一种基于深度学习的稀疏角度THz-CT图像重建方法
摘要文本
马 克 数 据 网 。本发明属于太赫兹无损检测与图像处理领域，公开了基于深度学习的稀疏角度THz‑CT图像重建方法，用于解决传统重建方法无法在稀疏采样视图条件下重建出清晰THz‑CT图像的难题，基于深度卷积神经网络，其包括：(S2)采集训练样品的稀疏角度THz‑CT图像和密集角度THz‑CT图像，构建训练集；(S2)将训练集输入神经网络模型进行训练，得到训练好的神经网络模型；(S3)将待重建的稀疏角度THz‑CT图像输入至训练后的神经网络模型，获得高分辨的THZ‑CT重建图像；(S4)将待重构样品整个高度的稀疏角度THz‑CT图像对应的THZ‑CT重建图像，沿THZ‑CT重建图像的平面轴进行深度堆叠获得待重构样品的三维图像。本发明可以实现对稀疏采样下的THz‑CT的三维重建，重建的三维图像具有极高的数据保真度。
申请人信息
- 申请人:深圳技术大学
- 申请人地址:518118 广东省深圳市坪山区石井街道兰田路3002号
- 发明人: 深圳技术大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于深度学习的稀疏角度THz-CT图像重建方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311486873.3 |
| 申请日 | 2023/11/9 |
| 公告号 | CN117523095A |
| 公开日 | 2024/2/6 |
| IPC主分类号 | G06T17/00 |
| 权利人 | 深圳技术大学 |
| 发明人 | 李泽仁; 张维; 孙帅; 李佳霖 |
| 地址 | 广东省深圳市坪山区石井街道兰田路3002号 |
专利主权项内容
1.一种稀疏角度的高分辨THz-CT图像重建方法，其特征在于，具体包括以下步骤：(S1)采集训练样品的稀疏角度THz-CT图像和密集角度THz-CT图像，训练样品厚度方向上的稀疏角度THz-CT图像构成图像集，训练样品厚度方向上的密集角度THz-CT图像构成标签集，训练集包括标签集和图像集；(S2)将训练集输入神经网络模型进行训练，得到训练好的神经网络模型；神经网络为改进的UNet网络，神经网络结构深度为4层，包括增强卷积块，基础卷积块，池化层、上采样层, 编码器部分由增强卷积块和池化层组成一个下采样模块，经过多次操作获取抽象特征，然后解码器部分由上采样层和基础卷积块组成一个上采样模块，经过多次操作从抽象特征恢复目标图，最后接一层1*1卷积，降维处理至1通道数，得到目标输出，并且编码器和解码器中对应维度卷积层进行通道拼接，其中编码器的增强卷积块由3*3卷积块、非对称性卷积、通道注意力机制、线性整流激活函数和批量归一化层组成，解码器的基础卷积块由两层3*3卷积块、线性整流激活函数和批量归一化层组成；引入的通道注意力机制分为Extract全局特征提取和Transform通道加权的流形变换两部分，在3*3卷积块和非对称性卷积块引入，并进行相邻通道注意力特征的互连；整体网络其下采样通道数分别为64，128，256，512，上采样与其相反；(S3)将待重建的稀疏角度THz-CT图像输入至训练后的神经网络模型，获得高分辨的THZ-CT重建图像；(S4)将待重构样品整个高度的稀疏角度THz-CT图像对应的THZ-CT重建图像，沿THZ-CT重建图像的平面轴进行深度堆叠获得待重构样品的三维图像。