一种同时低剂量CT重建与金属伪影校正的深度学习方法
摘要文本
来自： 。本发明公开了一种同时低剂量CT重建与金属伪影校正的深度学习方法，包括如下步骤：步骤S1、构建用于低剂量CT重建和金属伪影校正的基于多尺度自适应的深度稀疏变换网络模型；步骤S2、训练基于多尺度自适应的深度稀疏变换网络：步骤S3、向构建好的图像域最优网络模型中输入含有金属伪影的低剂量CT图像和金属掩膜，基于多尺度自适应的深度稀疏变换网络的输出为金属伪影校正后CT图像。本发明是少数用于金属植入物存在时的低剂量CT重建的方法，具有一定的可解释性，且不需要用到难以获得的弦域数据，具有高精度的金属伪影校正性能。
申请人信息
- 申请人:燕山大学
- 申请人地址:066004 河北省秦皇岛市海港区河北大街438号
- 发明人: 燕山大学
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种同时低剂量CT重建与金属伪影校正的深度学习方法 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311747526.1 |
| 申请日 | 2023/12/19 |
| 公告号 | CN117726705A |
| 公开日 | 2024/3/19 |
| IPC主分类号 | G06T11/00 |
| 权利人 | 燕山大学 |
| 发明人 | 石保顺; 陈冰 |
| 地址 | 河北省秦皇岛市海港区河北大街438号 |
专利主权项内容
1.一种同时低剂量CT重建与金属伪影校正的深度学习方法，其特征在于：包括如下步骤：步骤S1、构建用于低剂量CT重建和金属伪影校正的基于多尺度自适应的深度稀疏变换网络模型，所述多尺度自适应的深度稀疏变换网络模型包括多尺度自适应的深度稀疏变换、基于信噪比感知和SAM边缘感知Transformer的阈值生成网络、轻量级聚合模块SAA以及多尺度自适应的深度稀疏逆变换；步骤S2、训练基于多尺度自适应的深度稀疏变换网络：步骤S2.1、准备数据集，用收集的无伪影低剂量CT图像进行正投得到的正弦图s合成金属污染的正弦图s，对其做滤波反投影操作得到金属污染CT图像x，将CT图像和正弦图裁剪为设定的尺寸，并将其分为训练集和测试集，设定最大训练次数，初始化训练参数；mama步骤S2.2、将对含有金属伪影的低剂量CT图像的重建和金属伪影矫正任务看做图像反问题，建立基于多尺度自适应的深度稀疏变换网络模型的优化模型，将金属污染的低剂量CT图像和金属掩膜做线性插值运算，将得到的结果和金属掩膜输入到基于多尺度自适应的深度稀疏变换网络模型中，输出得到增强的重建CT图像；步骤S2.3、计算基于多尺度自适应的深度稀疏变换网络模型的损失函数：用梯度下降算法进行求解找出损失函数取得最小值时的可学习参数，若未达到基于多尺度自适应的深度稀疏变换网络模型的最大训练次数，则重复步骤S2.2，更新网络参数，训练结束得到基于多尺度自适应的深度稀疏变换网络的最优网络模型；步骤S3、向构建好的图像域最优网络模型中输入含有金属伪影的低剂量CT图像x和金属掩膜m，基于多尺度自适应的深度稀疏变换网络的输出为金属伪影校正后CT图像。ma