直线扫描探测器微分BPF重建图像稀疏伪影校正方法

直线扫描探测器微分bpf重建图像稀疏伪影校正方法
技术领域
1.本发明属于图像处理、ct成像技术领域，更具体地说，涉及一种直线扫描探测器微分bpf重建图像稀疏伪影校正方法。


背景技术：

2.微焦点计算断层成像(micro computed tomography,micro-ct)是一种可以对物体内部结构进行高分辨成像的先进技术，被广泛应用于各大领域。众所周知，在ct系统中，通过设置更大的几何放大比将能够实现更高的空间分辨率。然而，更大的几何放大比一般导致较小的成像视场(field of view,fov)，即高的空间分辨率和大的fov很难兼备。为了解决这类问题，许多新的ct扫描结构及其相应的图像重建算法相继被提出。其中，重庆大学刘丰林等人提出了一种新的，结构简单，且更低性价比的ct扫描方式，即源直线扫描的方式[1,2]。在该扫描模式下，平板探测器被固定，成像物体将靠近源，通过以平行于探测器的直线轨迹平移源对物体进行高分辨率成像。然而，在这种情况下，射线束无法完全覆盖被测物体，即获得每一个投影视图都是被截断的[3]。如果采用滤波反投影(filtered projection,fbp)算法，则重建的图像会引入严重的截断伪影。这是由于fbp算法中的全局性的斜坡滤波算子需要对整个投影进行处理，如果投影被截断，斜坡滤波会干扰整个投影，随后的反投影会在整个图像中传播误差。在这种情况下，从中甚至不可能恢复真实图像的一部分。
[0003]
为了克服这一限制，现有研究面向源直线扫描ct结构设计了一种迭代重建算法[4]，虽然该算法可以重建出无截断伪影的图像，但其对计算硬件平台的要求，以及重建效率不令人满意。采用虚拟投影几何的方法可以很好地解决基于fbp算法所导致的截断伪影问题，但由于其调换了投影几何以致对源轨迹进行斜坡滤波，这样将导致需要庞大的源采样点数(即投影视图数)才能实现高质量图像重建。为此，有研究针对该扫描几何提出了一种反投影滤波(backprojection filtering,bpf)解析重建算法，该算法主要包含了微分反投影(differential back projection,dbp)和有限hilbert逆变换两个步骤。不同于fbp类算法中斜坡滤波，bpf算法能够解决截断投影的精确重建问题，是因为其中的微分和有限hilbert逆变换和都是局部(local)运算，即运算结果只与近邻的数据有关。若投影数据被截断，则它仍然可以为投影的其余部分计算微分，反投影后所得的中间结果在fov内仍然可以认为是准确的。然而，为实现完整图像的重建，源直线扫描往往还需要配合几段被测物体的旋转，以获得完备的投影进行重建。这种情况下，采用上述bpf算法的dbp过程获得的hilbert图像将拥有不同的待逆变换重建方向，这就需要后续的有限hilbert逆变换能够自定义方向才能完成重建。
[0004]
然而该方法需要在扫描角度完全的角度下进行重建，导致扫描速度慢以及重建效率低的问题，而如果采用稀疏扫描方式以提高扫描、重建速度则会导致某些投影角度的数据缺失，从而引入严重的条纹伪影，导致图像质量严重下降。参考文献：
[0005]
[1]刘丰林,余海军,李雷,谭川东.一种新型大视场直线扫描ct系统及图像重建方
法[p].重庆市：cn111839568a,2020-10-30.
[0006]
[2]h.yu,l.li,c.tan,f.liu,r.zhou,x-ray source translation based computed tomography(stct),optics express,29(2021)19743-19758.r.clackdoyle,f.noo,a large class of inversion formulae for the 2d radon transform of functions of compact support,inverse problems,20(2004)1281.
[0007]
[3]戈文杰,余海军,陈杰等.基于求导-希尔伯特变换-反投影的源直线扫描计算机断层成像解析重建[j].光学学报,2022,42(11):292-303.
[0008]
[4]李雷,余海军,谭川东,段晓礁,刘丰林.射线源平移扫描ct解析重建算法研究[j].仪器仪表学报,2022,43(02):187-195.doi:10.19650/j.cnki.cjsi.j2108157.
[0009]
[5]yu h,ni s,chen j,et al.analytical reconstruction algorithm for multiple source-translation computed tomography(mstct)[j].applied mathematical modelling,2023,117:251-266.


技术实现要素：

[0010]
鉴于上述算法存在扫描速度慢、重建效率低，而采用稀疏的投影方式又会引入条状伪影的问题，本发明提出了一种面向稀疏角度源直线扫描ct的去伪影方法，主要针对的是圆轨迹及二维平面ct扫描方式，该算法结合了深度学习算法和bpf算法的优势，可以在提高扫描速率的同时提高图像的重建质量，同时结合后处理网络可以有效减少重建图像的噪声及伪影。
[0011]
直线扫描探测器微分bpf重建图像稀疏伪影校正方法，主要包括以下步骤：
[0012]
s1.初始化参数直线扫描段数t、旋转角度间隔δθ，待重建图像零空间
[0013]
s2.利用直线扫描探测器微分bpf算法获取稀疏角度投影下的带伪影的ct图像；
[0014]
s3.利用直线扫描滤波反投影算法获取标签图像作为第一深度学习网络的标签数据；
[0015]
s4.利用第一深度学习网络对于s2步骤得到的ct图像进行伪影去除，该网络依次包含生成器和鉴别器，其中生成器包含由多个二维卷积模块与自注意力模块构成的编码器与由多个上采样层与卷积层组合而成的解码器，鉴别器由多级全卷积层构成，负责鉴别生成的图像与标签图像的真伪；
[0016]
s5.利用第二深度学习网络对于s4步骤中得到的去伪影ct图像进行高斯盲降噪，所述第二深度学习网络包含多个由二维卷积、批量归一化、leaky relu激活函数构成的联级结构，经过本网络后输出校正后的高质量ct图像。
[0017]
优选的，所述步骤s4中，主要包括：
[0018]
s41.第一深度学习网络生成器中的编码模块将经二维卷积后的特征图编码为全局上下文的输入序列；
[0019]
s42.将得到的特征序列经过解码器的上采样与卷积后生成去伪影ct图像；
[0020]
s43.鉴别器将s42步骤获得的去伪影ct图像与标签图像通过相同的卷积层、归一化层、激活函数后得到生成图像真或者假的概率。
[0021]
在步骤s4中，第一深度学习网络中的鉴别器为多尺度鉴别器，可以根据处理的图像特点选取鉴别器降采样的个数以及大小，对于稀疏角度ct图像，采用越小的降采样尺寸，
意味着更关注图像的纹理细节，而更大的降采样尺寸意味着更加关注图像的全局一致性。
[0022]
优选的，所述第一深度学习网络的损失函数由三部分构成，计算式如下：
[0023][0024]
其中，n表示鉴别器中选择的降采样尺寸个数，g与dk分别表示网络生成器与鉴别器的损失，l
fm
表示第一深度学习网络的降采样特征图损失，lc表示内容编辑损失，负责保证图像内容的一致性，而l
gan
负责全局损失，负责学习生成图像的细节。
[0025]
优选的，在步骤s5，进行去噪模型训练时，输出的误差图和真实误差图之间采用sme损失函数进行约束，对于训练数据损失函数定义为：
[0026][0027]
其中，θ是网络中的参数，训练集的信息保存在此。
[0028]
优选的，在步骤s2中，利用直线扫描探测器微分bpf算法获取稀疏角度投影下的带伪影的ct图像，包括以下步骤：
[0029]
①
利用投影法从模拟几何或者真实图像的投影正弦图数据；
[0030]
②
利用线扫描探测器微分bpf算法获取t段直线扫描图像，计算式如下：
[0031][0032]
式中，表示待重建点；s为射线源直线平移长度的一半；ηi表示对第i段hilbert图像进行有限hilbert逆变换的方向角；1/l2为反投影加权因子；所述反投影操作在一个大于待重建图像的矩阵中完成，即在待重建图像矩阵空间每个边缘外增加p0＝0.5*i数量的零，其中i为待重建图像行或列数，其中的是沿探测器u方向进行微分操作得到微分投影，其计算式为
[0033][0034]
其中，表示微分算子，由有限差分运算实现，投影内部的数据采用中心差分，投影边界的数据采用单侧差分；u
*
表示穿过待重建点的射线在探测器上的坐标，
[0035][0036]
其中，l表示待重建点到射线源轨迹的垂直距离，l＝-x sinθi+y cosθi+l；h表示待重建点到探测器的垂直距离，h＝x sinθ
i-y cosθi+h；
[0037]
③
对所述对第i段hilbert图像沿第i段射线源直线平移轨迹方向进行有限希尔伯特逆变换，可以重建第i段有限角图像其计算式为
[0038]
其中，y1表示一维hilbert变换方向，y1∈[ly+εy,u
y-εy]，其中[ly,uy]表示hilbert
变换的有限区间，εy为一个小正数；表示重建第i段有限角图像需要计算的未知常数；
[0039]
④
重复以上步骤t次，t为直线扫描段数，将各段重建结果重复以上步骤t次，t为直线扫描段数，将各段重建结果叠加，得到完整的重建图像，
[0040][0041]
至此便获取第一深度学习网络的输入，即需要训练的带伪影图像数据集。
[0042]
本发明的有益效果在于：
[0043]
方法结合了深度学习方法和直线扫描探测器微分bpf算法重建精度高、能够实现目标感兴趣区域(roi)精确成像策略的优势，有效的避免了投影横向截断(truncated laterally)的问题，此外第一与第二深度学习网络的训练与测试均可以在gpu上执行。网络中的每个操作都是简单且局部的，非常适合基于gpu的并行化，例如，网络中的卷积由matconvnet工具箱或cudnn(nvidia)支持的gpu计算驱动。
附图说明：
[0044]
图1为本发明一种面向稀疏角度源直线扫描ct的去伪影方法的流程图；
[0045]
图2为第一深度学习模型训练及测试部分输入及输出结果图；
[0046]
图3为本发明所采用的第二深度学习网络训练流程图。
具体实施方式
[0047]
下面结合附图和实施例详细说明本发明的实施方式。
[0048]
源直线扫描轨迹的探测器行向微分三维图像重建方法，如图1所示，为了更为具体地描述本发明，下面结合附图及具体实施方式对本发明的技术方案进行详细说明。同时为了说明清晰明确，将给出实施例子并给出相应解释。
[0049]
针对现有的源直线扫描ct中bpf重建图像过程存在扫描速度慢、重建效率低，而采用稀疏的投影方式又会引入条状伪影的问题，本发明提供了一种基于图像翻译深度学习网络的二维平面平行束ct图像重建方法，其整体思路在于：利用深度学习的方式学习由存在条状伪影图像到清晰图像的变换过程，进而重建更高质量的图像；在此基础上，利用第二深度学习网络对于重建图像进行高斯盲降噪，从而进一步提高重建图像的质量。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。以下为实施实例。
[0050]
实施实例：
[0051]
一种面向稀疏角度源直线扫描ct的去伪影方法的流程示意图及实施过程示意图如附图1所示。
[0052]
s1.初始化参数直线扫描段数t、旋转角度间隔δθ，待重建图像零空间
[0053]
s2.利用直线扫描探测器微分bpf算法获取稀疏角度投影下的带伪影的ct图像；
[0054]
s3.利用直线扫描滤波反投影算法获取标签图像作为第一深度学习网络的标签数据；
[0055]
s4.利用第一深度学习网络对于s2步骤得到的ct图像进行伪影去除，该网络依次包含生成器和鉴别器，其中生成器包含由多个二维卷积模块与自注意力模块构成的编码器与由多个上采样层与卷积层组合而成的解码器，鉴别器由多级全卷积层构成，负责鉴别生成的图像与标签图像的真伪；
[0056]
s5.利用第二深度学习网络对于s4步骤中得到的去伪影ct图像进行高斯盲降噪，所述第二深度学习网络包含多个由二维卷积、批量归一化、leaky relu激活函数构成的联级结构，经过本网络后输出校正后的高质量ct图像。
[0057]
优选的，所述步骤s4中，主要包括：
[0058]
s41.第一深度学习网络生成器中的编码模块将经二维卷积后的特征图编码为全局上下文的输入序列；
[0059]
s42.将得到的特征序列经过解码器的上采样与卷积后生成去伪影ct图像；
[0060]
s43.鉴别器将s42步骤获得的去伪影ct图像与标签图像通过相同的卷积层、归一化层、激活函数后得到生成图像真或者假的概率。
[0061]
优选的，步骤s4中，第一深度学习网络中的鉴别器为多尺度鉴别器，可以根据处理的图像特点选取鉴别器降采样的个数以及大小，对于稀疏角度ct图像，采用越小的降采样尺寸，意味着更关注图像的纹理细节，而更大的降采样尺寸意味着更加关注图像的全局一致性。
[0062]
优选的，所述第一深度学习网络的损失函数由三部分构成，计算式如下：
[0063][0064]
其中，n表示鉴别器中选择的降采样尺寸个数，g与dk分别表示网络生成器与鉴别器的损失，l
fm
表示第一深度学习网络的降采样特征图损失，lc表示内容编辑损失，负责保证图像内容的一致性，而l
gan
负责全局损失，负责学习生成图像的细节。
[0065]
优选的，在步骤s5，进行去噪模型训练时，输出的误差图和真实误差图之间，采用sme损失函数进行约束，对于训练数据损失函数定义为：
[0066][0067]
其中，θ是网络中的参数，训练集的信息保存在此。
[0068]
为了进一步说明本发明具体实施例，在步骤s2中，利用直线扫描探测器微分bpf算法获取稀疏角度投影下的带伪影的ct图像，包括以下步骤：
[0069]
①
利用投影法从模拟几何或者真实图像的投影正弦图数据；
[0070]
②
利用线扫描探测器微分bpf算法获取t段直线扫描图像，计算式如下：
[0071][0072]
式中，表示待重建点；s为射线源直线平移长度的一半；ηi表示对第i段hilbert图像进行有限hilbert逆变换的方向角；1/l2为反投影加权因子；所述反投影操作在一个大于待重建图像的矩阵中完成，即在待重建图像矩阵空间每个边缘外增加p0＝0.5*i数量的零，其中i为待重建图像行或列数，其中的是沿探测器u方向进行微
分操作得到微分投影，其计算式为
[0073][0074]
其中，表示微分算子，由有限差分运算实现，投影内部的数据采用中心差分，投影边界的数据采用单侧差分；u
*
表示穿过待重建点的射线在探测器上的坐标，
[0075][0076]
其中，l表示待重建点到射线源轨迹的垂直距离，l＝-x sinθi+y cosθi+l；h表示待重建点到探测器的垂直距离，h＝x sinθ
i-y cosθi+h；
[0077]
③
对所述对第i段hilbert图像沿第i段射线源直线平移轨迹方向进行有限希尔伯特逆变换，可以重建第i段有限角图像其计算式为
[0078][0079]
其中，y1表示一维hilbert变换方向，y1∈[ly+εy,u
y-εy]，其中[ly,uy]表示hilbert变换的有限区间，εy为一个小正数；表示重建第i段有限角图像需要计算的未知常数；
[0080]
④
重复以上步骤t次，t为直线扫描段数，将各段重建结果重复以上步骤t次，t为直线扫描段数，将各段重建结果叠加，得到完整的重建图像，
[0081][0082]
至此便获取第一深度学习网络的输入，即需要训练的带伪影图像数据集。
[0083]
本实施实例的第一深度学习网络训练及测试使用过程如附图2所示，包括：
[0084]
步骤
①
：首先利用直线扫描探测器微分bpf算法获取稀疏角度情况的图像，同时利用在标准扫描角度情况下获取标签图像；
[0085]
步骤
②
：将配对的图像与标签图像输入第一深度学习网络模型进行训练；
[0086]
步骤
③
：将利用直线扫描探测器微分bpf算法获取的稀疏角度ct图像输入已训练好的网络模型中，输出高质量的ct图像。
[0087]
附图3是本实施实例的第二深度学习网络的训练流程，将第一深度学习网络模型的输出图像作为输入，进行模型训练，输出高质量去噪后的ct图像。
[0088]
本实施实例中的第一深度学习网络的训练参数设置如下表1所示。
[0089]
表1.仿真扫描参数及深度学习网络参数表
[0090][0091]
(注：batch是每次输入网络进行训练的批次，而batchsize是每个batch中训练样本的数量)
[0092]
本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的；本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

技术特征：
1.直线扫描探测器微分bpf重建图像稀疏伪影校正方法，其特征在于，包括：s1.初始化参数直线扫描段数t、旋转角度间隔δθ，待重建图像零空间s2.利用直线扫描探测器微分bpf算法获取稀疏角度投影下的带伪影的ct图像；s3.利用直线扫描滤波反投影算法获取标签图像作为第一深度学习网络的标签数据；s4.利用第一深度学习网络对于s2步骤得到的ct图像进行伪影去除，该网络依次包含生成器和鉴别器，其中生成器包含由多个二维卷积模块与自注意力模块构成的编码器与由多个上采样层与卷积层组合而成的解码器，鉴别器由多级全卷积层构成，负责鉴别生成的图像与标签图像的真伪；s5.利用第二深度学习网络对于s4步骤中得到的去伪影ct图像进行高斯盲降噪，所述第二深度学习网络包含多个由二维卷积、批量归一化、leaky relu激活函数构成的联级结构，经过本网络后输出校正后的高质量ct图像。2.根据权利要求1所述的直线扫描探测器微分bpf重建图像稀疏伪影校正方法，其特征在于，步骤s4中，包括：s41.第一深度学习网络生成器中的编码模块将经二维卷积后的特征图编码为全局上下文的输入序列；s42.将得到的特征序列经过解码器的上采样与卷积后生成去伪影ct图像；s43.鉴别器将s42步骤获得的去伪影ct图像与标签图像通过相同的卷积层、归一化层、激活函数后得到生成图像真或者假的概率。3.根据权利要求2所述的直线扫描探测器微分bpf重建图像稀疏伪影校正方法，其特征在于，步骤s4中，第一深度学习网络中的鉴别器为多尺度鉴别器，可以根据处理的图像特点选取鉴别器降采样的个数以及大小，对于稀疏角度ct图像，采用越小的降采样尺寸，意味着更关注图像的纹理细节，而更大的降采样尺寸意味着更加关注图像的全局一致性。4.根据权利要求2所述的直线扫描探测器微分bpf重建图像稀疏伪影校正方法，其特征在于，第一深度学习网络的损失函数由三部分构成，计算式如下：其中，n表示鉴别器中选择的降采样尺寸个数，g与d
k
分别表示网络生成器与鉴别器的损失，l
fm
表示第一深度学习网络的降采样特征图损失，l
c
表示内容编辑损失，负责保证图像内容的一致性，而l
gab
负责全局损失，负责学习生成图像的细节。5.根据权利要求1所述的直线扫描探测器微分bpf重建图像稀疏伪影校正方法，其特征在于，在步骤s5，进行去噪模型训练时，输出的误差图和真实误差图之间采用sme损失函数进行约束，对于训练数据损失函数定义为：其中，θ是网络中的参数，训练集的信息保存在此。

技术总结
直线扫描探测器微分BPF重建图像稀疏伪影校正方法，属于图像处理、CT成像技术领域，包括以下步骤：初始化参数直线扫描段数；利用直线扫描探测器微分BPF算子获取稀疏角度投影下的CT图像；由直线扫描滤波反投影算法获取真实标签图像，并利用深度学习网络对带伪影的图像进行转换；利用图像后处理网络对转换后的图像进行高斯盲降噪，最终输出高质量CT图像。本稀疏伪影校正方法面向直线CT扫描轨迹，能有效避免因稀疏角度扫描所导致的伪影以及噪声，能从较少的锥束投影中重建出高质量的图像，提高了扫描效率和成像质量。描效率和成像质量。描效率和成像质量。


技术研发人员：汪志胜 崔俊宁 王顺利 赵亚敏 边星元
受保护的技术使用者：哈尔滨工业大学
技术研发日：2023.06.06
技术公布日：2023/10/7