CN116071450A - 鲁棒的低剂量ct成像算法、装置 - Google Patents

Abstract

本发明涉及人工智能技术，揭露了一种鲁棒的低剂量CT成像算法，包括：获取待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号；利用非局部均值滤波对投影信号进行降噪得到重建投影数据；根据重建投影数据构建低剂量CT图像；获取电子噪声数据的噪声均值以及噪声方差，并建立混合噪声模型并将真实投影数据带入，根据混合噪声模型以及预设的贝叶斯公式构建标准成像模型；利用优化算法获取所述标准投影模型中的最优参数，将所述最优参数带入所述标准成像模型，得到高质量投影图像；将低剂量CT图像与高质量投影图像进行融合，实现高鲁棒性的低剂量CT成像。本发明还提出一种鲁棒的低剂量CT成像装置。本发明可以提高低剂量CT成像算法的稳定性。

Description

鲁棒的低剂量CT成像算法、装置

技术领域

本发明涉及人工智能技术领域，尤其涉及一种鲁棒的低剂量CT成像算法、装置。

背景技术

随着医疗技术的提升，人们对CT成像算法的研究也日益深入。为了减少CT的辐射，降低癌症病人的病变程度，需要一种低剂量的CT成像算法，降低CT辐射值，同时呈现稳定性好的高清成像。

现有的低剂量CT成像算法大多基于高训练数据下的深度学习网络，训练难度大，耗时高，成本昂贵。实际应用中，基于高训练数据下的深度学习网络计算结果具有很强的不确定性，不仅成像清晰度低，且建造起来耗时多，人力、物力成本昂贵，可移植性能差，从而造成CT成像算法鲁棒性不够，实际生活中难以使用。

发明内容

本发明提供一种鲁棒的低剂量CT成像算法、装置，其主要目的在于解决低剂量CT成像算法稳定性较低的问题。

为实现上述目的，本发明提供的一种鲁棒的低剂量CT成像算法，包括：

获取预设的待成像低剂量CT投影数据，对所述待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号；

利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，对所述滤波信号进行傅立叶逆变换，得到重建投影数据；

将所述重建投影数据在预设的投影空间中进行重建，得到低剂量CT图像；

获取预设的电子噪声数据的噪声均值以及噪声方差，根据所述噪声均值以及噪声方差建立混合噪声模型，获取预设的真实投影数据，将所述真实投影数据带入所述混合噪声模型，根据所述混合噪声模型以及预设的贝叶斯公式构建标准成像模型；

利用预设的优化算法获取所述标准投影模型中的最优参数，将所述最优参数带入所述标准成像模型，得到高质量投影图像；

将所述低剂量CT图像与高质量投影图像进行融合，得到高清CT图像，实现高鲁棒性的低剂量CT成像。

可选地，所述对所述待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号，包括：

利用如下傅立叶变换公式对所述待成像低剂量CT投影数据进行一维傅立叶变换：

其中，X_l为所述投影信号，N为所述待成像低剂量CT投影数据的个数，m为所述所述待成像低剂量CT投影数据的计数，i为所述所述待成像低剂量CT投影数据的另一不同于m的计数，e为参数，x为待成像低剂量CT投影数据，l为所述快速傅里叶变换公式的维数。

可选地，所述利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，包括：

在所述投影信号中随机选取两个不相同的点为两个中点；

围绕两个中点在四周划取预设行数和列数围成的区域为两个邻域块；

计算所述两个邻域块的均方误差；

利用预设的非局部均值滤波公式以及所述均方误差对所述像素值进行均值滤波，得到滤波信号。

可选地，所述根据所述噪声均值以及噪声方差建立混合噪声模型，包括：

利用如下噪声公式根据所述噪声均值以及噪声方差建立混合噪声模型：

Y＝Poisson(O)+Gaussian(μ,δ²)

其中，Y是噪声基准，O为CT投影时的光子数均值，Poisson(O)为将光子数均值进行泊松分布，μ为所述噪声均值，δ为所述噪声方差，Gaussian(μ,δ²)为将噪声均值与噪声方差进行高斯分布。

可选地，所述将所述真实投影数据带入所述混合噪声模型，根据所述混合噪声模型以及预设的贝叶斯公式构建标准成像模型，包括；

将真实投影数据替换所述混合噪声模型中的噪声基准；

将替换掉的混合噪声模型与所述贝叶斯公式进行联立，得到联立公式；

将所述联立公式进行化简求值，得到标准成像模型。

可选地，所述将所述重建投影数据在预设的投影空间中进行重建，得到低剂量CT图像，包括：

利用编程语言根据预设的系统模板搭建图像重建系统；

利用所述图像重建系统获取所述重建投影数据对应的投影图像得到低剂量CT图像。

可选地，所述将替换掉的混合噪声模型与所述贝叶斯公式进行联立，得到联立公式，包括：

利用如下联立公式将替换掉的混合噪声模型与所述贝叶斯公式进行联立：

其中，Y是代替噪声基准的真实投影数据，Q为Poisson(O)，ε为Gaussian(μ,δ²)，X是高质量投影图像。

可选地，所述将所述联立公式进行化简求值，得到标准成像模型，包括：

化简后的联立公式为标准成像模型，如下所示：

其中，R(Z,X)＝ln(P(Z,X))，X为高质量投影图像，Y_i为第i个真实投影数据，Q_i为第i个光子数均值的泊松分布值，O_i为第i个光子数均值，Z是预设的变量，ρ为超参数。

可选地，所述利用预设的优化算法获取所述标准投影模型中的最优参数，包括：

利用如下优化算法获取所述标准投影模型中的最优参数：

其中，其中，R(Z,X)＝ln(P(z,X))，X为高质量投影图像，Y_i为第i个真实投影数据，Q_i为第i个光子数均值的泊松分布值，O_i为第i个光子数均值，Z是预设的变量，ρ为超参数。

为了解决上述问题，本发明还提供一种鲁棒的低剂量CT成像装置，所述装置包括：

获取数据模块：获取预设的待成像低剂量CT投影数据，对所述待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号；

变换数据模块：利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，对所述滤波信号进行傅立叶逆变换，得到重建投影数据；

重建图像模块：将所述重建投影数据在预设的投影空间中进行重建，得到低剂量CT图像；

构建模型模块：获取预设的电子噪声数据的噪声均值以及噪声方差，根据所述噪声均值以及噪声方差建立混合噪声模型，获取预设的真实投影数据，将所述真实投影数据带入所述混合噪声模型，根据所述混合噪声模型以及预设的贝叶斯公式构建标准成像模型；

调优参数模块：利用预设的优化算法获取所述标准投影模型中的最优参数，将所述最优参数带入所述标准成像模型，得到高质量投影图像；

图像融合模块：将所述低剂量CT图像与高质量投影图像进行融合，得到高清CT图像，实现高鲁棒性的低剂量CT成像。

本发明实施例通过利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，对所述滤波信号进行傅立叶逆变换，得到重建投影数据，可以获得噪声小、清晰度高的重建投影数据，便于构建高清CT图像；将所述重建投影数据在预设的投影空间中进行重建，得到低剂量CT图像；利用预设的优化算法获取所述标准投影模型中的最优参数；将所述低剂量CT图像与高质量投影图像进行融合，得到高清CT图像，能够扩大图像所含有的时间空间信息，减少不确定性，增加可靠性，改进算法的鲁棒性能。因此本发明提出的鲁棒的低剂量CT成像算法、装置，可以解决短路阻抗测试仪精确度较低的问题。

附图说明

图1为本发明一实施例提供的鲁棒的低剂量CT成像算法的流程示意图；

图2为本发明一实施例提供的训练深度神经网络模型的流程示意图；

图3为本发明一实施例提供的计算交叉误差的流程示意图；

图4为本发明一实施例提供的鲁棒的低剂量CT成像装置的功能模块图；

图5为本发明一实施例提供的自适应CT框架重建流程示意图；

图6为本发明一实施例提供的最优化求解的流程示意图；

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本申请实施例提供一种鲁棒的低剂量CT成像算法。所述鲁棒的低剂量CT成像算法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述鲁棒的低剂量CT成像算法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。

参照图1所示，为本发明一实施例提供的鲁棒的低剂量CT成像算法的流程示意图。在本实施例中，所述鲁棒的低剂量CT成像算法包括：

S1、获取预设的待成像低剂量CT投影数据，对所述待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号；

本发明实施例中，低剂量CT指的是用射线计量少的射线进行扫描检查，可以减少人体辐射，但是会降低一部分图像质量。由于辐射会导致某些癌症的症状加深，导致患者的死亡率提升，使用低剂量CT能够减少辐射量，从而提升患者存活时间。

详细地，由于低剂量CT投影数据是相较与高剂量CT投影数据而言的，相较于高剂量CT投影数据，所述低剂量CT投影数据发出的辐射更少，对患癌患者来说更安全。

本发明实施例中，所述对所述待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号，包括：

利用如下傅立叶变换公式对所述待成像低剂量CT投影数据进行一维傅立叶变换：

其中，X_l为所述投影信号，N为所述待成像低剂量CT投影数据的个数，m为所述所述待成像低剂量CT投影数据的计数，i为所述所述待成像低剂量CT投影数据的另一不同于m的计数，e为参数，x为待成像低剂量CT投影数据，l为所述快速傅里叶变换公式的维数。

详细地，因为只需要对所述待成像低剂量CT投影数据进行一维傅立叶变换，因此将所述傅立叶变换公式中的维数k带入1即可进行一维变换。

具体地，对所述待成像低剂量CT投影数据进行一维傅立叶变换能够实现对CT投影信号的过滤，使低剂量CT成像更清晰，成像结果向高剂量CT投影成像靠拢，实现低剂量、高清晰的CT成像。

S2、利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，对所述滤波信号进行傅立叶逆变换，得到重建投影数据；

本发明实施例中，参照图2所示，所述利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，包括：

S21、在所述投影信号中随机选取两个不相同的点为两个中点；

S22、围绕两个中点在四周划取预设行数和列数围成的区域为两个邻域块；

S23、计算所述两个邻域块的均方误差；

S24、利用预设的非局部均值滤波公式以及所述均方误差对所述像素值进行均值滤波，得到滤波信号。

详细地，所述计算所述两个邻域块的均方误差，包括：

利用如下协方差公式计算两个所述邻域块的均方误差：

其中，MSE(A,B)为两个邻域块的均方误差，A为其中一个中点，B为另一个中点，i为中点的横坐标，j为中点的纵坐标，m为邻域块的行数，n为邻域块的列数，a、b为计数。

详细地，所述预设的非局部均值滤波公式以及所述均方误差对所述像素值进行均值滤波，得到滤波信号：

利用如下非局部均值滤波公式以及所述均方误差对所述像素值进行均值滤波：

NLmeans(A)＝∑w(A,B)*I(B)

其中，NLmeans(A)为中点A的滤波值，w(A,B)为中点A与B的高斯权重，I(B)为中点B的像素值，h、e为预设的常数参数，A为其中一个中点，B为另一个中点。

本发明实施例中，所述对所述滤波信号进行傅立叶逆变换，得到重建投影数据，可以根据所述傅立叶变换公式进行倒推，将所述滤波投影信号进行傅里叶逆变换可以获得噪声小、清晰度高的重建投影数据，便于构建高清CT图像。

S3、将所述重建投影数据在预设的投影空间中进行重建，得到低剂量CT图像；

本发明实施例中，所述投影空间为投影所形成的不同维度的空间，例如轴测投影下的投影空间是二维空间，透视投影空间下的是三维空间。由于CT图像是二维图像，因此所述投影空间为二维投影空间。

本发明实施例中，所述将所述重建投影数据在预设的投影空间中进行重建，得到低剂量CT图像，包括：

利用编程语言根据预设的系统模板搭建图像重建系统；

利用所述图像重建系统获取所述重建投影数据对应的投影图像得到低剂量CT图像。

其中，所述编程语言包括但不限于MATLAB或者VC++等。

S4、获取预设的电子噪声数据的噪声均值以及噪声方差，根据所述噪声均值以及噪声方差建立混合噪声模型，获取预设的真实投影数据，将所述真实投影数据带入所述混合噪声模型，根据所述混合噪声模型以及预设的贝叶斯公式构建标准成像模型；

由于低剂量CT图像往往存在较大的噪声，因此只依靠低剂量CT图像往往无实现真正的低剂量CT成像，难以投入实际生活进行使用，因此需要搭建一个标准成像模型，生成更加高清的CT成像。

本发明实施例中，所述根据所述噪声均值以及噪声方差建立混合噪声模型，包括：

利用如下噪声公式根据所述噪声均值以及噪声方差建立混合噪声模型：

Y＝Poisson(O)+Gaussian(μ,δ²)

其中，Y是噪声基准，O为CT投影时的光子数均值，Poisson(O)为将光子数均值进行泊松分布，μ为所述噪声均值，δ为所述噪声方差，Gaussian(μ,δ²)为将噪声均值与噪声方差进行高斯分布。

详细地，使用噪声公式建立的混合噪声模型便于后续利用所述混合噪声模型进行公式计算，构建更完整的标准成像模型，为后续模型的搭建奠定基础，便于进行公式模型的计算，快速、精准的完成模型构造。

本发明实施例中，参照图3所示，所述将所述真实投影数据带入所述混合噪声模型，根据所述混合噪声模型以及预设的贝叶斯公式构建标准成像模型，包括；

S31、将真实投影数据替换所述混合噪声模型中的噪声基准；

S32、将替换掉的混合噪声模型与所述贝叶斯公式进行联立，得到联立公式；

S33、将所述联立公式进行化简求值，得到标准成像模型。

详细地，所述将替换掉的混合噪声模型与所述贝叶斯公式进行联立，得到联立公式，包括：

利用如下联立公式将替换掉的混合噪声模型与所述贝叶斯公式进行联立：

其中，Y是代替噪声基准的真实投影数据，Q为Poisson(O)，ε为Gaussian(μ,δ²)，X是高质量投影图像。

详细地，使用混合噪声模型与所述贝叶斯公式进行联立能够利用联立公式建立出高质量投影图像对应的标准成像模型，搭建出标准成像模型后就能根据标准成像模型实时计算出对应的高质量投影图像，利用已知的参数信息对未知模型推导计算。

具体地，所述将所述联立公式进行化简求值，得到标准成像模型，包括：

如下为化简后的联立公式为标准成像模型：

其中，R(Z,X)＝ln(P(Z,X))，X为高质量投影图像，Y_i为第i个真实投影数据，Q_i为第i个光子数均值的泊松分布值，O_i为第i个光子数均值，Z是预设的变量，ρ为超参数。

进一步地，建立出所述标准成像模型能够大大提升成像的效率，将所述标准成像模型写入计算机设备，就能根据参数自动绘制出对应的CT图像，不仅节约人力资源，还能降低生产成本，并且可移植性高。

S5、利用预设的优化算法获取所述标准投影模型中的最优参数，将所述最优参数带入所述标准成像模型，得到高质量投影图像；

由于所述标准投影模型中的各个的取值不定，因此需要获得最优的图像需要对所述标准投影模型中的各个参数进行确定，以便于计算出一个最优的高质量投影图像，保证成像的清晰度。

本发明实施例中，所述利用预设的优化算法获取所述标准投影模型中的最优参数，包括：

利用如下优化算法获取所述标准投影模型中的最优参数：

其中，其中，R(Z,X)＝ln(P(z,X))，X为高质量投影图像，Y_i为第i个真实投影数据，Q_i为第i个光子数均值的泊松分布值，O_i为第i个光子数均值，Z是预设的变量，ρ为超参数。

具体地，参照图5所示，整个优化算法的优化过程使用了交替方向优化法，其中X＝FBP(O)，即利用滤波反投影算法对所述光子数均值进行计算，可以得到高质量投影图像，根据交替方向进行迭代计算，实现自适应的CT框架重建。不仅操作简单，还能节约时间成本，减少人力计算过程，从而减少失误，最终完成优化，获取最优参数带入计算。

进一步地，参照图6所示，利用优化算法求解预设的变量Z时可以利用深度学习网络对Z进行求解，例如实际在人体CT扫描时，人体内不同的部分在不同能量段的对X射线的衰减系数已知，为此我们可以通过精确分割模型，引入组织特性，将CT图像分割为不同的器官，然后赋值，结合X射线源能谱，根据公式

我们可以更加精确地计算前向投影数据，从而尽量降低了X射线源能谱波动和人体组织特性对投影数据的影响，另外通过将X射线源的焦斑效应和探测器的模糊效应数字化B_s和B_d。因为低剂量CT在初期迭代中，含有大量的噪声，该噪声不可避免地影响了多器官分割精度，导致最后得到的X_texture中除了噪声还含有大量纹理，为此我们利用另外一个refine网络对其做校正，最终获得Z。

详细地，所述将所述最优参数带入所述标准成像模型，将所述标准成像模型中的参数Q、Z、O用最优数值进行计算，得到的高质量投影图像也是最优的，便于后续利用高质量投影图像进行计算，得到的最终图像也会更加高清。

具体地，利用所述标准成像模型求出的高质量投影图像能够尽量最大程度的保证所述高质量投影图像的清晰度，同时还能提升构建高质量投影图像的速度，实现更高精度、更快效率的CT成像。

S6、将所述低剂量CT图像与高质量投影图像进行融合，得到高清CT图像，实现高鲁棒性的低剂量CT成像。

由于低剂量CT图像与高质量投影图像是根据相同的低剂量CT投影数据利用不同的构建方法形成的CT图像，因此，所述低剂量CT图像与高质量投影图像的内容以及图像大小应该相同，因此可以进行图像融合。

详细地，因为所述低剂量CT图像与高质量投影图像的构建方法不同，因此图像的清晰度也不同，将低剂量CT图像与高质量投影图像进行融合能够取长补短，呈现更高清的CT图像。

本发明实施例中，所述将所述低剂量CT图像与高质量投影图像进行融合，得到高清CT图像，包括：

获取所述低剂量CT图像与高质量投影图像的像素长度和像素宽度；

利用如下融合公式将所述低剂量CT图像与高质量投影图像进行融合：

F(r，s)＝max{J(r，s)，H(r，s)}

其中，F为所述高清CT图像，J为所述低剂量CT图像，H为所述高质量投影图像，r为像素长度，s为像素宽度。

详细地，进行图像融合能够扩大图像所含有的时间空间信息，减少不确定性，增加可靠性，改进算法的鲁棒性能，即使其中一个部分发生异常对整体的影响较小，产生的误差也会更小。

如图4所示，是本发明一实施例提供的鲁棒的低剂量CT成像装置的功能模块图。

本发明所述鲁棒的低剂量CT成像装置100可以安装于电子设备中。根据实现的功能，所述鲁棒的低剂量CT成像装置100可以包括获取数据模块101、变换数据模块102、重建图像模块103、构建模型模块104及调优参数模块105、图像融合模块106。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。

在本实施例中，关于各模块/单元的功能如下：

所述获取数据模块101：获取预设的待成像低剂量CT投影数据，对所述待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号；

所述变换数据模块102：利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，对所述滤波信号进行傅立叶逆变换，得到重建投影数据；

所述重建图像模块103：将所述重建投影数据在预设的投影空间中进行重建，得到低剂量CT图像；

所述构建模型模块104：获取预设的电子噪声数据的噪声均值以及噪声方差，根据所述噪声均值以及噪声方差建立混合噪声模型，获取预设的真实投影数据，将所述真实投影数据带入所述混合噪声模型，根据所述混合噪声模型以及预设的贝叶斯公式构建标准成像模型；

所述调优参数模块105：利用预设的优化算法获取所述标准投影模型中的最优参数，将所述最优参数带入所述标准成像模型，得到高质量投影图像；

所述图像融合模块106：将所述低剂量CT图像与高质量投影图像进行融合，得到高清CT图像，实现高鲁棒性的低剂量CT成像。

详细地，本发明实施例中所述鲁棒的低剂量CT成像装置100中所述的各模块在使用时采用与上述图1至图3中所述的鲁棒的低剂量CT成像算法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。

因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。

本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链(Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性(防伪)和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。

本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统实施例中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。

最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，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等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种鲁棒的低剂量CT成像算法，其特征在于，所述方法包括：

获取预设的待成像低剂量CT投影数据，对所述待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号；

利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，对所述滤波信号进行傅立叶逆变换，得到重建投影数据；

将所述重建投影数据在预设的投影空间中进行重建，得到低剂量CT图像；

获取预设的电子噪声数据的噪声均值以及噪声方差，根据所述噪声均值以及噪声方差建立混合噪声模型，获取预设的真实投影数据，将所述真实投影数据带入所述混合噪声模型，根据所述混合噪声模型以及预设的贝叶斯公式构建标准成像模型；

利用预设的优化算法获取所述标准投影模型中的最优参数，将所述最优参数带入所述标准成像模型，得到高质量投影图像；

将所述低剂量CT图像与高质量投影图像进行融合，得到高清CT图像，实现高鲁棒性的低剂量CT成像。

2.如权利要求1所述的鲁棒的低剂量CT成像算法，其特征在于，所述对所述待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号，包括：

利用如下傅立叶变换公式对所述待成像低剂量CT投影数据进行一维傅立叶变换：

其中，X_l为所述投影信号，N为所述待成像低剂量CT投影数据的个数，m为所述所述待成像低剂量CT投影数据的计数，i为所述所述待成像低剂量CT投影数据的另一不同于m的计数，e为参数，x为待成像低剂量CT投影数据，l为所述快速傅里叶变换公式的维数。

3.如权利要求1所述的鲁棒的低剂量CT成像算法，其特征在于，所述利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，包括：

在所述投影信号中随机选取两个不相同的点为两个中点；

围绕两个中点在四周划取预设行数和列数围成的区域为两个邻域块；

计算所述两个邻域块的均方误差；

利用预设的非局部均值滤波公式以及所述均方误差对所述像素值进行均值滤波，得到滤波信号。

4.如权利要求1所述的鲁棒的低剂量CT成像算法，其特征在于，所述根据所述噪声均值以及噪声方差建立混合噪声模型，包括：

利用如下噪声公式根据所述噪声均值以及噪声方差建立混合噪声模型：

Y＝Poisson(O)+Gaussian(μ,δ²)

其中，Y是噪声基准，O为CT投影时的光子数均值，Poisson(O)为将光子数均值进行泊松分布，μ为所述噪声均值，δ为所述噪声方差，Gaussian(μ,δ²)为将噪声均值与噪声方差进行高斯分布。

5.如权利要求1所述的鲁棒的低剂量CT成像算法，其特征在于，所述将所述真实投影数据带入所述混合噪声模型，根据所述混合噪声模型以及预设的贝叶斯公式构建标准成像模型，包括；

将真实投影数据替换所述混合噪声模型中的噪声基准；

将替换掉的混合噪声模型与所述贝叶斯公式进行联立，得到联立公式；

将所述联立公式进行化简求值，得到标准成像模型。

6.如权利要求5所述的鲁棒的低剂量CT成像算法，其特征在于，所述将替换掉的混合噪声模型与所述贝叶斯公式进行联立，得到联立公式，包括：

利用如下联立公式将替换掉的混合噪声模型与所述贝叶斯公式进行联立：

其中，Y是代替噪声基准的真实投影数据，Q为Poisson(O)，ε为Gaussian(μ,δ²)，X是高质量投影图像。

7.如权利要求5所述的鲁棒的低剂量CT成像算法，其特征在于，所述将所述联立公式进行化简求值，得到标准成像模型，包括：

化简后的联立公式为标准成像模型，如下所示：

其中，R(Z,X)＝ln(P(Z,X))，X为高质量投影图像，Y_i为第i个真实投影数据，Q_i为第i个光子数均值的泊松分布值，O_i为第i个光子数均值，Z是预设的变量，ρ为超参数。

8.如权利要求1至7中任一项所述的鲁棒的低剂量CT成像算法，其特征在于，所述利用预设的优化算法获取所述标准投影模型中的最优参数，包括：

利用如下优化算法获取所述标准投影模型中的最优参数：

其中，其中，R(Z,X)＝ln(P(Z,X))，X为高质量投影图像，Y_i为第i个真实投影数据，Q_i为第i个光子数均值的泊松分布值，O_i为第i个光子数均值，Z是预设的变量，ρ为超参数。

9.如权利要求1所述的鲁棒的低剂量CT成像算法，其特征在于，所述将所述低剂量CT图像与高质量投影图像进行融合，得到高清CT图像，包括：

获取所述低剂量CT图像与高质量投影图像的像素长度和像素宽度；

利用如下融合公式将所述低剂量CT图像与高质量投影图像进行融合：

F(r，s)＝max{J(r，s)，H(r，s)}

其中，F为所述高清CT图像，J为所述低剂量CT图像，H为所述高质量投影图像，r为像素长度，s为像素宽度。

10.一种鲁棒的低剂量CT成像装置，其特征在于，所述装置包括：

获取数据模块：获取预设的待成像低剂量CT投影数据，对所述待成像低剂量CT投影数据进行一维傅立叶变换，得到投影信号；

变换数据模块：利用预设的非局部均值滤波对所述投影信号进行滤波处理，得到滤波信号，对所述滤波信号进行傅立叶逆变换，得到重建投影数据；

重建图像模块：将所述重建投影数据在预设的投影空间中进行重建，得到低剂量CT图像；

构建模型模块：获取预设的电子噪声数据的噪声均值以及噪声方差，根据所述噪声均值以及噪声方差建立混合噪声模型，获取预设的真实投影数据，将所述真实投影数据带入所述混合噪声模型，根据所述混合噪声模型以及预设的贝叶斯公式构建标准成像模型；

调优参数模块：利用预设的优化算法获取所述标准投影模型中的最优参数，将所述最优参数带入所述标准成像模型，得到高质量投影图像；

图像融合模块：将所述低剂量CT图像与高质量投影图像进行融合，得到高清CT图像，实现高鲁棒性的低剂量CT成像。

Images