CN114511497A - 应用于锥束ct稀疏采样的成像方法及装置 - Google Patents

Abstract

本公开提供了一种应用于锥束CT稀疏采样的成像方法、装置、介质及程序产品。其中，应用于锥束CT稀疏采样的成像方法包括：确定多个当前成像目标；通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据；以及利用深度神经网络模型根据多个原始投影子数据进行对应多个当前成像目标中的每个当前成像目标的成像。相对于现有的通过循环插值方式会造成误差放大问题的传统方案，可以直接对细分位置投影进行扩增，同时联合残差与结构相似度双约束式的神经网络模型，强化扩增投影图像的保真度，极大提升成像速度和图像处理速度，在满足低剂量辐照的情况下，显著提高重建图像信噪比、结构相似性和整体图像质量。

Description

应用于锥束CT稀疏采样的成像方法及装置

技术领域

本公开涉及医学成像技术领域，尤其涉及一种应用于锥束CT稀疏采样的成像方法、装置、介质及程序产品。

背景技术

计算机断层成像(Computed tomography，CT)是医学成像领域中关键的成像技术之一，广泛应用于放射检查、口腔成像、图像引导手术、图像引导放射治疗等领域。CT成像需借助X射线，过量的X射线辐射会给人体健康带来安全风险，因此低剂量CT有着巨大的健康卫生意义，也是目前CT技术发展的重要方向之一。

放疗加速器机载锥束CT(Cone-Beam Compute Tomography，简称CBCT)作为图像引导放疗(Image-guided Radio Therapy，简称IGRT)的关键支撑技术，不仅能够快速给出患者的三维断层图像，还可以通过六维(6Degree-of-Freedom，简称6DoF)配准技术实现在线定量位置验证。因此，CBCT技术的出现，极大提升了患者治疗的体位一致性，目前已成为IGRT临床在线位置验证的“金标准”。

通常，放疗处方剂量分次交付，在治疗全流程中，患者需接受多次CBCT位置验证。患者成像剂量累积所带来的辐射远期随机性效应风险升高问题，特别是儿童等长生存期患者的二次患癌风险问题，成为辐射剂量学研究的重点关注问题。尽管降低CBCT成像频率可以有效减少累受剂量，但体位偏差修正不足所造成的剂量交付偏差、进而出现的肿瘤局控率下降风险，是临床无法接受的。为达到对精确成像和减少患者辐射剂量的兼顾，现有技术中已出现通过利用一个或多个训练好的插值神经网络复原相邻两幅投影图像之间的一幅或多幅投影图像。但是，这种技术方案处理图像处理速度仍然较慢，且难以兼顾对患者不同身体部位的成像进行较快的处理。

发明内容

(一)要解决的技术问题

为解决现有技术中机载CBCT低剂量成像过程中所存在的技术问题至少之一，本公开提供了一种应用于锥束CT稀疏采样的成像方法、装置、介质及程序产品，保证放疗患者的成像精确前提下，减少患者成像累受剂量，进而降低辐射所带来的远期随机性效应风险，同时还能够进一步提高成像速度以及图像处理速度，成为机载CBCT低剂量研究的核心临床驱动力。

(二)技术方案

本公开的第一方面提供了一种应用于锥束CT稀疏采样的成像方法，其中，包括：确定多个当前成像目标；通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据；以及利用深度神经网络模型根据多个原始投影子数据进行对应多个当前成像目标中的每个当前成像目标的成像。

根据本公开的实施例，在确定多个当前成像目标中，包括：获取成像需求数据；根据成像需求数据确定多个当前成像目标。

根据本公开的实施例，在通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据之前，还包括：按照原始采样位置顺序执行CT扫描检测，获取原始投影数据。

根据本公开的实施例，在通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据中，包括：分析多个当前成像目标，确定多个当前成像目标中每个当前成像目标的对应当前采样率要求；根据当前采样率要求对原始投影数据执行拆分，获取对应当前成像目标的原始投影子数据。

根据本公开的实施例，在利用深度神经网络模型根据多个原始投影子数据进行成像之前，还包括：根据多个历史成像目标和对应的多个历史采样率要求，对历史投影数据执行分组，生成多个历史投影子数据；根据多个历史子数据中的每个历史投影子数据构建对应每个历史成像目标的训练数据集；基于建立的网络模型参数，利用训练数据集训练对应每个历史成像目标的深度神经网络模型。

根据本公开的实施例，在基于建立的网络模型参数，利用训练数据集训练对应每个历史成像目标的深度神经网络模型中，包括：通过基网络、多个子网络和输出层建立深度神经模型的初始架构；以网络模型参数对初始架构对应的深度神经网络模型进行初始化；通过训练数据集对执行初始化的深度神经网络模型进行训练。

根据本公开的实施例，在通过训练数据集对执行初始化的深度神经网络模型进行训练中，包括：当对深度神经网络模型的训练判定收敛时，完成训练过程；其中，当训练数据集中的扩增投影图像与设定第一真值之间的误差小于预设第一阈值时，且当扩增投影图像与设定第二真值之间的平均结构相似性大于预设第二阈值时，判定深度神经网络模型的训练收敛。

根据本公开的实施例，在根据多个历史子数据中的每个历史投影子数据构建对应每个历史成像目标的训练数据集中，包括：按照对应每个历史成像目标的历史采样率要求对历史投影子数据进行降采样处理，以确定降采样处理过程中的每两幅连续的历史投影图像以及位于两幅连续的历史投影图像之间的至少一个历史扩增投影图像；将每两幅连续的历史投影图像和至少一个历史扩增投影图像作为真值输入深度神经网络模型，构成训练数据集。

根据本公开的实施例，在利用深度神经网络模型根据多个原始投影子数据执行对应多个当前成像目标中的每个当前成像目标的成像中，包括：根据目标采样率要求，利用深度神经网络模型对原始投影子数据进行投影扩增，获取对应当前成像目标的当前扩增投影图像数据；将当前扩增投影图像数据和原始投影子数据进行整合，生成当前密集投影图像数据；对当前密集投影图像数据执行对应当前成像目标的三维重建，以完成成像。

本公开的第二方面提供了一种应用于锥束CT稀疏采样的成像装置，其中，包括目标确定模块、数据拆分模块以及成像执行模块。目标确定模块用于确定多个当前成像目标；数据拆分模块用于通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据；以及成像执行模块用于利用深度神经网络模型根据多个原始投影子数据执行对应多个当前成像目标中的每个当前成像目标的成像。

本公开的第三方面提供了一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得一个或多个处理器执行上述应用于锥束CT稀疏采样的成像方法。

本公开的第四方面还提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行上述应用于锥束CT稀疏采样的成像方法。

本公开的第五方面还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述应用于锥束CT稀疏采样的成像方法。

(三)有益效果

本公开提供了一种应用于锥束CT稀疏采样的成像方法、装置、介质及程序产品。其中，应用于锥束CT稀疏采样的成像方法包括：确定多个当前成像目标；通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据；以及利用深度神经网络模型根据多个原始投影子数据进行对应多个当前成像目标中的每个当前成像目标的成像。相对于现有的通过循环插值方式会造成误差放大问题的传统方案，可以直接对细分位置投影进行扩增，同时联合残差与结构相似度双约束式的神经网络模型，强化扩增投影图像的保真度，极大提升成像速度和图像处理速度，在满足低剂量辐照的情况下，显著提高重建图像信噪比、结构相似性和整体图像质量。

附图说明

图1示意性示出了根据本公开实施例的应用于锥束CT稀疏采样的成像方法的流程图；

图2示意性示出了根据本公开实施例的应用于锥束CT稀疏采样的成像方法的应用场景流程图；

图3示意性示出了根据本公开实施例的应用于锥束CT稀疏采样的采样结构示意图；

图4示意性示出了根据本公开实施例的应用于锥束CT稀疏采样的成像方法的应用原理图；

图5示意性示出了根据本公开实施例的应用于锥束CT稀疏采样的成像方法的神经网络模型训练方法的流程图；

图6A-图6C示意性示出了根据本公开实施例的应用于锥束CT稀疏采样的成像方法的神经网络结构图；

图7A-图7E示意性示出了密集采样重建图像(图7A)、稀疏采样重建图像(图7B)、本公开实施例的模型合成密集稀疏采样重建图像(图7C)以及真值密集采样实测投影图像(图7D)、本公开实施例的合成投影图像(图7E)；

图8示意性示出了根据本公开实施例的应用于锥束CT稀疏采样的成像装置的结构框图；以及

图9示意性示出了根据本公开实施例的适于实现应用于锥束CT稀疏采样的成像方法的电子设备的方框图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

需要说明的是，在附图或说明书正文中，未绘示或描述的实现方式，均为所属技术领域中普通技术人员所知的形式，并未进行详细说明。此外，上述对各元件和方法的定义并不仅限于实施例中提到的各种具体结构、形状或方式，本领域普通技术人员可对其进行简单地更改或替换。

还需要说明的是，实施例中提到的方向用语，例如“上”、“下”、“前”、“后”、“左”、“右”等，仅是参考附图的方向，并非用来限制本公开的保护范围。贯穿附图，相同的元素由相同或相近的附图标记来表示。在可能导致对本公开的理解造成混淆时，将省略常规结构或构造。

并且图中各部件的形状和尺寸不反映真实大小和比例，而仅示意本公开实施例的内容。另外，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。

再者，单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。

说明书与权利要求中所使用的序数例如“第一”、“第二”、“第三”等的用词，以修饰相应的元件，其本身并不意味着该元件有任何的序数，也不代表某一元件与另一元件的顺序或是制造方法上的顺序，这些序数的使用仅用来使具有某命名的一元件得以和另一具有相同命名的元件能做出清楚区分。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把他们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把他们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的代替特征来代替。并且，在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。

类似地，应当理解，为了精简本公开并帮助理解各个公开方面的一个或多个，在上面对本公开的示例性实施例的描述中，本公开的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本公开要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，公开方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本公开的单独实施例。

在医学成像领域中，通过增大投影角度间隔的稀疏采样低剂量成像策略，能够较好地保持体位验证所必需的图像完整性，而噪声增加、分辨率下降、几何畸变等问题，可通过图像恢复、缺失数据补全等多种途径做补偿，成像质量改善的切入点更为多元。近年来基于深度神经网络的计算机视觉技术飞速发展，医学图像领域的应用屡见报道，这为加速器机载CBCT低剂量成像提供了更多方法和选择。

低剂量成像是CT技术领域经久不衰的研究话题。现有技术中已存在基于优化理论的统计迭代算法(Statistical Iterative Reconstruction，简称SIR)实现低剂量成像的技术方案，即通过提取图像特征建立带有正则项的目标函数并做反复迭代，达到提高低剂量CT成像质量的目的。

其中，将SIR类算法应用于放疗机载CBCT成像，虽仅使用56个均匀采样的稀疏投影数据，即可重建得到图像质量远优于经典FDK算法的成像效果，但是，迭代重建算法存在计算量大、重建速度慢的突出问题，而且随着投影采样数减少，引入系统误差的潜在风险变大。随着GPU硬件进步和迭代重建加速方法积累，目前临床可用的Varian加速器iCBCT迭代重建模块的重建时间小于1min，但是投影数据采集并未实现稀疏化，成像剂量仍有较大的下降空间。

为进一步提升成像整体质量，可以摒弃上述迭代重建思路的基于卷积神经网络(CNN)的图像域降噪方法，对CT图像进行处理。其中，现有的将稀疏角度锥束CT原始投影图像变换为多幅投影图像之后，利用一个或多个插值卷积神经网络复原相邻两幅投影图像之间的投影图像，使得复原之后的投影图像数量和全角度锥束CT投影图像数量一致，从而可以利用这些图像进行锥束CT图像重建。然而，上述利用插值卷积神经网络复原投影图像的技术方案面临着因循环插值方法所带来的误差放大问题，使得成像质量仍然欠佳，而且，对于临床上常见的多部位联合CT检查，也只能进行投影图像的整体处理，图像处理速度较慢，临床资源利用率较差，难以兼顾对不同部位的成像以及较快的图像处理速度。

为解决现有技术中机载CBCT低剂量成像过程中所存在的技术问题至少之一，本公开提供了一种应用于锥束CT稀疏采样的成像方法、装置、介质及程序产品，具体如图1-图9所示。

如图1所示，本公开实施例的应用于锥束CT稀疏采样的成像方法包括操作S101-S103。

在操作S101中，确定多个当前成像目标；

在操作S102中，通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据；以及

在操作S103中，利用深度神经网络模型根据多个原始投影子数据进行对应多个当前成像目标中的每个当前成像目标的成像。

当前成像目标可以为进行锥束CT稀疏采样的当前状态下的目标对象，如患者的当前成像部位，成像部位可以包括头、胸、腹等。根据不同的患者当前的医疗需要，可以确定患者需要成像的部位都有哪些，这些成像部位可以作为上述的当前成像目标。

对应于每个当前成像目标对应不同的当前采样率要求。当前采样率要求为对当前成像目标进行CT扫描投影成像的采样率需要，其中，当前采样率可以为在设定CT的扫描角度范围内采集的投影图像的数量与采样角度间隔之间的关系。也即，根据相应的当前采样率要求可以确定当前成像目标的扫描投影数据的数据量。原始投影数据为多个当前成像目标的所有经过根据上述对应采样率要求的CT扫描成像生成的原始投影图像的数据。原始投影子数据则为对应每个当前成像目标的原始投影图像的数据，其对应的是单个成像部位的投影图像。因此，通过对应的当前成像目标可以实现对应当前采样率要求的原始投影子数据，从而实现了对整个原始投影数据按照成像部位的拆分，以在保证成像准确度的情况下，实现并行图像处理过程，从而加快图像处理速度，提高成像速度，保证成像质量。

在本公开实施例中，深度神经网络模型为对应的一个当前成像目标的成像部位的原始投影子数据进行处理的联合残差与结构相似度双约束式的机器学习技术。因此，借助于多个深度神经网络模型可以同时并行对多个当前成像目标对应的多个原始投影子数据进行学习成像。

可见，相对于现有的通过循环插值方式进行成像易于造成误差放大问题的传统方式，本公开实施例的上述成像方法可以直接对成像目标进行位置细分，同时联合残差与结构相似度双约束式的神经网络模型，强化扩增投影图像的保真度，极大提升成像速度和图像处理速度，在满足低剂量辐照的情况下，显著提高重建图像信噪比、结构相似性和整体图像质量。

如图1和图2所示，根据本公开的实施例，在操作S101确定多个当前成像目标中，包括：

获取成像需求数据；

根据成像需求数据确定多个当前成像目标。

根据患者的检查需求，如身体特定部位的症状或与该症状相关身体部位需要进行CT扫描成像，生成对应的成像需求数据。其中，成像需求数据为包括患者个人信息以及检查身体部位的需求数据，定义了患者的名字或者编号、所检查的身体部位名称作为当前成像目标。如患者甲，姓名张三，因药物过敏症状以及中风症状需要对头、肝肾(腹部)进行CT检查，则成像需求数据包括患者代号或编号为甲、姓名为张三、当前成像目标为头部和腹部的成像要求数据项。

因此，可以根据上述的成像需求数据直接定义需要成像的当前成像目标，如头部和腹部。另外，由于不同CT扫描设备的特性存在差异，同时不同身体部位对CT扫描设备的扫描检测过程的承受能力差异，因此，需要进一步针对当前成像目标的扫描检测过程的扫描成像采样率进行确认，如头部的采样率为N1，腹部的采样率为N2，如图2所示操作S201。换言之，CT扫描设备在不同的扫描成像目标面前，其相应的采样率也可以自行发生调整，以适应扫描成像，提高成像准确率的同时，保证成像目标的成像质量。

如图1-图3所示，根据本公开的实施例，在操作S102通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据之前，还包括：

按照原始采样位置顺序执行CT扫描检测，获取原始投影数据。

如图3所示锥束CT稀疏采样的设备采样结构示意图，其中，医用CT设备300包括X射线源310、探测器320以及探测台330。当进行扫描探测时，患者340可以躺在探测台330上，以探测台330作为成像目标的支撑结构，通过X射线源310辐射X射线执行扫描检测。其中，探测器320可以实现对经过探测台330和患者340位置的X射线源310辐射的X射线的探测接收，以用于反馈投影成像。为完成对患者340的特定身体部位的全方位探测，X射线源310和探测器320可以相对于探测台330的中心作为圆心，沿箭头所示方向或反方向进行旋转探测，每旋转一固定角度则执行依次X射线探测成像，生成一个探测投影图像，直至旋转一圈X射线源310和探测器320恢复至原位置，完成对患者的该特定身体部位的全部探测，形成针对该特定身体部位的所有探测投影图像数据。

其中，原始采样位置顺序为对当前成像目标执行CT扫描检测时，相对于探测台330的X射线源310和探测器320的旋转位置的旋转顺序。如图3所示，可以在初始采样位置a1进行第一次CT扫描检测，生成第一投影图像；之后，顺时针旋转固定角度θ，在第二采样位置a2进行第二次CT扫描检测，生成第二投影图像；然后，顺时针再旋转固定角度θ，在第三采样位置a3进行第三次CT扫描检测，生成第三投影图像；进一步地，顺时针再旋转固定角度θ，在第四采样位置a4进行第四次CT扫描检测，生成第四投影图像，……，直至X射线源310和探测器320恢复到原初始采样位置，可以检测得到第一投影图像、第二投影图像等多个投影图像的集合，作为对应于该特定成像部位的原始投影数据。其中，上述沿固定的旋转方向，以固定的旋转角度进行定义的采样位置顺序即上述的原始采样位置顺序。

需要说明的是，探测台330可以沿上述X射线源310和探测器320的旋转的轴向作前后的移动，从而带动躺在探测台330上的患者340作前后移动，使得患者340可以将扫描完成的身体部位移动到辐射检测范围之外，将下一个需要进行扫描的身体部位移动至辐射检测范围之内。如此，可以完成对同一患者的所有需要检测的身体部位的原始投影数据。当多个患者分别执行上述检测操作时，则可以形成多个患者的不同身体部位的巨量原始投影图像数据，即可以作为上述的原始投影数据。

该原始采样位置顺序可以对成像的位置和检测旋转的方向进行定义，换言之，可以借此对稀疏采样的位置进行定义，实现对当前成像目标的稀疏采样，使得上述的原始投影数据为稀疏投影数据。如图3所示，相对于a1、b1、b2、a2的密集采样方式，a1、a2、a3、a4的采样方式为稀疏采样方式。由于不同采样位置的采样时间不同，采样角度不同，借此，可以通过原始采样位置顺序对所获取的对应采样位置的投影图像进行编号，具体可以编号为a1、a2、a3、a4等。

因此，可以通过原始采样位置顺序针对当前成像目标进行稀疏采样的采样扫描设定，确保能够稳定的实现稀疏采样的过程，加快采样速度，减少当前成像目标在辐射环境中的暴露时间，从而减小辐射对身体的伤害。

如图1-图3所示，根据本公开的实施例，在操作S102通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据中，包括：

分析多个当前成像目标，确定多个当前成像目标中每个当前成像目标的对应当前采样率要求；

根据当前采样率要求对原始投影数据执行拆分，获取对应当前成像目标的原始投影子数据。

由于人体的不同部位X射线的透射能力有所差异，成像需求也有所差异，针对每个成像部位达到成像要求的同时保证低剂量辐射和降低辐射暴露时间，减少对成像部位的非必要辐射，对每个成像部位设置的采样率要求也存在差别。如前述所言，在CT检测扫描过程中，每幅投影图像获取的检测角度位置可以确定。因此，假设某个成像部位的对应CT扫描的角度范围为R，采样率N满足：N＝R/A，其中，A为采样角度间隔，即前述固定采样角度θ。因此，对需要成像的当前成像目标进行分析，确定相应的成像身体部位，根据这些成像身体部位的不同，匹配相应的当前采样率，作为当前成像目标的当前采样率要求。

进一步地，由于当前采样率要求的不同，可以体现成像目标的不同，借此可以对原始投影数据按照成像部位的差异进行图像数据拆分，分为不同的成像部位的对应原始投影图像集合数据，作为对应成像部位的原始投影子数据，如图2所示操作S202。因此，若原始投影数据为同一个患者的多个不同成像部位(如头部和腹部)的投影扫描图像数据，则根据其不同的成像部位，对投影扫描图像数据进行拆分，拆分为对应的成像部位的投影扫描子图像数据，如拆分为对应头部的投影扫描子图像数据和对应腹部的投影扫描子图像数据。此外，若原始投影数据为不同的多个患者的多种不同成像部位的投影图像数据，则还需要对生成的对应成像部位的投影扫描子图像数据进行对应患者的匹配，确保数据处理精确。

借此，可以获取相应的原始投影子数据，对应不同的成像部位，使得图像数据的处理过程更加精细化，防止数据遗漏或者混淆，确保了数据处理快速高效。

如图1-图5所示，根据本公开的实施例，在操作S103利用深度神经网络模型根据多个原始投影子数据进行成像之前，还包括：

根据多个历史成像目标和对应的多个历史采样率要求，对历史投影数据执行分组，生成多个历史投影子数据；

根据多个历史子数据中的每个历史投影子数据构建对应每个历史成像目标的训练数据集；

基于建立的网络模型参数，利用训练数据集训练对应每个历史成像目标的深度神经网络模型。

历史成像目标为相对于当前成像目标，在之前需要进行CT扫描成像患者的成像部位，基本可以是所有可成像的成像部位至少之一。同样地，对应于不同的历史成像目标，相应地采样率要求也并不相同，形成不同的多个历史采样率要求，且这些历史采样率要求可以涵盖所有可成像的成像部位的采样率至少之一，这些历史采样率与这些历史成像目标一一对应。

历史投影数据为针对几乎所有历史成像目标基于对应历史采样率要求进行CT扫描成像的投影图像数据。按照上述的历史采样率要求，同样可以对历史投影数据执行分组，从而生成多个历史投影子数据。历史投影子数据为对应某个成像部位的投影扫描图像数据。具体地，该历史投影数据可以为临床CT扫描投影数据的原始数据集，在合法合理条件下，可以进行收集整理并进行上述的分组行为。如图5所示，在操作S501中，将临床患者CT投影历史数据，根据扫描的成像部位(如头部、腹部、胸部和四肢)以及对应部位的采样率(如低剂量、常规、密集等)作出数据分组，形成对应的成像部位的历史投影子数据。

将对应的历史成像目标的历史投影子数据进行上述深度神经网络模型的训练数据集的构建，如操作S522中，根据原始投影子数据的实际采样率和预设的稀疏采样率对深度神经网络模型执行构建。其中训练数据集为对深度神经网络进行学习构建的样本集，可以实现通过历史投影子数据的已知类别样本进行分类器等的参数调整，达到相应性能的深度神经网络模型的估计过程。

基于上述训练数据集，基于建立的网络模型参数对深度神经网络模型执行训练，且这个深度神经网络模型对应于相应的历史成像目标，即对应的成像部位。换言之，借此可以实现对所有成像部位的对应深度神经网络模型的训练。其中，网络模型参数为上述深度神经网络模型的基本参数内容，用于实现深度神经网络模型的基本架构。

因此，通过上述历史投影子数据的输入可以实现相应的深度神经网络模型的构建和训练，从而能够确保当前成像目标的原始投影子数据的处理更为准确可靠。借此，实现了不同成像部位的对应深度神经网络模型，从而确保了后续原始投影子数据的并行处理过程。

如图1-图6C所示，根据本公开的实施例，在基于建立的网络模型参数，利用训练数据集训练对应每个历史成像目标的深度神经网络模型中，包括：

通过基网络、多个子网络和输出层建立深度神经模型的初始架构；

以网络模型参数对初始架构对应的深度神经网络模型进行初始化；

通过训练数据集对执行初始化的深度神经网络模型进行训练。

如图6A-图6C所示，深度神经网络模型的初始架构600可以包括基网络610、子网络620以及输出层630三种基本组成。

基网络610的典型结构包括一个编码器和一个解码器，编码器包括多个卷积层和多个激活层(即激活函数层)，解码器与编码器的结构大体对称，包括多个反卷积层和多个激活函数层，同时解码器的各个反卷积层与编码器的卷积层通过跳跃链接，构成残差网络结构。

基网络610包括卷积激活结构611-619，其中每个卷积激活结构可以包括一个卷积层和一个激活层，且通过跳跃连接的形式可以构建该基网络610的卷积关联关系。其中，每个卷积激活结构都具有不同的滤波器数量，如卷积激活结构611的滤波器数量为16个，卷积激活结构612的滤波器数量为32个，卷积激活结构613的滤波器数量为64个，……，其中每个滤波器均使用3×3卷积核。基网络610主要用于同时提取多幅输入投影图像的协同特征(如图像特征、相对角度关系、运动特征等)，其中，图像特征为图像分辨率、纹理、边缘、锐利程度，涉及形态软组织、骨结构；相对角度关系为不同组织结构图影重叠、错位；运动特征为不同角度不同的重叠特征。

相应地，经过稀疏采样得到的当前成像目标的原始投影子数据或者经过密集采样得到历史成像目标的历史投影子数据都可以通过基网络610输入到深度神经网络模型，经过基网络610卷积激活处理之后，再传送到相应的子网络620中。其中，每个子网络的典型结构可以包括多个卷积层和多个激活函数层以及多个上采样层。

子网络620可以包括子网络621-623，其中，每个子网络类似基网络610具有多个卷积激活结构，每个卷积激活结构的卷积层和激活层对应设置，且每个卷积激活结构都具有不同的滤波器数量，如16、32、64等为上述对应卷积激活结构的滤波器数量。经对应的子网络621-623的处理之后，相应的投影图像数据可以在输出层输出采样位点1投影图像、采样位点2投影图像以及采样位点3投影图像。子网络的数量可以具有k-1个，k为大于等于2的正整数，且k还可以满足目标采样率与原始采样率之间的倍数关系。其中，原始采样率为当前成像目标的当前采样率要求，目标采样率为将当前成像目标的原始投影子数据进行数据处理过程中所设定的采样率要求。其中，子网络621-623可以分别用于根据协同特征生成相应细分采样角度下的投影图像。输出层630则用于将k-1个子网络合成的投影图像按次输出扩增后的投影图像，或以k-1个通道张量的形式输出投影图像。换言之，上述的采样位点1投影图像的图像可以是输入投影图像按次输出扩增之后的投影图像。

因此，基于上述基网络610、子网络620以及输出层630可以建立深度神经网络模型的初始架构。

基于上述的深度神经网络模型的初始架构，以零值、随机数以及预训练模型等中至少之一的初始化参数作为网络模型参数，可以对上述的深度神经网络模型执行初始化处理，从而实现对模型参数的初始化操作，基本形成深度神经网络模型。

进一步地，通过上述历史投影子数据所形成的对应成像部位的训练数据集，对上述搭建的深度神经网络模型执行训练操作，如图5所示操作S503。

因此，可以基于训练数据集获取对应成像部位的深度神经网络模型，使得该深度神经网络模型作为数据处理工具，在后期原始投影子数据的处理过程中数据更为准确，且保证数据按照成像部位的并行处理，提高数据处理速度。换言之，通过直接法对细分位置进行投影扩增，同时联合残差网络结构模型训练方法，可以避免现有的循环插值方式带来的误差放大问题，强化扩增投影图像的保证度，显著提高了重建图像的结构相似性和整体图像质量。

如图1-图6C所示，根据本公开的实施例，在根据多个历史子数据中的每个历史投影子数据构建对应每个历史成像目标的训练数据集中，包括：

按照对应每个历史成像目标的历史采样率要求对历史投影子数据进行降采样处理，以确定降采样处理过程中的每两幅连续的历史投影图像以及位于两幅连续的历史投影图像之间的至少一个历史扩增投影图像；

将每两幅连续的历史投影图像和至少一个历史扩增投影图像作为真值输入深度神经网络模型，构成训练数据集。

历史投影子数据可以是基于历史采样率要求按照固定密集角度进行CT扫描检测所形成的对应历史成像目标的投影图像数据，且该投影图像数据为密集投影图像数据。如图3所示，在相对于以固定角度θ的a1、a2、a3、a4位置的稀疏采样获取的稀疏投影图像数据，以小于固定角度θ的固定角度β的a1、b1、b2、a2位置的密集采样获取的是密集投影图像数据。其中，历史采样率要求可以对密集采样的固定角度β进行限定。换言之，若要对a1、b1、b2、a2位置的密集投影图像数据进行降采样处理形成仅剩a1、a2、a3、a4位置的稀疏投影图像数据，则根据该历史采样率要求，可以剔除不符合相应固定角度θ的b1、b2位置的密集投影图像数据，完成对密集投影图像数据的降采样处理，如图5所示操作S521。

因此，基于上述降采样处理过程，可以确定每两幅连续的历史投影图像(如对应a1、a2位置)以及位于两幅连续的历史投影图像(如对应a1、a2位置)之间的至少一个历史扩增投影图像(如b1和/或b2位置)。换言之，作为降采样的反处理过程，扩增处理是根据当前采样率要求，结合该降采样的处理规则，在两个相邻的当前投影图像(如对应a1、a2位置)之间增加至少一个投影图像(如b1和/或b2位置)，得到a1、b1、b2、a2位置对应的密集投影图像数据。

将上述经过降采样处理得到的每两幅连续的历史投影图像和至少一个历史扩增投影图像作为深度神经网络模型的训练真值输入到模型中，可以用于作为该深度神经网络模型的训练数据集。其中，该训练数据集可以用于实现对模型的构建训练，如图5所示操作S503。具体地，可以按照历史采样率和稀疏采样率的k倍关系，对历史投影图像子数据做k倍降采样，以降采样得到的每两幅连续的第一投影子图像对作为神经网络模型的输入、以位于该两幅投影图像的采样位置之间的k-1幅第二投影子图像作为神经网络模型的真值，共同构成训练数据集。其中，第一投影子图像为上述降采样处理之后的剩余投影图像，第二投影子图像则是相对于该剩余投影图像在反降采样的扩增程序中所需的扩增图像。

可见，通过降采样可以对密集采样位置进行细分，实现稀疏采样的位置确定，使得该深度神经网络可以在对当前成像目标进行成像处理过程中，实现对原始投影子数据的精准扩增，从而极大降低当前成像目标的成像检测扫描时间，减少辐射暴露时间，还能够提升成像速度和图像处理速度，在满足低剂量辐照的情况下，显著提高重建图像结构相似性和整体图像质量。

如图1-图6C所示，根据本公开的实施例，在通过训练数据集对执行初始化的深度神经网络模型进行训练中，包括：

当对深度神经网络模型的训练判定收敛时，完成训练过程；

其中，当训练数据集中的扩增投影图像与设定第一真值之间的误差小于预设第一阈值时，且当扩增投影图像与设定第二真值之间的平均结构相似性大于预设第二阈值时，判定深度神经网络模型的训练收敛。

在模型训练的过程中，当模型训练收敛判定时，可以完成深度神经网络模型的训练。其中，在扩增得到的投影图像与设定真值之间的误差小于第一预设值，且扩增图像得到的投影图像与设定真值之间的平均结构相似性大于第二预设值时，可以判定该深度神经网络模型的训练收敛，如图5所示操作S504。其中，第一预设值可以为上述的预设第一阈值，第二预设值可以为上述的预设第二阈值。其中，设定第一真值为对应MAE、MSE或者RMSE的损失函数的真值，该误差对应上述输入投影图像的MAE、MSE或者RMSE的损失函数的误差值。设定第二真值为对应平均结构相似性MSSIM的真值。

因此，本公开实施例的上述方法能够通过直接法对细分位置进行投影扩增，同时联合残差网络结构与结构相似度双约束式的模型训练方法，可以强化扩增投影图像的保证度，显著提高了重建图像的结构相似性和整体图像质量。

如图1-图6C所示，根据本公开的实施例，在操作S103利用深度神经网络模型根据多个原始投影子数据执行对应多个当前成像目标中的每个当前成像目标的成像中，包括：

根据目标采样率要求，利用深度神经网络模型对原始投影子数据进行投影扩增，获取对应当前成像目标的当前扩增投影图像数据；

将当前扩增投影图像数据和原始投影子数据进行整合，生成当前密集投影图像数据；

对当前密集投影图像数据执行对应当前成像目标的三维重建，以完成成像。

当对模型进行训练并完成训练收敛判定之后，可以对训练好的深度神经网络模型执行输出，如图5所示操作S505。其中，该训练好的深度神经网络模型用于针对原始投影子数据的扩增，在执行原始投影数据的拆分之后，对该已训练好的对应采样率的深度神经网络模型执行调取，如图2所示操作S203。如图4所示，对稀疏角度采样投影图像410通过深度神经网络420进行扩增，获取相应的扩增投影图像430。

将上述拆分的原始投影子数据作为对应的稀疏角度CT投影数据执行输入，并且根据当前采样角度θ和原始采样位置顺序对原始投影子数据的图像数据进行编号(如a1、a2、a3、a4等，具体参见前述内容)，如图2所示操作S204-S205。其中，目标采样率要求可以为当前成像目标的成像部位的最低成像采样率的需要，成像采样率与CT检测扫描过程中的采样角度间隔有关，目标采样率N′与前述的当前采样率N之间满足：N′＝k×N，其中k为大于等于2的正整数。因此，目标采样角度间隔A′与当前采样角度间隔A之间满足：A＝A′×k。此时，若将两个相邻编号的两幅原始投影子图像a1和a2作为输入，经过上述深度神经网络模型的处理，可以直接输出a1和a2两个对应采样角度之间的细分投影图像b1和b2，完成基于当前原始投影子数据的图像扩增，如图2所示操作S206。也即，两个细分投影图像b1和b2作为上述当前成像目标的当前扩增投影图像数据。

进一步地，根据目标采样率要求，合成出缺失的一幅或多幅投影图像，并将扩增得到的当前扩增投影图像数据和原始投影子数据各自对应投影图像进行合并处理，并进行按照采样角度位置或者原始采样位置顺序的图像数据排序，形成当前密集投影图像数据。该当前密集投影图像数据可以是相对于当前稀疏投影图像数据(即原始投影子数据，如a1、a2)的密集投影图像数据(如a1、b1、b2、a2)。使得经过上述深度神经网络模型扩增之后，这些原始投影子数据的投影图像数量(即当前稀疏采样数据)与当前扩增投影图像数据的投影图像数量(即扩增采样数据)之和(即当前密集投影图像数据的投影图像数量)与历史投影子数据(历史密集采样数据)的投影图像的数量相同，如图2所示操作S207-S208。如图4所示，将稀疏角度采样投影图像410和扩增得到的扩增投影图像430按照采样角度顺序组合，可以获取最终的低剂量采样的密集投影图像440。

对扩增之后的当前密集投影图像数据进行细分投影数据组合，按照采样角度位置重新排序之后，可以直接进行三维重建，获取对应当前成像目标的最终CT图像。换言之，即便没有采用相应的密集采样方式进行密集采样，也可以对稀疏采样的数据进行扩增，形成密集采样图像，从而确保了最终CT的图像保真度，使得图像质量更好。

因此，将该训练好的深度神经网络模型用于针对原始投影子数据的扩增，使得对当前成像目标进行CT扫描检测时，可以采用满足稀疏采样条件的目标采样率要求，进行稀疏采样，从而降低患者的辐射次数和辐射暴露时间，加快CT扫描检测的速度，而且为进一步提升当前成像目标对应的原始投影子数据的高质量成像提供了投影图像扩增的处理程序，使得原始投影子数据可以由稀疏采样图像数据变为密集采样图像数据，借此可以保证当前成像目标的成像质量与历史的密集采样图像的成像质量基本一致甚至更优。

为进一步验证本公开实施例的上述成像方法，特提供如下具体实际案例对本公开的上述方法的技术效果作进一步的说明：

使用200例头部肿瘤患者(扫描部位为头部)的机载CBCT(即放疗加速器锥束CT)投影数据片段，利用一种U型结构的用于视频上采样的深度神经网络做迁移训练，开展了初步的缺失投影合成试验，用于验证在稀疏采样条件下，通过深度学习合成缺失数据、实现投影密集采样、从而改善CBCT图像质量的方法可行性，具体试验参数如下：

通过放疗加速器锥束CT设备对200例病例数的头部肿瘤患者分别进行头部的扫描检测，CT扫描的角度范围为200°。其中，相应的深度神经网络模型的训练集原始数据采样率为500幅投影，密集采样角度间隔为0.4°，降采样率(即k值)为125幅投影(k＝4)，稀疏采样角度间隔为1.6°，模型子网络数为3(即k-1)，模型数据包括3通道的张量，每个通道数据分别为其中一个中间采样点位的投影图像，损失函数为MAE(也可以为MSE和RMSE)。可见，该试验采样率仅为常规采样率的25％。

根据上述初步的缺失投影合成试验，结果显示：

I、稀疏重建图像与原密集投影图像质量比较(重建算法为FDK)：

(1)对比度信噪比(Contrast-to-Noise Ratio，即CNR)

公式中μ表示ROI区域像素均值，σ表示像素标准差。

如图7A-7C所示，如图7A所示的虚线区域内为ROI，可分别计算得到图7A、图7B和图7C的CNR分别为：15.75、10.88和15.24。

(2)结构相似性指数(Structure Similarity，即SSIM)

以图7A为参考，可以计算图7B和图7C的SSIM，分别为0.982和0.995。相对于现有一些技术方案中SSIM最高才0.744±0.016的数值，本公开实施例的SSIM值极高，基本接近于1。可见，本公开实施例的上述按照不同成像部位进行数据拆分，并结合深度神经网络模型的处理可以展现出意料之外的技术效果，须知采样率仅为常规采样率的25％。

II、合成的投影图像与真值投影图像的相似性评价指标：

(1)结构相似性指数(Structure Similarity，SSIM)

本实例中共合成375幅投影图像，如图7E所示。其中，相对于图7D所示投影图像，图7E对应的SSIM最小值为0.985、均值为0.991。相对于现有一些技术方案中SSIM最高才0.744±0.016的数值，本公开实施例的SSIM值仍然保持了极高的水平，基本能接近于1。可见，本公开实施例的上述按照不同成像部位进行数据拆分，并结合深度神经网络模型的处理可以展现出意料之外的技术效果，须知采样率仅为常规采样率的25％。

(2)峰值信噪比(Peak Signal-to-Noise Radio，即PSNR)

本实例中共合成375幅投影图像，如图7E所示。其中，相对于图7D所示投影图像，图7E对应的PSNR最小值为38.449、均值为40.122。相对于现有一些技术方案中PSNR最高才25.212±1.049的数值，本公开实施例的PSNR值极高，可见，本公开实施例的上述按照不同成像部位进行数据拆分，并结合深度神经网络模型的处理可以展现出意料之外的技术效果，须知采样率仅为常规采样率的25％。

显然，本公开实施例的成像方法，通过上述的可以直接对成像目标进行位置细分，同时联合残差与结构相似度双约束式的神经网络模型的方式，相对于现有的循环插值方式进行成像的传统方式，在采样率仅为常规采样率25％(成像剂量亦降至25％)条件下，可有效补全缺失数据、实现图像高保真重建，具体实现了强化扩增投影图像的保真度，极大提升成像速度和图像处理速度，在满足低剂量辐照的情况下，显著提高重建图像结构相似性和整体图像质量。因此，在预期系统建立基于深度学习投影合成的放疗机载CBCT低剂量成像方法，可以保证CBCT引导放疗位置精度、降低患者累积成像剂量、减小患者远期随机性效应风险，力求以现有资源提升放疗患者整体临床获益。

基于上述应用于锥束CT稀疏采样的成像方法，本公开还提供了一种应用于锥束CT稀疏采样的成像装置。以下将结合图8对该装置进行详细描述。

如图8所示，该实施例的应用于锥束CT稀疏采样的成像装置800包括目标确定模块810、数据拆分模块820以及成像执行模块830。

目标确定模块810用于确定多个当前成像目标。在一实施例中，目标确定模块810可以用于执行前文描述的操作S101，在此不再赘述。

数据拆分模块820用于通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据。在一实施例中，数据拆分模块820可以用于执行前文描述的操作S102，在此不再赘述。

成像执行模块830用于利用深度神经网络模型根据多个原始投影子数据执行对应多个当前成像目标中的每个当前成像目标的成像。在一实施例中，成像执行模块830可以用于执行前文描述的操作S103，在此不再赘述。

根据本公开的实施例，目标确定模块810、数据拆分模块820以及成像执行模块830中的任意多个模块可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本公开的实施例，目标确定模块810、数据拆分模块820以及成像执行模块830中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，目标确定模块810、数据拆分模块820以及成像执行模块830中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。

如图9所示，根据本公开实施例的电子设备900包括处理器901，其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机防问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。

在RAM 903中，存储有电子设备900操作所需的各种程序和数据。处理器901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。

根据本公开的实施例，电子设备900还可以包括输入/输出(I/O)接口905，输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项：包括键盘、鼠标等的输入部分906；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907；包括硬盘等的存储部分908；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器910上，以便于从其上读出的计算机程序根据需要被安装入存储部分908。

本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。

根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。

本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时，该程序代码用于使计算机系统实现本公开实施例所提供的方法。

在该计算机程序被处理器901执行时执行本公开实施例的系统/装置中限定的上述功能。根据本公开的实施例，上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。

在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分909被下载和安装，和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。

在这样的实施例中，该计算机程序可以通过通信部分909从网络上被下载和安装，和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。

根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。

以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

至此，已经结合附图对本公开实施例进行了详细描述。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种应用于锥束CT稀疏采样的成像方法，其中，包括：

确定多个当前成像目标；

通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据；以及

利用深度神经网络模型根据所述多个原始投影子数据进行对应多个当前成像目标中的每个当前成像目标的成像。

2.根据权利要求1所述的方法，其中，在确定多个当前成像目标中，包括：

获取成像需求数据；

根据成像需求数据确定所述多个当前成像目标。

3.根据权利要求1所述的方法，其中，在通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据之前，还包括：

按照原始采样位置顺序执行CT扫描检测，获取原始投影数据。

4.根据权利要求3所述的方法，其中，在通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据中，包括：

分析所述多个当前成像目标，确定所述多个当前成像目标中每个当前成像目标的对应当前采样率要求；

根据当前采样率要求对所述原始投影数据执行拆分，获取对应所述当前成像目标的原始投影子数据。

5.根据权利要求3所述的方法，其中，在所述利用深度神经网络模型根据所述多个原始投影子数据进行成像之前，还包括：

根据多个历史成像目标和对应的多个历史采样率要求，对历史投影数据执行分组，生成多个历史投影子数据；

根据所述多个历史子数据中的每个历史投影子数据构建对应每个历史成像目标的训练数据集；

基于建立的网络模型参数，利用所述训练数据集训练对应每个历史成像目标的所述深度神经网络模型。

6.根据权利要求5所述的方法，其中，在所述基于建立的网络模型参数，利用所述训练数据集训练对应每个历史成像目标的所述深度神经网络模型中，包括：

通过基网络、多个子网络和输出层建立所述深度神经模型的初始架构；

以所述网络模型参数对所述初始架构对应的深度神经网络模型进行初始化；

通过训练数据集对执行初始化的所述深度神经网络模型进行训练。

7.根据权利要求6所述的方法，其中，在所述通过训练数据集对执行初始化的所述深度神经网络模型进行训练中，包括：

当对所述深度神经网络模型的训练判定收敛时，完成所述训练过程；

其中，当所述训练数据集中的扩增投影图像与设定第一真值之间的误差小于预设第一阈值时，且当所述扩增投影图像与所述设定第二真值之间的平均结构相似性大于预设第二阈值时，判定所述深度神经网络模型的训练收敛。

8.根据权利要求5所述的方法，其中，在所述根据所述多个历史子数据中的每个历史投影子数据构建对应每个历史成像目标的训练数据集中，包括：

按照对应每个历史成像目标的历史采样率要求对所述历史投影子数据进行降采样处理，以确定降采样处理过程中的每两幅连续的历史投影图像以及位于所述两幅连续的历史投影图像之间的至少一个历史扩增投影图像；

将每两幅连续的历史投影图像和所述至少一个历史扩增投影图像作为真值输入所述深度神经网络模型，构成训练数据集。

9.根据权利要求1所述的方法，其中，在所述利用深度神经网络模型根据所述多个原始投影子数据执行对应多个当前成像目标中的每个当前成像目标的成像中，包括：

根据目标采样率要求，利用所述深度神经网络模型对所述原始投影子数据进行投影扩增，获取对应所述当前成像目标的当前扩增投影图像数据；

将所述当前扩增投影图像数据和所述原始投影子数据进行整合，生成当前密集投影图像数据；

对所述当前密集投影图像数据执行对应所述当前成像目标的三维重建，以完成成像。

10.一种应用于锥束CT稀疏采样的成像装置，其中，包括：

目标确定模块，用于确定多个当前成像目标；

数据拆分模块，用于通过多个当前成像目标分别对应的多个当前采样率要求将原始投影数据拆分为多个原始投影子数据；以及

成像执行模块，用于利用深度神经网络模型根据所述多个原始投影子数据执行对应多个当前成像目标中的每个当前成像目标的成像。

Images