CN115063502B 基于优化迭代网络的ct图像重建方法以及系统 （中山大学）

基于优化迭代网络的CT图像重建方法以及本发明公开了一种基于优化迭代网络的CT过实验验证了本方法设计的迭代网络模型的收2构建由多个迭代子模型组成的迭代网络模型，所述迭代网络模型整合所述神经网络的先验作为正则化器构建目标函数，所述目标函数包括：将所述原始的投影数据输入至所述迭代网络模型，得到所述迭代网络3.根据权利要求1或2所述的基于优化迭代神经网络包括用于提取局部特征的局部信息提取器和用于提取全局特征的全局特征提取DenseED输出的特征图与所述对称编码-解码器输出的6.根据权利要求5所述的基于优化迭代网络的CT图像重建方法，其特征在于，所述transformer块中包括跨通道使用自我注意力的MCTA模块，所述MCTA模块使用卷积层且所ppV表示由张量X生成查询、键和值，和V=X,是1×1的卷积7.根据权利要求5或6所述的基于优化迭代3征图的浅层特征嵌入并输入至所述对称编码-迭代网络构建单元，用于构建由多个迭代子模型组成的迭代网络模型，型包括神经网络，所述迭代网络模型整合所述神经网络的先验作为正则化器构建目标函表示原始的投影数据，y表示投影域中的残差数据，p()表示神经网络函数，λ>0表示超参k次迭代输出的图像；CT图像重建单元，用于将所述原始的投影数据输入至所述处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，要求1至7任一项所述的一种基于优化迭代网络的CT图4[0004]基于卷积神经网络(CNN)的深度学习方法已被引入CT图像重建中，其具有良好的像和采样域中的某些微小的、几乎无法检测到的扰动可能会导致重建中的严重伪影(可能[0007]本发明还提供用于执行上述基于优化迭代网络的CT图像重建方法的CT图像重建述迭代网络模型整合所述神经网络的先验作为正则化器构建目标函数，所述目标函数包5能应用于锥形束CT(CBCT)，本迭代网络模型采用Transformer，所述ReconstructionTransformer包括由多个transformer块组成的对称[0017]根据本发明的一些实施例，所述transformer块中包括跨通道使用自我注意力的pp述卷积层用于提取所述DenseED输出的特征图的浅层特征嵌入并输入至所述对称编码-解6k次迭代输出的图像；器能够执行如上述的一种基于优化迭代网络的CT图像[0029]由于计算机可读存储介质采用了上述实施例的CT图像重[0031]本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得[0032]图1是本发明一实施例提供的一种基于优化迭代网络的CT图像重建方法的逻辑框7不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明[0045]参照图1，本发明的一个实施例，提供了一种基于优化迭代网络的CT图像重建方络，迭代网络模型整合神经网络的先验作为正则化器构建目标函数，目标函数包括：[0049]基于上述实施例，本实施例通过如下方式构建迭代网络模型(本实施例称之为8y(0)表示投影数据(即…yQ]T[0067]因为神经网络是经过良好的训练来解决问题Af＝y，可以看作是反9[0084]在一些实施例中，如图1，图1的(a)为本迭代网络模型(IRO的神经网络包括DenseED(DenseEncoder-Decoder，密集连接编码-解码器)和理特征和局部信息，DenseED输出初始恢复图像作为ReconstructionTransformer的输DenseED)和全局特征提取器(基于Transformer的ReconstructionTransformer)实现最器能够通过逐步放大特征图来有效地恢复高质量的图像。密集连接有助于提高参数利用中，transformer块的数量从上到下逐渐增加，分别对下采样和上采样应用最大池化和像之为MCTA模块(多卷积转置注意力)。MCTA的关键思想是跨通道使用自我注意力而不是空是通过应用1×1卷积来聚合像素交叉通道上下文，然后应用3×3卷积来编码通道空间的上下文，产生和v'=ex其中是1×1的卷积层,是3pp[0092]如果重构网络的重构误差的L2范数和对应的标签L2范数比值小于1-μ(0<μ<1),[0093]假设神经网络函数p(-)是一个训练良好的神经网络。表示神经网络的输出p(Af")=f"+fob+fn:其中，第二项和第三项是误差图像的可观测分量和零空**nl0)(27)[0118]使用正向模型A来综合无法解释的残差数据y(1)。然后y(1)被馈送至重建网络以重bd)+f(ob2)+f(nl2)(3s)<ξ<1(46)模型将在测量数据约束的空间与CNN和Transformer跨越的神经网络空间的交汇处收敛到[0150]模拟实验使用PyTorch框架在Python中训练。所有实验都运行在一台装有24GNVIDIATITANRTXGPU、英特尔至强Sliver4210CPU(2.20GHz)以及64GB内存的电脑上。为案例4的重建结果，第1至8列分别代表输入、Label、RED-CNN、FBPConv-Net、LEARN、[0166]为了进一步展示本方案的优势，显示窗口在图1中进行了调整。FBPConv-Net提供了更好的图像。然而，仍然难以准确定义箭头所指的图像边缘。此外，[0167]图4的(b)中示出真实数据结果的强度分布，与模拟数据的结果一致，本方案三个实验。本方案由两个子网络组成：密集编码器-解码器(DenseED)和Reconstruction由两个ReconstructionTransformer组成的网络。还使用了一个传统的MSHA来取代所提[0175](1)为了克服由网络不稳定性引起的假阴性和假阳性，本方法将迭代优化和深度[0176](2)在本IRON中，提出由DenseED和ReconstructionTransformer两个模块的组[0177](3)经过模拟和真实的心脏临床数据集进行验证，本IRON具有相对误差收敛特性述方法实施例的相关内容同样适用于本系统实[0184]控制处理器6001和存储器6002可以通过总线或者其他方式连接，图9中以通过总[0185]存储器6002作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、(RandomAccessMemory,