一种用于同轴相位衬度成像的稀疏角CT重建方法和系统

专利主权项内容

1.一种用于同轴相位衬度成像的稀疏角CT重建方法，其特征在于，所述方法包括：S1、对待测物品进行同轴相位衬度成像的X射线CT实验扫描，得到稀疏角下的投影图；S2、基于强度传输方程推导的相位公式，对所述投影图进行相位恢复，得到相位恢复后的投影图；所述S2，包括：根据已知参数恢复待测物品物平面的相位分布，/>表示投影平面的坐标，垂直于投影方向，/>表示待测物品的物平面，所述已知参数包括X射线的入射光强和待测物品到探测器的距离/>；根据恢复的待测物品物平面的相位分布，得到待测物品相位恢复后的投影图；其中，所述根据已知参数恢复待测物品物平面的相位分布，包括：S21、假设待测物品的相移折射率和线性衰减系数/>成比例，根据朗伯比尔定律：，其中/>表示X射线的入射光强，/>表示待测物品的投影厚度，得到待测物品物平面的相位和投影厚度的线性关系公式，/>为波数；S22、根据强度传输方程推导得到以下公式：
；其中，表示待测物品到探测器的距离，/>表示为探测器平面，/>表示拉普拉斯变换，/>表示探测器平面的强度图像，将上式变换到频域进行求解，得到待测物品的投影厚度/>的计算公式：
；其中表示/>的频率向量，/>表示傅里叶变换算子，/>表示傅里叶逆变换算子；S23、根据S21得到的相位和投影厚度的线性关系公式，最后得到待测物品物平面的相位分布：
；其中表示待测物品的吸收折射率；S3、采用滤波反投影重建算法，对相位恢复后的投影图进行重建，获得含有伪影的稀疏角下的CT初始重建切片图；S4、使用训练完成的后处理网络模型，对含有伪影的稀疏角下的CT初始重建切片图进行后处理，去除图像伪影；所述S4中的后处理网络模型的训练，包括：将训练集中不含伪影的全视角下的CT初始重建切片图和含有伪影的稀疏角下的CT初始重建切片图输入到后处理网络模型中进行模型训练；所述后处理网络模型采用的网络是基于Wasserstein的生成对抗网络，生成对抗网络包括两个组成部分，分别是生成器网络和判别器网络，生成器网络的任务是生成看起来与原始数据相似的实例，判别器网络的任务是判断生成器网络给定的实例是自然真实的还是伪造的，其中真实实例来自于不含伪影的全视角下的CT初始重建切片图，伪造实例来自生成器网络；对于含有伪影的稀疏角下的CT初始重建切片图使用所述后处理网络模型，得到不含伪影的切片图，表示为公式：，其中，/>表示为生成器网络处理后的不含伪影的CT切片图，/>表示为含有伪影的稀疏角下的CT初始重建切片图，/>表示后处理网络模型；所述后处理网络模型的生成对抗网络中的生成器网络是一个基于U-net改进的网络，包括编码网络和解码网络，编码网络由四层结构组成，每层结构由两个卷积层和一个ReLU激活函数组成，通过逐步减小图像的尺寸，提取图像不同尺度下的图像特征；解码网络由对应的四层结构组成，每层结构由两个/>反卷积层和一个ReLU激活函数组成，通过逐步增大图像的尺寸，实现对图像的还原，并且在每个解码步骤中，跳跃连接对应编码网络的特征图，实现图像的特征融合；生成器网络处理后的图像和不含伪影的全视角下的CT初始重建切片图/>作为判别器网络的输入，判别器网络由五层结构组成，前四层每层网络的结构顺序为一个卷积层、一个ReLU操作、接着一个卷积层及一个ReLU操作构成，每个卷积层的卷积核大小为，最后一层的对抗损失为线性层，判别器网络对输入的图像进行卷积操作，提取图像特征，最后一层线性层，减少图像维度，通过损失函数，说明生成器网络处理的结果/>和不含伪影的重建图像/>之间的差距，引导生成器网络的训练方向。