【技術實現步驟摘要】
本專利技術涉及ct重建，尤其涉及一種主動式采樣的ct重建方法、裝置和可存儲介質。
技術介紹
1、x射線斷層成像技術(computed?tomography,ct)是一種非介入情況下對人體進行高質量成像的技術，具有較快的成像速度，該技術在智能化診療中得到了廣泛的應用。但由于x光輻射對人體具有一定的傷害，每人年均可接受僅兩次常規ct掃描，這限制了該技術在重大疾病診療(如實時的腫瘤切除手術引導等)中的作用。因此，設計在低輻射劑量下進行高質量成像的ct重建算法就成為了該領域的重要研究內容。
2、目前，ct重建算法主要具有如下兩步特征1)通過人體周圍均勻分布的x光源來獲取人體的一維投影信息；2)設計從投影到人體ct圖像的算法來重建可用于診療的高質量ct圖像。而低劑量ct成像則主要通過降低輻射劑量、減少投影數量、限制投影角度范圍這三種手段來減少輻射，但上述場景使得該反問題的求解變得更加病態，并因此對圖像造成額外的偽影。為了抑制這類偽影對醫生診療的阻礙，低劑量ct重建研究主要有兩個方向：1)基于知識先驗的低劑量ct重建，該類方法主要通過分析ct影像數據的圖像性質來將其公式化，并引入到優化模型中作為正則項，使得模型得到的優化圖像可以符合知識先驗；2)基于數據先驗的低劑量ct重建，這類方法通過建立(低劑量圖像，高劑量圖像)的成對數據來形成可供深度學習技術訓練使用的數據庫，然后設計網絡模型來學習圖像間的映射關系，從而重建高清圖像。但這兩類方法都有各自的不足，基于知識先驗的方法的迭代求解過程較慢，其計算代價過高，難以應用于快速成像的ct設
3、同時，在ct檢查中，針對不同的疾病，醫生所要關注的感興趣區域(region?ofinterest,roi)是大不相同的。而傳統ct成像設備一般采用均勻采樣，該采樣模式可以較高效地覆蓋物體整體輪廓；但在針對不同診療任務(如肝臟腫瘤檢查、肺炎檢測等)時，其roi信息有具體的幾何信息，而均勻采樣模式無法智能地、自適應地根據該信息進行精準化、個性化采樣，浪費了曝光劑量。因此，針對ct圖像的需求，進行自適應的采樣模式優化是十分必要的。采樣問題具有一定的專業性和主觀性，不同任務中的最優roi區域和采樣位置也存在較大差異，通過臨床醫生進行采樣位置金標準的標注是非常昂貴和困難的，而主動學習(active?learning)是一種通過選擇性的標記較少數據而進行訓練的技術。主動學習最重要的假設是不同樣本對于特定任務的重要程度不同，所以帶來的表現提升也不全相同。選取較為重要的樣本可以使當前模型以較少的標記樣本數得到較好的表現。在這一過程中，主動學習的本質是對樣本的重要性(信息度、期望帶來的表現等)等進行評估。
4、也就是說傳統的低劑量ct重建算法多基于固定的均勻采樣模式進行成像，而近期已有方法關注ct采樣模式的在線優化，但都存在以下缺點：
5、一、傳統的知識、數據驅動重建算法存在計算復雜度高、數據過擬合的問題。
6、二、固定的均勻采樣模式，相比在線優化采樣位置而言，無法根據患者個體、臨床任務自適應地進行最優采樣方案的設計。
技術實現思路
1、為克服上述缺點，本專利技術的目的在于提供一種主動式采樣的ct重建方法、裝置和可存儲介質,能解決低劑量ct重建算法無法自適應采樣的技術問題。
2、為了達到以上目的，本專利技術采用的技術方案是：一種主動式采樣的ct重建方法，包括：
3、s100、構建x光投影圖像數據集y，所述x光稀疏投影圖像數據集包括至少一張初始的x光稀疏投影圖像y0；
4、s200、加載訓練好的第一深度學習網絡模型對x光投影圖像數據集y中的所有x光稀疏投影圖像y0進行處理，得到當前的重建ct圖像u0；
5、s300、加載訓練好的第二深度學習網絡模型對當前重建ct圖像u0進行處理，預測下一次的最佳采樣位置；
6、s400、根據預測的所述最佳采樣位置進行采樣，得到當前的x光稀疏投影圖像y1并將x光稀疏投影圖像y1更新到x光投影圖像數據集y中；
7、s500、重復步驟s200-s400進行重建ct圖像和最佳采樣位置的迭代,直到稀疏投影數量達到指定的采樣最大次數n，此時第一深度學習網絡模型得到最終的重建ct圖像un。
8、本專利技術的有益效果在于：通過x光投影圖像數據集y中的所有x光稀疏投影圖像進行ct圖像的重建，再通過重建得到的重建ct圖像去預測下一次的最佳采樣位置,相對于固定的均勻采樣模式，實現在線動態采樣優化。重建ct圖像和最佳采樣位置的迭代，完成主動式ct圖像重建，實現成像算法的高性能與可解釋性。結合深度展開技術與對偶域約束，具有更好的魯棒性。
9、進一步來說，根據所述第一深度學習網絡模型和第二深度學習網絡模型共同構建一個重建模型，所述重建模型可以輸出重建圖像和最佳采樣位置，所述重建模型為：
10、minu,pd(pau,y)+λr1(u)+βr2(p),
11、其中λ和β是可調節的超參數，u是待重建的重建ct圖像，a是全采樣算子，r1(u)是u的圖像先驗，y是采樣得到的x光稀疏投影圖像，d(*)為距離函數,p是可優化的下采樣算子，r2(p)用于下采樣算子p的先驗。
12、重建模型采用了r1(u)和r2(p)來進行約束，對該模型進行參數化改進，并利用第二深度學習網絡模型對當前重建ct圖像進行處理，預測下一次的最佳采樣位置和重建ct圖像。
13、進一步來說，所述采樣模型利用交替方向乘子法得到如下重建圖像和最佳采樣位置的迭代步驟：
14、
15、其中所述k為正整數，且k≤n-1。
16、對上述最佳采樣位置迭代、重建圖像迭代進行深度展開，從而得到基于知識先驗、數據先驗的最佳采樣位置、重建圖像迭代過程，直到迭代完成時，最終采樣次數到達指定數量n，所得到的重建ct圖像un即為最終的重建ct圖像。
17、進一步來說，利用第二深度學習網絡模型對當前重建ct圖像進行處理，預測下一次的最佳采樣位置。
18、進一步來說，初始的x光稀疏投影圖像y0在采樣位置均勻分布的情況下采樣得到。也就是將采樣位置均勻分布時采集到的x光稀疏投影圖像y0作為初始的x光稀疏投影圖像數據集y,作為后續迭代時的初始數據。
19、進一步來說，所述第一深度學習網絡模型的訓練過程包括：
20、基于u-net網絡結構構建第一深度學習網絡結構；
21、收集第一訓練數據集，所述第一訓練數據集包括收集的ct圖像和對應x光稀疏投影圖像形成的數據對；
22、利用所述第一訓練數據集對第一深度學習網絡本文檔來自技高網...
【技術保護點】
1.一種主動式采樣的CT重建方法，其特征在于：包括：
2.根據權利要求1所述的主動式采樣的CT重建方法，其特征在于：根據所述第一深度學習網絡模型和第二深度學習網絡模型共同構建一個重建模型，所述重建模型可以輸出重建圖像和最佳采樣位置，所述重建模型為：
3.根據權利要求2所述的主動式采樣的CT重建方法，其特征在于：所述采樣模型利用交替方向乘子法得到如下重建圖像和最佳采樣位置的迭代步驟：
4.根據權利要求1-3任一所述的主動式采樣的CT重建方法，其特征在于：初始的X光稀疏投影圖像y0在采樣位置均勻分布的情況下采樣得到。
5.根據權利要求1所述的主動式采樣的CT重建方法，其特征在于：所述第一深度學習網絡模型的訓練過程包括：
6.根據權利要求1所述的主動式采樣的CT重建方法，其特征在于：所述第二深度學習網絡模型的訓練過程包括：
7.根據權利要求6所述的主動式采樣的CT重建方法，其特征在于：步驟S300具體包括：
8.一種主動式采樣的CT重建系統，其特征在于：包括：
9.一種可存儲介質，其特征在于
...【技術特征摘要】
1.一種主動式采樣的ct重建方法，其特征在于：包括：
2.根據權利要求1所述的主動式采樣的ct重建方法，其特征在于：根據所述第一深度學習網絡模型和第二深度學習網絡模型共同構建一個重建模型，所述重建模型可以輸出重建圖像和最佳采樣位置，所述重建模型為：
3.根據權利要求2所述的主動式采樣的ct重建方法，其特征在于：所述采樣模型利用交替方向乘子法得到如下重建圖像和最佳采樣位置的迭代步驟：
4.根據權利要求1-3任一所述的主動式采樣的ct重建方法，其特征在于：初始的x光稀疏投影圖像y0在采樣位置均勻分布的情況下采樣得到。...
【專利技術屬性】
技術研發人員：王冊，郝優，李錢，惠源，周少華，
申請(專利權)人：中科蘇州智能計算技術研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。