CN115239836B 一种基于端到端神经网络的极端稀疏视角ct重建方法 （广东工业大学）

一种基于端到端神经网络的极端稀疏视角基于端到端神经网络的稀疏角度计算机断层扫决传统重建方法无法在极端稀疏采样视角条件重建方法首先利用双线性插值对CT设备采集得到的稀疏视角正弦图A进行插值得到初步恢复的满视角的正弦图B；接着输入到训练好的正弦图恢复网络中得到优化后的正弦图C；随后利用滤波反投影算法(FilteredBack_Projecti过一个训练好的双流特征融合恢复网络对重建并且重建的CT图像的具备更高的结构相似度与2S1、使用CT成像系统中的探测器以间隔相同的角度S2、利用双线性插值方法对缺失视角的数据进行插行初步特征提取，浅层特征提取层由卷积核大小为3x3的CBR卷卷积操作、批量归一化层和ReLU激活函数；随后进入深层特征提取阶段，采用栅栏型Transformer结构进行高级特征建模，使用三个深度可分离卷积分别计算输入特征图中行S4、基于Pytorch中搭建的可求导的FBP算法将图像集C中的优化后的正弦图初始重建2.根据权利要求1所述的基于端到端神经网络的极端稀疏视角CT重建方法，其特征在S5_1、利用FBP算法将图像集After中满视角的正弦图重建为CT图像，并放入图像集S5_2、构建一个用于提升CT图像质量的双流特域中正弦图恢复网络的输出与图像集After之间的损失函数值，同时计算双流特征融合恢复网络最终输出的CT图像与图像集Label之间的损失函数值，将两者损失函数反向传播更3.根据权利要求2所述的基于端到端神经网络的极端稀疏视角CT重建方法，其特征在4.根据权利要求1所述的基于端到端神经网络的极端稀疏视角CT重建方法，其特征在卷积上采样层；其中所述的拉普拉斯边缘加权卷积块由一个35.根据权利要求1所述的基于端到端神经网络的极端稀疏视角CT重建方法，其特征在6.根据权利要求2所述的基于端到端神经网络的极端稀疏视角CT重建方法，其特征在4射线等具有穿透物体的特性，CT成像可以无实际创伤地直接获取人体内部组织的影像信够重建更多全局细节信息与边缘信息同时具备更Transformer结构进行高级特征建模，使用三个深度可分离卷积分别计算输入特征图中行5[0009]S4、基于Pytorch中搭建的可求导的FBP算法将图像集C中的优化后的正弦图初始投影域中正弦图恢复网络的输出与图像集After之间的损失函数值，同时计算双流特征融合恢复网络最终输出的CT图像与图像集Label之间的损失函数值，将两者损失函数反向传的多尺度卷积块是通过不同大小的卷积层对特征图进行卷积得到不同尺度的特征信息来络损失函数Losssino由均方差损失函数构成；双域特征融合网络损失函数Lossimg由均方差6gt[0027]即由正弦图恢复网络损失函数Losssino和双域特征融合网络损失函数Lossimg共同结合了卷积块与Transformer增强网络同时提取全局与局部特征的能力，以捕获更加丰富[0030]2、本发明的基于端到端神经网络的极端稀疏视角CT重建方法同时在双流特征融卷积块与通道注意力机制进一步优化得到的加权边缘特征信息，最后通过与结合了Transformer的图像恢复子网络输出的特征信息在维度上进行融合，网络在恢复主体结构[0031]3、本发明的基于端到端神经网络的极端稀疏视角CT重建方法在构建损失函数时[0033]图2为本发明的基于端到端神经网络的极端稀疏视角的CT重建方法中双流特征融7[0034]图3为本发明的基于端到端神经网络的极端稀疏视角的CT重建方法的训练与具体[0036]参见图1，本发明的基于端到端神经网络的极端稀疏视角的CT重建方法包括以下Transformer结构进行高级特征建模，使用三个深度可分离卷积分别计算输入特征图中行[0040]S4、基于Pytorch中搭建的可求导的FBP算法将图像集C中的优化后的正弦图初始投影域中正弦图恢复网络的输出与图像集After之间的损失函数值，同时计算双流特征融合恢复网络最终输出的CT图像与图像集Label之间的损失函数值，将两者损失函数反向传8拉斯卷积块与多尺度通道注意力模块结合进一步增强不同尺度的语义边缘信息并对其进[0049]另外，训练网络的损失函数包括4个，分别为如下：正弦图恢复网络损失函数gt9[0059]即由正弦图恢复网络损失函数Losssino和双域特征融合网络损失函数Lossimg共同弦图数据放入图像集A中；使用双线性插值方法对图像集A的图像缺失视角的数据进行插恢复网络中得到优化后的正弦图数据图像集C；然后利用FBP算