，所述程序可以是软件程序、计算机可执行程序以及模块，如本发明实施例中CT图像的重建方法对应的程序指令/模块(例如，附图9所示的CT图像的重建装置中的模块，包括：反投影变换510、反投影图像融合模块520以及CT图像重建模块530)。处理器610通过运行存储在存储装置620中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述方法实施例中的CT图像的重建方法。
存储装置620主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等(如上述实施例中的投影数据、反投影图像等)。此外，存储装置620可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储装置620可进一步包括相对于处理器610远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
并且，当上述设备中所包括一个或者多个程序被所述一个或者多个处理器610执行时，程序进行如下操作：
将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像；
对各所述反投影图像进行融合，得到融合图像；
通过深度卷积神经网络对所述融合图像进行重建，得到CT重建图像。
本实施例提出的设备与上述实施例提出的CT图像的重建方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述任意实施例，并且本实施例具备与执行CT图像的重建方法相同的有益效果。
在上述实施例的基础上，本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被CT图像的重建装置执行时实现本发明上述任意实施例中的CT图像的重建方法，该方法包括：
将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像；
对各所述反投影图像进行融合，得到融合图像；
通过深度卷积神经网络对所述融合图像进行重建，得到CT重建图像。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的CT图像的重建方法操作,还可以执行本发明任意实施例所提供的CT图像的重建方法中的相关操作，且具备相应的功能和有益效果。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种CT图像的重建方法，其特征在于，包括：
将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像；
对各所述反投影图像进行融合，得到融合图像；
通过深度卷积神经网络对所述融合图像进行重建，得到CT重建图像。
2.根据权利要求1所述的方法，其特征在于，所述对各所述反投影图像进行融合，包括：
当全角度采集获得投影数据时，采用等权重加和策略对各所述反投影图像进行融合；
所述采用等权重加和策略对所述反投影图像进行融合，包括：
根据公式对所述反投影图像进行融合，其中，H为融合图像，R为融合算子，Gi为对应于角度i的反投影图像，i∈[1°,360°]，N为反投影图像的总数量。
3.根据权利要求1所述的方法，其特征在于，所述对各所述反投影图像进行融合包括：
当少角度采集获得投影数据时，组合各所述反投影图像构成第一特征图像组；
将所述第一特征图像组作为所述融合图像。
4.根据权利要求1所述的方法，其特征在于，所述对各所述反投影图像进行融合包括：
当全角度采集获得投影数据时，将投影数据对应的反投影域划分为设定量的子反投影域；
对各所述子反投影域中的反投影图像进行等权重加和，获得所述设定量的加和图像；
组合各所述加和图像，构成第二特征图像组，并将所述第二特征图像组作为所述融合图像。
5.根据权利要求1所述的方法，其特征在于，所述深度卷积神经网络包括降采样部分、全连接层和升采样部分，所述降采样部分通过所述全连接层与所述升采样部分连接。
6.根据权利要求5所述的方法，其特征在于，所述通过深度卷积神经网络对所述融合图像进行重建，得到CT重建图像，包括：
通过所述降采样部分对所述融合图像进行多级降采样，得到第一中间图像；
将所述第一中间图像通过全连接层，得到第二中间图像；
通过所述升采样部分对所述第二中间图像进行多级升采样，获得CT重建图像。
7.根据权利要求6所述的方法，其特征在于，所述通过所述降采样部分对所述融合图像进行多级降采样，得到第一中间图像，包括：
通过第一设定量的第一卷积模块对所述融合图像进行多级降采样，其中，起始的第一卷积模块的输入图像和输出图像的尺寸与所述融合图像相同，其余第一卷积模块采用步长为2进行降采样。
8.根据权利要求6所述的方法，其特征在于，所述对所述第二中间图像进行多级升采样，获得CT重建图像，包括：
通过第二设定量的第二卷积模块对所述第二中间图像进行多级升采样，其中，末尾的第二卷积模块的输入图像和输出图像的尺寸与所述融合图像相同，其余的卷积模块采用步长为2进行升采样。
9.一种CT图像的重建装置，其特征在于，包括：
反投影图像生成模块，用于将在各指定角度下采集的投影数据变换到反投影域，得到对应的反投影图像；
反投影图像融合模块，用于对各所述反投影图像进行融合，得到融合图像；
CT图像重建模块，用于通过深度卷积神经网络对所述融合图像进行重建，得到CT重建图像。
10.一种设备，其特征在于，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的CT图像的重建方法。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-8中任一所述的CT图像的重建方法。
CN201811339110.5A 2018-11-12 2018-11-12 Ct图像的重建方法、装置、设备及存储介质 Active CN109509235B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811339110.5A CN109509235B (zh) 2018-11-12 2018-11-12 Ct图像的重建方法、装置、设备及存储介质
PCT/CN2019/070569 WO2020098134A1 (zh) 2018-11-12 2019-01-07 Ct图像的重建方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811339110.5A CN109509235B (zh) 2018-11-12 2018-11-12 Ct图像的重建方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN109509235A true CN109509235A (zh) 2019-03-22
CN109509235B CN109509235B (zh) 2021-11-30

Family

ID=65748192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811339110.5A Active CN109509235B (zh) 2018-11-12 2018-11-12 Ct图像的重建方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN109509235B (zh)
WO (1) WO2020098134A1 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211194A (zh) * 2019-05-21 2019-09-06 武汉理工大学 一种基于深度学习去除稀疏角度ct成像伪影的方法
CN110717954A (zh) * 2019-09-27 2020-01-21 东软医疗系统股份有限公司 图像重建方法及装置、电子设备、存储介质
CN111127579A (zh) * 2019-12-26 2020-05-08 南京安科医疗科技有限公司 一种基于神经网络去锥形束伪影的ct重建方法
CN111612719A (zh) * 2020-05-21 2020-09-01 东软医疗系统股份有限公司 Ct图像处理方法、装置、ct设备及ct系统
CN111950705A (zh) * 2020-08-10 2020-11-17 深圳高性能医疗器械国家研究院有限公司 一种重建神经网络及其应用
US20210082161A1 (en) * 2019-11-12 2021-03-18 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image reconstruction
WO2021062885A1 (zh) * 2019-09-30 2021-04-08 中国科学院深圳先进技术研究院 Ct成像方法、装置、存储介质及医学成像系统
CN112819912A (zh) * 2021-01-26 2021-05-18 深圳安科高技术股份有限公司 基于偏置探测器的ct图像重建方法、装置、设备及存储介质
WO2021159234A1 (zh) * 2020-02-10 2021-08-19 深圳先进技术研究院 图像处理方法、装置及计算机可读存储介质
WO2022032445A1 (zh) * 2020-08-10 2022-02-17 深圳高性能医疗器械国家研究院有限公司 一种重建神经网络及其应用
CN115154930A (zh) * 2022-07-11 2022-10-11 苏州雷泰医疗科技有限公司 基于独立滑环的低剂量cbct摆位方法及设备

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113409466B (zh) * 2021-07-06 2023-08-25 中国科学院自动化研究所 基于gcn残差连接网络的激发荧光断层成像方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127686A (zh) * 2016-06-29 2016-11-16 西安电子科技大学 基于正弦域图像超分辨率提高ct重建图像分辨率的方法
CN107481297A (zh) * 2017-08-31 2017-12-15 南方医科大学 一种基于卷积神经网络的ct图像重建方法
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
CN107871332A (zh) * 2017-11-09 2018-04-03 南京邮电大学 一种基于残差学习的ct稀疏重建伪影校正方法及系统
US20180197317A1 (en) * 2017-01-06 2018-07-12 General Electric Company Deep learning based acceleration for iterative tomographic reconstruction

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127686A (zh) * 2016-06-29 2016-11-16 西安电子科技大学 基于正弦域图像超分辨率提高ct重建图像分辨率的方法
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
US20180197317A1 (en) * 2017-01-06 2018-07-12 General Electric Company Deep learning based acceleration for iterative tomographic reconstruction
CN107481297A (zh) * 2017-08-31 2017-12-15 南方医科大学 一种基于卷积神经网络的ct图像重建方法
CN107871332A (zh) * 2017-11-09 2018-04-03 南京邮电大学 一种基于残差学习的ct稀疏重建伪影校正方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
GE, YONGSHUAI 等: "Deconvolution-Based Backproject-Filter (BPF) Computed Tomography Image Reconstruction Method Using Deep Learning Technique", 《ARXIV.ORG》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110211194A (zh) * 2019-05-21 2019-09-06 武汉理工大学 一种基于深度学习去除稀疏角度ct成像伪影的方法
CN110717954A (zh) * 2019-09-27 2020-01-21 东软医疗系统股份有限公司 图像重建方法及装置、电子设备、存储介质
CN110717954B (zh) * 2019-09-27 2023-09-26 东软医疗系统股份有限公司 图像重建方法及装置、电子设备、存储介质
WO2021062885A1 (zh) * 2019-09-30 2021-04-08 中国科学院深圳先进技术研究院 Ct成像方法、装置、存储介质及医学成像系统
US20210082161A1 (en) * 2019-11-12 2021-03-18 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image reconstruction
US11763498B2 (en) * 2019-11-12 2023-09-19 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for image reconstruction
CN111127579A (zh) * 2019-12-26 2020-05-08 南京安科医疗科技有限公司 一种基于神经网络去锥形束伪影的ct重建方法
WO2021159234A1 (zh) * 2020-02-10 2021-08-19 深圳先进技术研究院 图像处理方法、装置及计算机可读存储介质
CN111612719A (zh) * 2020-05-21 2020-09-01 东软医疗系统股份有限公司 Ct图像处理方法、装置、ct设备及ct系统
WO2022032445A1 (zh) * 2020-08-10 2022-02-17 深圳高性能医疗器械国家研究院有限公司 一种重建神经网络及其应用
CN111950705A (zh) * 2020-08-10 2020-11-17 深圳高性能医疗器械国家研究院有限公司 一种重建神经网络及其应用
CN112819912A (zh) * 2021-01-26 2021-05-18 深圳安科高技术股份有限公司 基于偏置探测器的ct图像重建方法、装置、设备及存储介质
CN115154930A (zh) * 2022-07-11 2022-10-11 苏州雷泰医疗科技有限公司 基于独立滑环的低剂量cbct摆位方法及设备
CN115154930B (zh) * 2022-07-11 2024-08-06 苏州雷泰医疗科技有限公司 基于独立滑环的低剂量cbct摆位方法及设备

Also Published As

Publication number Publication date
WO2020098134A1 (zh) 2020-05-22
CN109509235B (zh) 2021-11-30

Similar Documents

Publication Publication Date Title
CN109509235A (zh) Ct图像的重建方法、装置、设备及存储介质
CN110660123B (zh) 基于神经网络的三维ct图像重建方法和设备以及存储介质
CN109886871B (zh) 基于通道注意力机制和多层特征融合的图像超分辨率方法
US11120582B2 (en) Unified dual-domain network for medical image formation, recovery, and analysis
CN110047113B (zh) 神经网络训练方法和设备、图像处理方法和设备和存储介质
Park et al. A dynamic residual self-attention network for lightweight single image super-resolution
CN111311704B (zh) 图像重建方法、装置、计算机设备和存储介质
CN111932461A (zh) 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统
CN109741254B (zh) 字典训练及图像超分辨重建方法、系统、设备及存储介质
Pan et al. Iterative residual optimization network for limited-angle tomographic reconstruction
CN112017116A (zh) 基于非对称卷积的图像超分辨率重建网络及其构建方法
CN115937345A (zh) 一种基于深度学习的光声图像重建方法及装置
Ahn et al. Super-resolution convolutional neural networks using modified and bilateral ReLU
CN117788295B (zh) 一种遥感图像的超分辨率重建方法、系统及介质
Lyu et al. Boosting attention fusion generative adversarial network for image denoising
CN116188272A (zh) 适用于多模糊核的两阶段深度网络图像超分辨率重建方法
CN114862679A (zh) 基于残差生成对抗网络的单图超分辨率重建方法
Reader Self-supervised and supervised deep learning for PET image reconstruction
Wang et al. A general image fusion framework using multi-task semi-supervised learning
Li et al. SUPER learning: a supervised-unsupervised framework for low-dose CT image reconstruction
CN116342393B (zh) 一种基于图像噪声预测机制的图像超分辨率方法及系统
Duanmu et al. The image super-resolution algorithm based on the dense space attention network
Huang et al. Anatomical‐functional image fusion based on deep convolution neural networks in local Laplacian pyramid domain
CN114862982A (zh) 一种基于生成对抗网络的混合域无监督有限角ct重建方法
Sunnegårdh Iterative filtered backprojection methods for helical cone-beam CT

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant