CN112509089B - 基于截断数据外推网络的ct局部重建方法 - Google Patents

基于截断数据外推网络的ct局部重建方法 Download PDF

Info

Publication number
CN112509089B
CN112509089B CN202011351607.6A CN202011351607A CN112509089B CN 112509089 B CN112509089 B CN 112509089B CN 202011351607 A CN202011351607 A CN 202011351607A CN 112509089 B CN112509089 B CN 112509089B
Authority
CN
China
Prior art keywords
truncated
projection
data
extrapolation network
network
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.)
Active
Application number
CN202011351607.6A
Other languages
English (en)
Other versions
CN112509089A (zh
Inventor
韩玉
杜雨盈
刘竞夫
朱林林
席晓琦
李磊
闫镔
刘梦楠
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.)
Information Engineering University of the Chinese People's Liberation Army Cyberspace Force
Original Assignee
Information Engineering University of PLA Strategic Support Force
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 Information Engineering University of PLA Strategic Support Force filed Critical Information Engineering University of PLA Strategic Support Force
Priority to CN202011351607.6A priority Critical patent/CN112509089B/zh
Publication of CN112509089A publication Critical patent/CN112509089A/zh
Application granted granted Critical
Publication of CN112509089B publication Critical patent/CN112509089B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于截断数据外推网络的CT局部重建方法，该方法利用投影正弦图的分布特征和截断数据外推网络的特征提取能力完成投影正弦图的数据补全，首先将截断后的投影正弦图输入截断数据外推网络，然后利用截断数据外推网络提取截断数据的分布特征，通过截断数据外推网络的拟合特性，完成投影正弦图截断数值的外推，截断数据外推网络经过训练后获得特征参数，利用所得参数可以快速准确的完成投影正弦图截断数据的补全，将补全后的正弦图进行滤波及FBP重建，得到清晰的CT图像，有效的抑制了截断伪影的出现。

Description

基于截断数据外推网络的CT局部重建方法
技术领域
本发明涉及CT图像局部重建技术领域，具体涉及一种基于截断数据外推网络的CT局部重建方法。
背景技术
计算机断层成像技术(CT)是一种X光显影技术，以其无损、可视化等优点广泛应用于医疗诊断、工业无损探伤等领域。虽然CT技术已经发展得相当成熟，但受到现有成像方法的制约，在高分辨率成像、大物体成像和减少辐射剂量等方面仍然存在一定的问题。
一方面，医疗领域中通常只对人体的某个发生病变的器官或部位感兴趣，另一方面，实际的工程应用中，由于物体结构、尺寸的约束，不能进行全角度的扫描。以上情况均会造成投影数据的截断，若使用传统重建算法如滤波反投影算法(FBP)进行重建，图像就会出现明显的截断伪影。为消除截断伪影，可以采用投影数据外推延拓的方法对投影数据进行补全，再用FBP算法进行重建。
现有数据外推方法主要是通过插值或空间变换迭代来实现。例如，常量外推法：以边界点的投影值作为缺失的数据值向两侧外延数据；曲线拟合法：利用最小二乘法对采样点进行曲线拟合，再利用这条曲线外推出其他投影值。这些外推方法只利用投影边缘数据进行补全，没有有效利用投影数据间的冗余性，其精确度较低。
发明内容
本发明为解决CT图像局部重建出现截断伪影的问题，提供一种基于截断数据外推网络的CT局部重建方法，通过N张同一物体的CT图像及截断图像获得训练样本数据集，利用基于U-net网络的截断数据外推网络通过训练样本数据集进行深度学习，得到一个能够较好的补全截断投影数据的神经网络，将待重建截断图像输入截断数据外推网络，对待重建截断图像进行补全，最终在得到补全后的完整数据后进行FBP重建，从而解决截断伪影的问题。
本发明的技术方案是：
基于截断数据外推网络的CT局部重建方法，所述方法包括：
步骤1：基于投影图像特征，制作匹配的训练样本数据集；
步骤2：基于投影图像特点，计算截断数据外推网络损失；
步骤3：利用截断数据外推网络损失作为约束对截断数据外推网络的构建进行优化、并通过训练样本数据集对截断数据外推网络进行训练；
对特征图进行融合完成对截断区域信息的补全，获得修补后的投影正弦图；
步骤4：对截断数据外推网络补全后的投影正弦图进行FBP重建。
进一步地，所述步骤1具体包括：
步骤1.1：获取N张同类物体的不同角度的完整CT图像、并对N张所述完整CT图像分别进行随机像素的上下截断处理，得到N张与完整CT图像对应的截断图像；
步骤1.2：将截断图像的被截断部分投影数据置零，获得截断图像的投影正弦图，同时获得完整CT图像的投影正弦图；
步骤1.3：构建完整CT图像的投影正弦图与截断图像的投影正弦图一一对应的图像对、并将所述图像对整合建立训练样本数据集。
进一步地，所述步骤2具体包括：
步骤2.1：在截断处理区域将L2损失函数作为外推网络的损失约束条件，按照公式(1)进行截断数据外推网络损失计算：
其中f和分别代表截断图像的投影正弦图和完整CT图像的投影正弦图，M是截断后有效数据，/>表示逐元素乘法，(x，θ)表示正弦图中的像素位置，x表示探测器元件位置，θ表示投影角度，Loss代表截断数据外推网络损失。
进一步地，所述步骤3具体包括：
步骤3.1基于公式(1)约束条件，对应调整截断数据外推网络的层数设置和模块组成，进行截断数据外推网络结构优化；
步骤3.2：将训练样本数据集上传截断数据外推网络，利用训练样本数据集进行网络的训练，通过深度学习完善截断数据外推网络；
步骤3.3：获取待重建的截断图像投影正弦图，并将其输入截断数据外推网络进行数据外推，通过截断数据补全得到补全投影正弦图。
进一步地，步骤3.1中所述层数设置包括将原始的池化层替换为步长为2的卷积操作来进行数据降维处理，提升截断数据外推网络细节特征的提取能力。
进一步地，步骤3.1中所述模块组成包括多个降维模块及升维模块，多个所述降维模块及升维模块均包含两个卷积核大小为3×3且步长为1的卷积操作。
进一步地，所述步骤3.3具体包括：
步骤3.3.1：在降维模块中，通过步长为2，卷积核大小为3×3的卷积降维过程，实现图像特征的提取，截断数据外推网络对训练样本数据集进行映射，通过多层次的非线性映射逐步提取非截断区域信息对应的特征图；
步骤3.3.2：利用Relu激活函数，通过升维模块完成特征图融合，对截断区域信息进行补全，获得补全投影正弦图。
通过上述技术方案，本发明的有益效果为：
本发明提出了一种基于截断数据外推网络的CT局部重建方法，针对投影图像的特点，将截断数据外推网络进行了优化，通过深度学习将截断数据补全，最终将网络输出结果用FBP算法进行重建得到完整的CT图像。
与直接利用截断投影数据重建得到的图像相比，利用截断数据外推网络补全，再进行FBP算法重建的CT图像，其截断伪影得到有效的抑制，图像更加清晰。从数据指标上看，RMSE(均方根误差)与NMAD(归一化平均绝对距离)都大大降低，NMAD和RMSE分别下降44.24％、43.18％左右。重建结果和上述指标表明，该方法可以有效处理数据截断引起的伪影，提高重建图像的质量。
附图说明
图1基于截断数据外推网络的CT局部重建的截断数据外推网络结构图。
图2基于截断数据外推网络的CT局部重建的流程框图。
图3基于截断数据外推网络的CT局部重建的结果对比图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明：
如图1～2所示，基于截断数据外推网络的CT局部重建方法，所述方法包括：
步骤1：基于投影图像特征，制作匹配的训练样本数据集；
步骤2：基于投影图像特点，计算截断数据外推网络损失；
步骤3：利用截断数据外推网络损失作为约束对截断数据外推网络的构建进行优化、并通过训练样本数据集对截断数据外推网络进行训练；
对特征图进行融合完成对截断区域信息的补全，获得修补后的投影正弦图；
步骤4：对截断数据外推网络补全后的投影正弦图进行FBP(Filter back-projection滤波反投影)重建。
为使截断数据外推网络得到足够的学习数据以保证截断数据外推网的补全效果，所述步骤1具体包括：
步骤1.1：利用CT扫描设备进行360°扫描获取同类物体的N个完整CT图像、并对N个完整CT图像分别进行随机像素的上下截断处理得到N个与完整CT图像对应的截断图像；
步骤1.2：将截断图像的被截断部分投影数据置零，获得截断图像的投影正弦图，同时获取完整CT图像的投影正弦图；
步骤1.3：构建完整CT图像的投影正弦图与截断图像的投影正弦图一一对应的图像对、并将所述图像对整合建立训练样本数据集。
为提高补全图像匹配效果，所述步骤2具体包括：
步骤2.1：在截断处理区域将L2损失函数作为外推网络的损失约束条件，按照公式(1)进行截断数据外推网络损失计算：(由于投影正弦图像分布均匀，不存在较大的偏差值，在本方法中选择L2损失函数作为网络的损失约束条件。L2损失函数可以在整个网络补偿过程中有效防止偏差较大的离群值出现，以确保外推数据的可靠性。)
其中f和分别代表截断图像的投影正弦图和完整CT图像的投影正弦图，M是截断后有效数据，/>表示逐元素乘法，(x，θ)表示正弦图中的像素位置，x表示探测器元件位置，θ表示投影角度，Loss代表截断数据外推网络损失。
为实现基于截断数据外推网络的截断投影正弦图外推补全，所述步骤3具体包括：
步骤3.1基于公式(1)约束条件，对应调整截断数据外推网络的层数设置和模块组成，进行截断数据外推网络结构优化；
步骤3.2：将训练样本数据集上传截断数据外推网络，利用训练样本数据集进行网络的训练，通过深度学习完善截断数据外推网络；
步骤3.3：获取待重建的截断图像投影正弦图，并将其输入截断数据外推网络进行数据外推，通过截断数据补全得到补全投影正弦图。
为优化补全效果，步骤3.1中所述层数设置包括将原始的池化层替换为步长为2的卷积操作来进行数据降维处理，提升截断数据外推网络细节特征的提取能力。步骤3.1中所述模块组成包括多个降维模块及升维模块，多个所述降维模块及升维模块均包含两个卷积核大小为3×3且步长为1的卷积操作。
为进一步优化补全效果，所述步骤3.3具体包括：
步骤3.3.1：在降维模块中，通过步长为2，卷积核大小为3×3的卷积降维过程，实现图像特征的提取，截断数据外推网络对训练样本数据集进行映射，通过多层次的非线性映射逐步提取非截断区域信息对应的特征图；
步骤3.3.2：利用Relu激活函数，通过升维模块完成特征图融合，对截断区域信息进行补全，获得补全投影正弦图。
为证明本发明效果，进行如下实验设置：
在本实施例中，选择临床上的腹部CT图像作为模型，实验时选取了2121张完整的不同角度的腹部CT图像，然后将2121张完整的不同角度的腹部CT图像做投影数据处理，得到完整CT图像的投影正弦图(正弦图大小为512×360)，然后对投影数据的正弦图模拟实际截断情况随机上下截取80-150，得到2121张不同截断部位的截断图像的投影正弦图，将其中20张不同截断部位的截断图像的投影正弦图取出作为测试样本，并将与之对应的20张完整CT图像的投影正弦图作为最终比对样本；
将其余的2101张完整CT图像的投影正弦图及2101张截断图像的投影正弦图按步骤1形成训练样本数据集，输入截断数据外推网络进行训练；
在本实施例中，所述截断数据外推网络采用8层的U-net模型的神经网络，选择L2损失函数作为截断数据外推网络的约束损失，保证补全数据的有效性和可靠性。根据损失函数的计算值，利用Adam优化器不断优化神经网络参数，使其逼近或达到最优值，从而使损失函数值最小，最终得到一个能够较好的补全截断投影数据的神经网络。
试验时运用AMAX工作站上的TensorFlow(版本1.4.0)进行截断数据外推网络的训练和测试。该工作站具有两个Intel Xeon E5-2640 v4 CPU 2.4GHz和64GB内存。
在完成截断数据外推网络的构建、学习及优化后，将20张测试样本输入截断数据外推网络，运用截断数据外推网络对20张测试样本进行外推补全，之后进行FBP重建。
其补全后的腹部CT图像与比对样本的比对图像如图3所示。图中(a)表示完整CT图像的投影正弦图，(b)表示截断图像的投影正弦图，(c)表示补全后的CT图像的投影正弦图，(d)表示完整CT图像，(e)表示截断CT图像，(f)表示补全后的CT图像。
以上所述之实施例，只是本发明的较佳实施例而已，并非限制本发明的实施范围，故凡依本发明专利范围所述的构造、特征及原理所做的等效变化或修饰，均应包括于本发明申请专利范围内。

Claims (2)

1.基于截断数据外推网络的CT局部重建方法，其特征在于，所述方法包括：
步骤1：基于投影图像特征，制作匹配的训练样本数据集；
步骤2：基于投影图像特点，计算截断数据外推网络损失；
步骤3：利用截断数据外推网络损失作为约束对截断数据外推网络的构建进行优化、并通过训练样本数据集对截断数据外推网络进行训练；
对特征图进行融合完成对截断区域信息的补全，获得修补后的投影正弦图；
步骤4：对截断数据外推网络补全后的投影正弦图进行FBP重建；
所述步骤2具体包括：
在截断处理区域将L2损失函数作为外推网络的损失约束条件，按照公式(1)进行截断数据外推网络损失计算：
其中f和分别代表截断图像的投影正弦图和完整CT图像的投影正弦图，M是截断后有效数据，/>表示逐元素乘法，(x,θ)表示正弦图中的像素位置，x表示探测器元件位置，θ表示投影角度，Loss代表截断数据外推网络损失；
所述步骤3具体包括：
步骤3.1基于公式(1)约束条件，对应调整截断数据外推网络的层数设置和模块组成，进行截断数据外推网络结构优化；
步骤3.2：将训练样本数据集上传截断数据外推网络，利用训练样本数据集进行网络的训练，通过深度学习完善截断数据外推网络；
步骤3.3：获取待重建的截断图像投影正弦图，并将其输入截断数据外推网络进行数据外推，通过截断数据补全得到补全投影正弦图；
步骤3.1中所述层数设置包括将原始的池化层替换为步长为2的卷积操作来进行数据降维处理；
步骤3.1中所述模块组成包括多个降维模块及升维模块，多个所述降维模块及升维模块均包含两个卷积核大小为3×3且步长为1的卷积操作；
所述步骤3.3具体包括：
步骤3.3.1：在降维模块中，通过步长为2，卷积核大小为3×3的卷积降维过程，实现图像特征的提取，截断数据外推网络对训练样本数据集进行映射，通过多层次的非线性映射逐步提取非截断区域信息对应的特征图；
步骤3.3.2：利用Relu激活函数，通过升维模块完成特征图融合，对截断区域信息进行补全，获得补全投影正弦图。
2.根据权利要求1所述的基于截断数据外推网络的CT局部重建方法，其特征在于，所述步骤1具体包括：
步骤1.1：获取N张同类物体的不同角度的完整CT图像、并对N张所述完整CT图像分别进行随机像素的上下截断处理，得到N张与完整CT图像对应的截断图像；
步骤1.2：将截断图像的被截断部分投影数据置零，获得截断图像的投影正弦图，同时获得完整CT图像的投影正弦图；
步骤1.3：构建完整CT图像的投影正弦图与截断图像的投影正弦图一一对应的图像对、并将所述图像对整合建立训练样本数据集。
CN202011351607.6A 2020-11-26 2020-11-26 基于截断数据外推网络的ct局部重建方法 Active CN112509089B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011351607.6A CN112509089B (zh) 2020-11-26 2020-11-26 基于截断数据外推网络的ct局部重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011351607.6A CN112509089B (zh) 2020-11-26 2020-11-26 基于截断数据外推网络的ct局部重建方法

Publications (2)

Publication Number Publication Date
CN112509089A CN112509089A (zh) 2021-03-16
CN112509089B true CN112509089B (zh) 2024-03-15

Family

ID=74966430

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011351607.6A Active CN112509089B (zh) 2020-11-26 2020-11-26 基于截断数据外推网络的ct局部重建方法

Country Status (1)

Country Link
CN (1) CN112509089B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146988A (zh) * 2018-06-27 2019-01-04 南京邮电大学 基于vaegan的非完全投影ct图像重建方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
CN110337673B (zh) * 2017-01-05 2023-10-20 通用电气公司 基于深度学习的在断层摄影重建中估计数据的方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146988A (zh) * 2018-06-27 2019-01-04 南京邮电大学 基于vaegan的非完全投影ct图像重建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴清江 ; 戴修斌 ; .基于卷积神经网络的有限视角CT重建.电脑知识与技术.2017,(35),全文. *

Also Published As

Publication number Publication date
CN112509089A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
EP3506209B1 (en) Image processing method, image processing device and storage medium
CN109816742B (zh) 基于全连接卷积神经网络的锥束ct几何伪影去除方法
Yuan et al. Half2Half: deep neural network based CT image denoising without independent reference data
CN112435309A (zh) 一种基于深度学习的增强ct图像质量和分辨率的方法
CN112508808A (zh) 基于生成对抗网络的ct双域联合金属伪影校正方法
CN111292386B (zh) 一种基于U-net的CT投影金属迹线补全金属伪影校正方法
CN110599420B (zh) 基于深度学习的ct图像分块重建方法及系统
Xu et al. Statistical projection completion in X-ray CT using consistency conditions
Huang et al. U‐net‐based deformation vector field estimation for motion‐compensated 4D‐CBCT reconstruction
CN117036162A (zh) 轻量级胸部ct图像超分辨率的残差特征注意力融合方法
Lu et al. A geometry-guided deep learning technique for CBCT reconstruction
Li et al. Learning non-local perfusion textures for high-quality computed tomography perfusion imaging
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
Wang et al. Sparse-view cone-beam CT reconstruction by bar-by-bar neural FDK algorithm
Friot et al. Iterative tomographic reconstruction with TV prior for low-dose CBCT dental imaging
CN113344876A (zh) 一种ct和cbct间可变形配准方法
CN112509089B (zh) 基于截断数据外推网络的ct局部重建方法
CN117197349A (zh) 一种ct图像重建方法及装置
CN116188615A (zh) 一种基于正弦域和图像域的稀疏角度ct重建方法
Kim et al. CNN-based CT denoising with an accurate image domain noise insertion technique
Lin et al. DdeNet: A dual-domain end-to-end network combining Pale-Transformer and Laplacian convolution for sparse view CT reconstruction
CN115239836A (zh) 一种基于端到端神经网络的极端稀疏视角ct重建方法
Zhong et al. Super-resolution image reconstruction from sparsity regularization and deep residual-learned priors
KR102329938B1 (ko) 뉴럴 네트워크를 이용한 콘빔 단층촬영 영상 처리 방법 및 그 장치
CN113392955A (zh) 基于降采样成像几何建模的ct重建神经网络结构及方法

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
CP03 Change of name, title or address

Address after: 450000 Science Avenue 62, Zhengzhou High-tech Zone, Henan Province

Patentee after: Information Engineering University of the Chinese People's Liberation Army Cyberspace Force

Country or region after: China

Address before: No. 62 Science Avenue, High tech Zone, Zhengzhou City, Henan Province

Patentee before: Information Engineering University of Strategic Support Force,PLA

Country or region before: China