CN111009019A - 基于深度学习的微分相衬ct不完备数据重建方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的微分相衬CT不完备数据重建方法，该方法包括如下步骤：使用滤波反投影重建算法获得初始重建图像；对上述初始重建图像进行前向投影获得被伪影污染的投影序列；对上述被伪影污染的投影序列进行微分操作，获得被伪影污染的微分相衬投影序列；利用深度学习技术处理上述被伪影污染的微分相衬投影序列，获得不含伪影的微分相衬投影序列；利用滤波反投影重建算法对上述不含伪影的微分相衬投影序列进行重建，获得最终的重建结果图像。本发明实施例相比于传统的重建方法，不仅能处理微分相衬CT不完备数据，而且需要人为设置的参数更少，计算速度更快。

Description

基于深度学习的微分相衬CT不完备数据重建方法

技术领域

本发明涉及X射线微分相衬CT图像重建技术领域，尤其涉及一种基于深度学习的X射线微分相衬CT不完备数据重建方法。

背景技术

当X射线与物质发生相互作用时，会产生幅值衰减和相位偏移。基于幅值衰减的X射线计算机断层成像(Computed Tomography，简称CT)技术，已被广泛应用于工业检测、生物医疗和材料科学等领域。然而，基于X射线幅值衰减原理的CT技术对于低吸收物质难以获得高对比度图像。

近年，相位衬度成像技术被提出来提高这些低吸收样品的成像衬度。其中，基于光栅的微分相衬方法能采用普通X光管实现，具有重大工程应用前景，得到了广泛研究。图像重建在微分相衬CT(Differential Phase Contrast Computed Tomography,简称DPC-CT)成像中有着重要的地位。滤波反投影算法(Filtered Back Projection，简称FBP)是比较流行的算法，将其应用于完备数据时，FBP重建速度快且获得的图像质量好。但受限于成像条件(比如需要降低成像辐射剂量，缩短成像时间)，DPC-CT成像获得的数据通常是不完备的，对应的FBP重建结果就会存在严重的伪影和噪声。针对DPC-CT不完备数据情况，已有技术开发了迭代重建算法来处理DPC-CT的不完备数据。这些算法可以获得比FBP更好的结果，但是需要很长的迭代计算时间，并且难以选择合适的参数。结合深度学习技术，也有学者提出了用于X射线幅值衰减CT的重建算法，这种方法可以获得比FBP更好的重建结果，并且计算时间比传统方法更短。但现有的使用深度学习技术的重建算法都是基于X射线幅值衰减原理，无法处理DPC-CT不完备数据。且这些重建技术，只对重建结果进行后处理，没有充分利用成像系统获得的信息，导致处理之后的图像丢失了一些细节，使得原始图像结构发生扭曲变形。

发明内容

本发明提供了一种基于深度学习的微分相衬CT不完备数据的重建方法，包括如下步骤：

步骤1、使用滤波反投影(Filtered Back Projection,简称FBP)重建算法对微分相衬CT(Differential Phase Contrast CT，简称DPC-CT)不完备投影序列进行重建，获得初始重建图像。所述初始重建图像是由于投影序列不完备，在FBP重建结果中存在伪影和噪声；

步骤2、利用前向投影算子对所述的初始重建图像进行前向投影，获得被伪影污染的完备投影序列。所述被伪影污染的完备投影序列是通过前向投影操作，将图像结构信息以及伪影一起前向投影到投影序列中，序列数量与完备数据相同；

步骤3、利用微分算子从所述的被伪影污染的完备投影序列中获得被伪影污染的微分相衬CT完备投影序列。所述被伪影污染的微分相衬CT完备投影序列指的是从投影序列中解析出的微分相衬信息。

步骤4、利用深度学习技术对所述的被伪影污染的微分相衬CT完备投影序列进行处理，获得不含伪影的微分相衬CT完备投影序列。所述不含伪影的微分相衬CT完备投影序列是利用深度学习技术对被伪影污染的微分相衬CT完备投影序列进行处理，得到的投影序列已不再包含伪影，且序列数量与完备数据相同；

步骤5、利用FBP重建算法对所述的不含伪影的DPC完备投影序列进行重建，获得最终重建图像。

进一步地，步骤1中针对不同的DPC-CT成像系统(平行束成像、扇束成像、锥束成像)所获得的投影序列，使用对应的FBP重建算法即可。如扇束成像系统的FBP重建算法如公式(1)-(2)：

其中，δ(x,y)代表重建结果，U代表成像系统权重矩阵，α_θ(s)代表DPC投影序列，h(v)代表Hilbert滤波器，v为频率变量，θ为旋转角度。

所述的初始重建图像δ(x,y)指的是利用公式(1)、(2)对不完备的DPC投影序列α_θ(s)进行重建，其中存在伪影和噪声。

进一步地，步骤2中所述的前向投影算子如公式(3)所示。

P(s,θ)＝∫_lδ(x,y)dl (3)

其中，P(s,θ)为所述的被伪影污染的完备投影序列，其包含图像结构信息以及伪影，序列数量与完备数据相同，δ(x,y)为初始重建图像。

进一步地，步骤3中所述的微分算子如公式(4)所示：

其中，P(s,θ)为所述的被伪影污染的完备投影序列，α_θ(s)代表被伪影污染的DPC-CT完备投影序列。

进一步地，步骤4中所述的深度学习技术使用卷积神经网络对被伪影污染的DPC-CT完备投影序列进行处理，以获得不含伪影的DPC-CT完备投影序列。可以表示为公式(5)：

其中，

为不含伪影的DPC-CT完备投影序列，α_θ(s)为被伪影污染的DPC-CT完备投影序列，N为所述的卷积神经网络。

进一步地，所述的卷积神经网络由编码网络和解码网络构成。编码网络由初始特征提取模块以及多级特征密集连接模块组成。解码网络由多级解码模块以及通道压缩模块构成。

进一步地，所述的初始特征提取模块由两层卷积层构成，用于从被伪影污染的DPC投影序列中提取初始特征；所述的特征密集连接模块由多层卷积层构成，每一层的输出会传递给后续的所有层作为输入。所述的解码模块由反卷积层、特征拼接以及卷积层组成。所述的通道压缩模块由1×1卷积构成，将特征图的数量减小到1。

进一步地，步骤5利用公式(1)、(2)对不含伪影的DPC完备投影序列

进行重建，以获得所述的最终重建图像δ(x,y)。

有益效果

针对DPC-CT不完备数据情况，已有技术开发了迭代重建方法来处理DPC-CT的不完备数据。这些方法可以获得比FBP更好的重建结果，但是需要很长的迭代计算时间，并且难以选择合适的参数。结合深度学习技术，也有学者提出了用于X射线幅值衰减CT的重建方法，这种方法可以获得比FBP更好的重建结果，并且计算时间比传统方法更短。但现有的使用深度学习技术的重建方法都是基于X射线幅值衰减原理，无法处理DPC-CT不完备数据。并且这些重建技术，都只对初始重建结果进行后处理，没有充分利用成像系统获得的信息，导致处理之后的图像丢失了一些细节，使得原始图像结果发生扭曲变形。本发明提供的基于深度学习的微分相衬CT不完备数据重建方法，不仅可以处理DPC-CT不完备数据，而且克服了传统迭代方法重建时间长的缺点，重建速度更快，也不需要人为地精细设置参数。此外，本发明是对投影序列进行处理，而不是处理初始重建结果，充分地利用了成像系统获得的信息，重建结果质量更高。

附图说明

图1为本发明实施例提供的基于深度学习的微分相衬CT不完备数据重建方法的流程图；

图2为本发明实施例提供的基于深度学习的微分相衬CT不完备数据重建方法的深度学习技术实例结构图；

图3为本发明实施例提供的深度学习技术实例中的特征密集连接模块组成示意图；

图4(a)为本发明实施例所处理的微分相衬CT不完备数据中的稀疏角(sparse-view)数据的投影序列，图4(b)为被伪影污染的微分相衬CT完备投影序列，图4(c)为不含伪影的微分相衬CT完备投影序列，图4(d)为微分相衬CT完备投影序列。

图5(a)为微分相衬CT完备投影序列的重建结果，图5(b)为微分相衬CT不完备数据中的稀疏角的初始重建结果，图5(c)为本发明重建方法实施例的最终的重建结果图像，图5(d)为图5(a)的方框区域放大表示，图5(e)为图5(b)的对应区域放大表示，图5(f)为图5(c)的对应区域的放大表示。

图6(a)为微分相衬CT不完备数据中的有限角(limited-view)数据的投影序列，图6(b)为被伪影污染的DPC-CT完备投影序列，图6(c)为不含伪影的DPC-CT完备投影序列，图6(d)为DPC-CT完备投影序列。

图7(a)为微分相衬CT完备投影序列的重建结果，图7(b)为微分相衬CT不完备数据中的有限角的初始重建结果，图7(c)为本发明重建方法实施例的最终的重建结果图像，图7(d)为图7(a)的方框区域放大表示，图7(e)为图7(b)的对应区域放大表示，图7(f)为图7(c)的对应区域的放大表示。

图中：20为被伪影污染的DPC投影序列，21为初始特征提取模块，22为特征密集连接模块，23为解码模块，24为通道压缩模块，25为不含伪影的DPC投影序列。

具体实施方式

下面结合附图以及具体实施方式进一步说明本发明。

图1为本发明实施例提供的基于深度学习的微分相衬CT不完备数据重建方法的流程图；本发明实施例针对X射线微分相衬CT常见的不完备数据情况(如稀疏角、有限角)，提供了一种基于深度学习的重建方法，该方法具体步骤如下：

步骤S101、以FBP重建算法对DPC-CT不完备投影序列进行重建，获得初始重建图像，所述初始重建图像是由于投影序列不完备，在FBP重建结果中存在伪影和噪声。

步骤S102、利用前向投影算子对所述的初始重建图像进行前向投影，获得被伪影污染的完备投影序列。所述被伪影污染的完备投影序列是通过前向投影操作，将图像结果信息以及伪影一起投影到投影序列中，序列数量与完备数据相同。

步骤S103、利用微分算子从被伪影污染的完备投影序列中获得被伪影污染的DPC完备投影序列。所述被伪影污染的DPC投影序列指的是从投影序列中解析出的微分相衬信息。

步骤S104、利用深度学习技术对所述的被伪影污染的DPC投影序列进行处理，获得不含伪影的DPC完备投影序列。所述不含伪影的DPC完备投影序列是利用深度学习技术对被伪影污染的DPC完备投影序列进行处理，得到的DPC投影序列已不再包含伪影，且序列数量与完备数据相同。

图2为本发明实施例提供的基于深度学习的微分相衬CT不完备数据重建方法的深度学习技术实例结构图。如图2所示，本发明实施例由卷积神经网络构成初始特征提取模块、特征密集连接模块、通道压缩模块以及解码模块。解码模块由反卷积层、特征拼接以及卷积层组成。通道压缩模块由1×1卷积构成。

图3为本发明实施例提供的深度学习技术实例中的特征密集连接模块组成示意图。如图3所示，特征密集连接模块由4层卷积层构成，每一层的输出会传递给该模块的后续所有层作为输入。

步骤S105、利用FBP重建算法对所述的不含伪影的完备投影序列进行重建，获得最终重建图像。

本发明实施例相比于现有的CT重建方法，不仅能处理微分相衬CT不完备数据，而且需要人为设置的参数更少，计算速度更快，并且能够充分地利用DPC-CT获得的信息，保留重建图像中的微小细节，获得更好的重建图像质量。

为了证明上述实施例的效果，本发明实施例进行了如下实验，实验步骤如下：

(1)设定实验条件。分为稀疏角和有限角两组实验，其中，稀疏角不完备数据由360°周向扫描获得的90个角度的投影构成，有限角不完备数据由[0-90°]扫描获得的180个角度的投影构成。

(2)利用FBP重建算法，获得初始重建结果。

(3)利用前向投影算子，获得被伪影污染的投影序列。

(4)利用微分算子，获得被伪影污染的DPC投影序列。

(5)根据图2、图3以及公式(5)，对被伪影污染的DPC投影序列进行处理，获得不含伪影的DPC投影序列。

(6)利用FBP重建算法，获得最终重建结果。

图4(a)为本发明实施例所处理的微分相衬CT不完备数据中的稀疏角(sparse-view)数据的投影序列，图4(b)为被伪影污染的微分相衬CT完备投影序列，图4(c)为不含伪影的微分相衬CT完备投影序列，图4(d)为微分相衬CT完备投影序列。图5(a)为微分相衬CT完备投影序列的重建结果，图5(b)为微分相衬CT不完备数据中的稀疏角的初始重建结果，图5(c)为本发明重建方法实施例的最终的重建结果图像，图5(d)为图5(a)的方框区域放大表示，图5(e)为图5(b)的对应区域放大表示，图5(f)为图5(c)的对应区域的放大表示。从图4、5可知，基于深度学习的微分相衬CT不完备数据重建方法可以有效地处理稀疏角不完备数据情况。

图6(a)为微分相衬CT不完备数据中的有限角(limited-view)数据的投影序列，图6(b)为被伪影污染的DPC-CT完备投影序列，图6(c)为不含伪影的DPC-CT完备投影序列，图6(d)为DPC-CT完备投影序列。

图7(a)为微分相衬CT完备投影序列的重建结果，图7(b)为微分相衬CT不完备数据中的有限角的初始重建结果，图7(c)为本发明重建方法实施例的最终的重建结果图像，图7(d)为图7(a)的方框区域放大表示，图7(e)为图7(b)的对应区域放大表示，图7(f)为图7(c)的对应区域的放大表示。

从图6、7可知，基于深度学习的微分相衬CT不完备数据重建方法可以有效地处理有限角不完备数据情况。

本发明实施例相比于传统的重建方法，计算流程简单、需要人为设置的参数更少，计算速度更快，传统迭代算法需要进行多次迭代才能获得较好的结果，并且需要精细地控制迭代的次数，而本方法只需在训练阶段粗略地设置迭代次数，在预测阶段，只需要一次计算即可以获得重建结果。现有的使用深度学习技术进行X射线幅值衰减CT的重建算法，无法处理DPC-CT数据，并且这些技术会直接处理初始重建结果，没有充分利用成像系统的所有信息。本发明实施例可以处理DPC-CT数据，并且处理的是投影序列而不是初始重建结果，对成像系统的信息利用更加充分，可以获得更好的重建结果。

在本发明所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其他的方式实现。例如，以上所描述的深度学习网络结构实施例仅仅是示意性的；例如，所用的初始特征提取模块仅仅是一种功能示意，实际实现时可以有另外的实现方式；例如，所用的特征密集连接模块仅仅是简单的功能描述，实际实现时可以有另外的实现方式。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (7)

1.一种基于深度学习的微分相衬CT不完备数据重建方法，其特征在于，包括如下步骤：

步骤1、使用滤波反投影重建算法FBP对微分相衬CT即DPC-CT不完备投影序列进行重建，获得初始重建图像；所述初始重建图像是由于投影序列不完备，在FBP重建结果中存在伪影和噪声；

步骤2、利用前向投影算子对所述的初始重建图像进行前向投影，获得被伪影污染的完备投影序列；所述被伪影污染的完备投影序列是通过前向投影操作，将图像结构信息以及伪影一起前向投影到投影序列中，序列数量满足完备性条件，即满足奈奎斯特采样定律；

步骤3、利用微分算子从所述被伪影污染的完备投影序列中获得被伪影污染的微分相衬CT完备投影序列；所述的被伪影污染的微分相衬CT完备投影序列指的是从被伪影污染的完备投影序列中解析出的微分相衬信息；

步骤4、利用深度学习技术对所述的被伪影污染的微分相衬CT完备投影序列进行处理，获得不含伪影的微分相衬CT完备投影序列；所述不含伪影的微分相衬CT完备投影序列是利用深度学习技术对被伪影污染的微分相衬CT完备投影序列进行处理，得到的投影序列已不再包含伪影，且序列数量满足完备性条件；

步骤5、利用FBP重建算法对所述的不含伪影的微分相衬CT完备投影序列进行重建，获得最终的重建结果图像。

2.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据重建方法，其特征在于，所述的不完备的投影序列可以是由各种成像条件限制所导致的不完备数据，包括稀疏角数据、有限角数据。

3.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据的重建方法，其特征在于，所述步骤1使用FBP重建算法产生初始重建图像；针对不同的DPC-CT成像系统所获得的投影序列，使用对应的FBP重建算法；扇束成像系统的FBP重建算法如公式(1)-(2)：

其中，δ(x,y)代表重建结果，U代表成像系统权重矩阵，α_θ(s)代表DPC投影序列，h(v)代表Hilbert滤波器，v为频率变量，θ为旋转角度。

4.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据重建方法，其特征在于，步骤2对初始重建图像使用如公式(3)所示的前向算子产生相衬投影

P(s,θ)＝∫_lδ(x,y)dl (3)

其中，P(s,θ)为所述的被伪影污染的完备投影序列，其包含图像结构信息以及伪影，序列数量与完备数据相同，δ(x,y)为初始重建图像。

5.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据的重建方法，其特征在于，步骤3对相衬投影使用如公式(4)所示的微分算子产生微分相衬投影；

其中，P(s,θ)为所述的被伪影污染的完备投影序列，α_θ(s)代表被伪影污染的DPC-CT完备投影序列。

6.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据的重建方法，其特征在于，步骤4使用如公式(5)所示的深度学习算法从不完备微分相衬投影中获得完备微分相衬投影；

其中，

为不含伪影的DPC-CT完备投影序列，α_θ(s)为被伪影污染的DPC-CT完备投影序列，N为所述的卷积神经网络。

7.根据权利要求1所述的基于深度学习的微分相衬CT不完备数据的重建方法，其特征在于，步骤4所使用的深度学习算法是对所述的被伪影污染的微分相衬CT完备投影序列进行处理，而不是处理初始重建结果。

Images