基于深度学习的光子计数CT稀疏角图像重建方法及系统

本发明涉及医学影像，尤其涉及一种基于深度学习的光子计数ct稀疏角图像重建方法及系统。

背景技术：

1、光子计数ct是医疗诊断领域一种新兴的医学成像计数，因为它能够提供多能谱图像和物质分解，实现更高的图像分辨率和降低辐射剂量，对于疾病诊断具有重要的临床价值，所以受到了越来越多的关注。为了缩短扫描时间、提高扫描效率和降低辐射剂量，往往采用稀疏角采样策略，即减少投影角度数量，这种欠采样方式不可避免地会导致重建过程中丢失结构信息和产生严重的条纹伪影，影响后续图像观察、结构测量和定量分析。

技术实现思路

1、本发明的目的是提供一种基于深度学习的光子计数ct稀疏角图像重建方法及系统，以改善因欠采样方导致的重建过程中丢失结构信息和产生严重的条纹伪影的问题。

2、为了实现上述目的，本发明提供了以下技术方案：

3、一种基于深度学习的光子计数ct稀疏角图像重建系统，包括数据收集模块、残差式u型图像恢复网络模型和图像重建模块；残差式u型图像恢复网络模型包括编码层、瓶颈层和解码层；

4、数据收集模块用于获得光子计数ct稀疏角图像，并从中提取初始特征；

5、编码层用于对输入特征在多个尺度下进行双路径频谱调制；

6、瓶颈层用于对调制后的特征进行极坐标频谱校准及路径状态混合；

7、解码层用于对混合后的特征进行跳连解码，并在多个尺度下进行双路径频谱调制，得到卷积预测残差图像；

8、图像重建模块用于将卷积预测残差图像和输入图像相加得到重建图像。

9、在一个较优的实施方案中，编码层包括包括级联的3个尺度的编码器，解码层包括级联的3个尺度的解码器，每个编码器和解码器配置有双路径频谱调制模块，用于对输入特征进行双路径频谱调制；解码器上采样特征与对应尺度层级编码器的输出特征拼接并降维后再进行双路径频谱调制。

10、在一个较优的实施方案中，瓶颈层包含级联的4个瓶颈单元，其中第1个和第3个瓶颈单元中包括极坐标频谱校准模块和路径状态混合模块，第2个和第4个瓶颈单元中只包含路径状态混合模块；极坐标频谱校准模块用于进行极坐标频谱校准，路径状态混合模块用于对校准后的极坐标频谱进行路径状态混合。

11、一种基于深度学习的光子计数ct稀疏角图像重建方法，包括以下步骤：

12、s10，获得光子计数ct稀疏角图像，并从中提取初始特征；

13、s20，对初始特征在多个尺度下进行双路径频谱调制；

14、s30，对调制后的特征进行极坐标频谱校准及路径状态混合；

15、s40，对混合后的特征进行跳连解码，并在多个尺度下进行双路径频谱调制，得到卷积预测残差图像；

16、s50，将卷积预测残差图像与输入图像相加得到重建图像。

17、所述双路径频谱调制的处理，依次包括以下操作：

18、对输入特征x先进行通道归一化，再进行1×1卷积和3×3深度卷积；

19、将深度卷积后的特征分为主路径特征和门控路径特征；

20、门控路径向主路径提供提示连接，使得主路径特征为，是第一缩放系数；

21、主路径进行自适应频谱卷积，输出特征，为动态卷积核；

22、主路径向门控路径提供提示连接，使得门控路径特征变更为，β为第二缩放系数；

23、变更后的门控路径特征分别经过横向卷积、纵向卷积和局部卷积后再拼接融合，再经卷积和激活函数后生成门控权重g；

24、主路径输出特征m与门控路径输出的门控权重g通过逐元素相乘进行融合，再经过1x1卷积后输出，；

25、再引入补偿项s和增益补偿后，最终输出，，g为通道缩放参数。

26、所述极坐标频谱校准的处理，依次包括以下操作：

27、先进行通道归一化，然后进行反射填充，再进行二维傅里叶变换，并进行频谱中心化；

28、将频谱图转换为极坐标频谱特征表示单元；

29、将极坐标标频谱特征表示单元分为角度分支和半径分支，角度分支经过1×3的深度卷积处理，半径分支经过3×1的深度卷积处理，并将深度卷积处理后的角度分支和半径分支基于权重进行融合；

30、融合后的极坐标标频谱特征表示单元经过1×1卷积处理后在通道维度分成幅值校正特征表示单元和相位校正特征表示单元，然后转换为频谱图；

31、对幅值和相位进行校准；

32、校准后进行频域重组，恢复到傅里叶排布，再继续恢复到空间域，并裁剪掉反射填充区域；

33、经过一个3×3深度卷积后，通过残差缩放并与输入相加，得到最后的输出。

34、所述路径状态混合的处理，依次包括以下操作：

35、先进行通道归一化，然后将通道扩展为2c，再经过3×3深度卷积；

36、将特征通道划分为signal分支和route分支，signal分支按照行蛇形、列蛇形、反向行、反向列这四条路径进行展开得到一维序列，然后将每条路径得到的一维序列进行堆叠；

37、对堆叠后的序列进行1x1深度卷积，并通过线性投影生成状态空间模型所需参数；

38、对每条路径进行选择性扫描，并将四条路径扫描所得的二维空间位置拼接，再通过1×1卷积进行融合；

39、route分支经过silu函数激活后，与融合结果逐元素相乘，再经过一个1×1深度卷积后，通过残差缩放并与输入相加，得到最后的输出。

40、一种计算机程序产品，包括计算机可读指令，所述计算机可读指令在被处理器执行时实现本发明所述的基于深度学习的光子计数ct稀疏角图像重建方法中的步骤。

41、一种包括计算机可读指令的计算机可读存储介质，所述计算机可读指令在被处理器执行时实现本发明所述的基于深度学习的光子计数ct稀疏角图像重建方法中的步骤。

42、一种电子设备，包括：存储器，存储程序指令；处理器，与所述存储器相连接，执行存储器中的程序指令，实现本发明所述的基于深度学习的光子计数ct稀疏角图像重建方法中的步骤。

43、与现有技术相比，通过本发明具有以下有益效果：

44、1、本发明通过残差式u型结构网络模型，将浅层细节特征与深层全局特征进行多尺度融合，能够在抑制稀疏角条纹伪影的同时保留光子计数micro-ct图像中的边缘、纹理和灰度连续性。

45、2、本发明通过双路径频谱调制模块，将主特征路径的自适应频谱卷积与门控路径的方向性结构感知相结合，使网络能够根据不同图像样本中的频谱退化和条纹方向动态调整特征增强方式，减少固定卷积核对复杂伪影适应性不足的问题。

46、3、本发明通过横向、纵向及局部门控分支生成方向门控权重，对主路径频谱增强特征进行选择性调制，有助于区分真实组织边缘、局部纹理与稀疏角重建产生的方向性条纹伪影，从而降低过度平滑或伪影放大的风险。

47、4、本发明通过极坐标频谱校准模块，将深层特征转换至频域，并按照频率半径和频率角度对频谱信息进行建模，可分别处理低频结构、中频纹理、高频边缘以及方向性条纹分布，使频谱能量和结构位置信息得到更合理的校准。

48、5、本发明通过对频谱幅值和相位采用受限残差校正方式，在修复频谱能量异常的同时约束相位扰动幅度，有助于保持图像结构位置稳定，避免直接频域增强造成结构偏移或细节失真。

49、6、本发明通过路径状态混合模块，将二维特征沿行、列、反向行和反向列四类路径展开并进行状态空间扫描，能够建立跨区域长距离依赖关系，提高网络对大范围连续条纹伪影和长程组织结构的辨别能力。