三维X射线成像系统截断伪影校正方法及装置与流程

三维x射线成像系统截断伪影校正方法及装置
技术领域
1.本发明涉及计算机断层成像技术领域，尤其是三维x射线成像系统截断伪影校正方法及装置。


背景技术：

2.据相关研究，乳腺癌已成为全球女性的头号癌症，我国乳腺癌发病率也在与日俱增。数字乳腺体层合成技术(digital breast tomosynthesis，dbt)作为三维x射线成像的一项前沿技术，可提供比传统技术更清晰准确的伪断层图像，很好地降低组织重叠，有效提高乳腺癌病灶早期检出率并降低假阳性的误检率。
3.dbt技术通过有限大角度的旋转扫描获取乳腺组织数据，采用联合迭代重建(simultaneous algebraic reconstruction technique，sart)方式重建得到优质的三维断层图像。但受限于探测器尺寸，当旋转角度较大或在mlo体位拍摄时，部分乳腺组织超出探测器有效范围造成了投影数据截断缺失。受制于sart的迭代重建原理，重建图像的像素值会被不平等更新。若直接使用这类截断投影数据重建，重建图像的上下端会出现阶梯状的截断伪影，阻碍了乳腺结构和病灶的识别诊断，导致漏诊或误诊。解决此类伪影对乳腺三维成像筛查尤为重要。
4.为解决此问题，有技术专家提出对重建图像边界的邻域均值进行外插，对边界附近的体素进行补偿，但该方法的校正效果与邻域附近的体素分布及邻域形状的选取有关，易受限制。此外还有专家提出全局投影修正的校正方法，此方法每次迭代时根据相邻投影角度计算重建图像，并利用全局投影数据修正截断区域的体素值，以修正后的图像进行下一次迭代更新直到图像重建完成。但此方法的修正函数为经验公式，无严谨理论和数学推导，不一定是最优校正。也有相关技术提出利用探测器位置边缘在重建图像的各个映射位置的交点错位信息去校正映射位置的锯齿伪影(截断伪影)，但该方法只能抑制截断伪影而不能完全去除，且对设备的几何要求较高。因此，高效去除此类伪影仍是业界难题之一。


技术实现要素：

5.有鉴于此，本发明实施例提供一种高效的三维x射线成像系统截断伪影校正方法及装置。
6.本发明的一方面提供了一种三维x射线成像系统截断伪影校正方法，包括：
7.创建数字乳腺成像系统以及数字乳腺模型；
8.根据所述数字乳腺成像系统和所述数字乳腺模型，生成所述数字乳腺模型的第一投影数据和第二投影数据；
9.根据所述第一投影数据和所述第二投影数据中的外轮廓边界，训练深度神经网络，并根据所述深度神经网络得到网络模型的权重参数；
10.获取真实采集的截断投影数据的外轮廓边界，根据所述权重参数预测完整的外轮廓边界；
11.根据所述外轮廓边界确定缺失投影区域，并通过外插值对所述缺失投影区域进行补全；
12.对补全的投影数据进行sart迭代重建，每次图像更新时对截断投影所更新的图像区域对所述权重参数进行更新，直至图像重建结束，得到去除截断伪影的重建图像。
13.可选地，所述数字乳腺成像系统的建模过程包括构建可调的射线焦斑、构建可调的限束器以及确定扫描角度；
14.针对所述数字乳腺模型的操作包括平移操作和旋转操作。
15.可选地，所述根据所述数字乳腺成像系统和所述数字乳腺模型，生成所述数字乳腺模型的第一投影数据和第二投影数据，包括：
16.对每个数字乳腺模型进行前向投影，获取所述第一投影数据和所述第二投影数据；
17.其中，所述前向投影的表达式为：
[0018][0019]
其中，θi表示当前射线束的投照角度；e表示当前射线的能量；l(θi，u，v)表示在θi角度下，焦点与探测器像元(u，v)的路径集合；u(e，l(θi，u，v))表示在路径l上的物质线性衰减系数；表示θi角度下生成的前向投影图像。
[0020]
可选地，所述方法还包括：
[0021]
采用最大熵分割算法对所述第一投影数据和所述第二投影数据进行快速分割，生成空气区域图像和乳腺区域图像；
[0022]
计算所述空气区域图像的第一梯度图像和所述乳腺区域图像的第二梯度图像；
[0023]
根据所述第一梯度图像确定第一投影外轮廓边界，根据所述第二梯度图像确定第二投影外轮廓边界。
[0024]
可选地，所述根据所述第一投影数据和所述第二投影数据中的外轮廓边界，训练深度神经网络，并根据所述深度神经网络得到网络模型的权重参数，包括：
[0025]
将所述第一投影外轮廓边界和所述第二投影外轮廓边界输入unet网络，学习乳腺投影图像外轮廓特征信息；
[0026]
根据所述unet网络的训练结果，确定网络模型的权重参数。
[0027]
可选地，所述获取真实采集的截断投影数据的外轮廓边界，根据所述权重参数预测完整的外轮廓边界，包括：
[0028]
获取真实采集的截断投影数据；
[0029]
采用最大熵分割算法对所述真实采集的截断投影数据进行快速分割，得到真实采集的截断投影数据中的真实空气区域图像、真实乳腺区域图像和真实外轮廓边界信息；
[0030]
根据所述权重参数，通过unet网络对所述真实空气区域图像、真实乳腺区域图像和真实外轮廓边界信息进行预测，得到unet预测的完整外轮廓边界。
[0031]
可选地，所述根据所述外轮廓边界确定缺失投影区域，并通过外插值对所述缺失投影区域进行补全，包括：
[0032]
确定射线源垂直投照到探测器的扫描位置；
[0033]
根据所述扫描位置投影的外轮廓，生成在纵向的体积模型图；
[0034]
根据所述体积模型图，在发生投影截断的角度计算穿透体积模型的路径；
[0035]
根据所述路径计算出投照在缺失区域的每个点的灰度值；
[0036]
根据所述灰度值，进行自适应外插值补全缺失投影区域；
[0037]
其中，所述自适应外插值计算的公式为：
[0038][0039]
其中，为区域ω内补全的投影值，p0为空气灰度值，h为压迫厚度，x(θi，h，u，v)为在投照角度θi及压迫厚度h下射线穿透体积模型图并落在区域ω内的穿透长度。
[0040]
可选地，所述对补全的投影数据进行sart迭代重建，每次图像更新时对截断投影所更新的图像区域对所述权重参数进行更新，直至图像重建结束，得到去除截断伪影的重建图像中，所述的sart迭代重建公式为：
[0041][0042]
其中，表示第k次迭代中被第n个投影更新的第j个重建体素，a
ij，n
为系统投影矩阵，p
i，n
为第n个投影的第i个像素，λ为松弛因子，i为投影像素总数，j为重建图像体素总数；θ为ω内投影所更新的重建图像区域，q(j)为一次迭代中体素j被逆向投影的次数。
[0043]
本发明实施例的另一方面还提供了一种三维x射线成像系统截断伪影校正装置，包括：
[0044]
第一模块，用于创建数字乳腺成像系统以及数字乳腺模型；
[0045]
第二模块，用于根据所述数字乳腺成像系统和所述数字乳腺模型，生成所述数字乳腺模型的第一投影数据和第二投影数据；
[0046]
第三模块，用于根据所述第一投影数据和所述第二投影数据中的外轮廓边界，训练深度神经网络，并根据所述深度神经网络得到网络模型的权重参数；
[0047]
第四模块，用于获取真实采集的截断投影数据的外轮廓边界，根据所述权重参数预测完整的外轮廓边界；
[0048]
第五模块，用于根据所述外轮廓边界确定缺失投影区域，并通过外插值对所述缺失投影区域进行补全；
[0049]
第六模块，用于对补全的投影数据进行sart迭代重建，每次图像更新时对截断投影所更新的图像区域对所述权重参数进行更新，直至图像重建结束，得到去除截断伪影的重建图像。
[0050]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0051]
所述存储器用于存储程序；
[0052]
所述处理器执行所述程序实现如前面所述的方法。
[0053]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0054]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0055]
本发明的实施例首先创建数字乳腺成像系统以及数字乳腺模型；根据所述数字乳腺成像系统和所述数字乳腺模型，生成所述数字乳腺模型的第一投影数据和第二投影数据；根据所述第一投影数据和所述第二投影数据中的外轮廓边界，训练深度神经网络，并根据所述深度神经网络得到网络模型的权重参数；获取真实采集的截断投影数据的外轮廓边界，根据所述权重参数预测完整的外轮廓边界；根据所述外轮廓边界确定缺失投影区域，并通过外插值对所述缺失投影区域进行补全；对补全的投影数据进行sart迭代重建，每次图像更新时对截断投影所更新的图像区域对所述权重参数进行更新，直至图像重建结束，得到去除截断伪影的重建图像。本发明不涉及多次的边界反投影及重投影，降低了计算复杂度；本发明的网络权重参数的计算仅需训练一次，简单高效。
附图说明
[0056]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1为本发明实施例的整体步骤流程图；
[0058]
图2为本发明实施例提供的工程原型机的几何结构示意图；
[0059]
图3为本发明实施例提供的外轮廓边界示意图；
[0060]
图4为本发明实施例提供的unet网络的结构示意图；
[0061]
图5为本发明实施例提供的缺失投影区域自适应外插值补全示意图。
具体实施方式
[0062]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0063]
针对现有技术存在的问题，本发明实施例提供了一种三维x射线成像系统截断伪影校正方法，包括：
[0064]
创建数字乳腺成像系统以及数字乳腺模型；
[0065]
根据所述数字乳腺成像系统和所述数字乳腺模型，生成所述数字乳腺模型的第一投影数据和第二投影数据；
[0066]
根据所述第一投影数据和所述第二投影数据中的外轮廓边界，训练深度神经网络，并根据所述深度神经网络得到网络模型的权重参数；
[0067]
获取真实采集的截断投影数据的外轮廓边界，根据所述权重参数预测完整的外轮廓边界；
[0068]
根据所述外轮廓边界确定缺失投影区域，并通过外插值对所述缺失投影区域进行
补全；
[0069]
对补全的投影数据进行sart迭代重建，每次图像更新时对截断投影所更新的图像区域对所述权重参数进行更新，直至图像重建结束，得到去除截断伪影的重建图像。
[0070]
可选地，所述数字乳腺成像系统的建模过程包括构建可调的射线焦斑、构建可调的限束器以及确定扫描角度；
[0071]
针对所述数字乳腺模型的操作包括平移操作和旋转操作。
[0072]
需要说明的是，本发明实施例的数字建模包括：可调的射线焦斑，优选0.5mm
×
0.5mm；可调限束器，优选15mm
×
15mm视野；多个扫描角度选择，优选-15
°
～15
°
的扫描范围；多种形状及厚度的数字乳腺模型。
[0073]
可选地，所述根据所述数字乳腺成像系统和所述数字乳腺模型，生成所述数字乳腺模型的第一投影数据和第二投影数据，包括：
[0074]
对每个数字乳腺模型进行前向投影，获取所述第一投影数据和所述第二投影数据；
[0075]
其中，所述前向投影的表达式为：
[0076][0077]
其中，θi表示当前射线束的投照角度；e表示当前射线的能量；l(θi，u，v)表示在θi角度下，焦点与探测器像元(u，v)的路径集合；u(e，l(θi，u，v))表示在路径l上的物质线性衰减系数；表示θi角度下生成的前向投影图像。
[0078]
需要说明的是，本发明实施例的第一投影数据所配置的探测器较大或限束器较大，投影数据不发生截断，第二投影数据所配置的探测器较小或限束器较小，扫描角度较大时投影数据会发生部分截断。
[0079]
其中，投影数据生成算法选择为raycast前向投影算法。
[0080]
可选地，所述方法还包括：
[0081]
采用最大熵分割算法对所述第一投影数据和所述第二投影数据进行快速分割，生成空气区域图像和乳腺区域图像；
[0082]
计算所述空气区域图像的第一梯度图像和所述乳腺区域图像的第二梯度图像；
[0083]
根据所述第一梯度图像确定第一投影外轮廓边界，根据所述第二梯度图像确定第二投影外轮廓边界。
[0084]
可选地，所述根据所述第一投影数据和所述第二投影数据中的外轮廓边界，训练深度神经网络，并根据所述深度神经网络得到网络模型的权重参数，包括：
[0085]
将所述第一投影外轮廓边界和所述第二投影外轮廓边界输入unet网络，学习乳腺投影图像外轮廓特征信息；
[0086]
根据所述unet网络的训练结果，确定网络模型的权重参数。
[0087]
可选地，所述获取真实采集的截断投影数据的外轮廓边界，根据所述权重参数预测完整的外轮廓边界，包括：
[0088]
获取真实采集的截断投影数据；
[0089]
采用最大熵分割算法对所述真实采集的截断投影数据进行快速分割，得到真实采集的截断投影数据中的真实空气区域图像、真实乳腺区域图像和真实外轮廓边界信息；
[0090]
根据所述权重参数，通过unet网络对所述真实空气区域图像、真实乳腺区域图像和真实外轮廓边界信息进行预测，得到unet预测的完整外轮廓边界。
[0091]
可选地，所述根据所述外轮廓边界确定缺失投影区域，并通过外插值对所述缺失投影区域进行补全，包括：
[0092]
确定射线源垂直投照到探测器的扫描位置；
[0093]
根据所述扫描位置投影的外轮廓，生成在纵向的体积模型图；
[0094]
根据所述体积模型图，在发生投影截断的角度计算穿透体积模型的路径；
[0095]
根据所述路径计算出投照在缺失区域的每个点的灰度值；
[0096]
根据所述灰度值，进行自适应外插值补全缺失投影区域；
[0097]
其中，所述自适应外插值计算的公式为：
[0098][0099]
其中，为区域ω内补全的投影值，p0为空气灰度值，h为压迫厚度，x(θi，h，u，v)为在投照角度θi及压迫厚度h下射线穿透体积模型图并落在区域ω内的穿透长度。
[0100]
可选地，所述对补全的投影数据进行sart迭代重建，每次图像更新时对截断投影所更新的图像区域对所述权重参数进行更新，直至图像重建结束，得到去除截断伪影的重建图像中，所述的sart迭代重建公式为：
[0101][0102]
其中，表示第k次迭代中被第n个投影更新的第j个重建体素，a
ij，n
为系统投影矩阵，p
i，n
为第n个投影的第i个像素，λ为松弛因子，/为投影像素总数，j为重建图像体素总数；θ为ω内投影所更新的重建图像区域，q(j)为一次迭代中体素j被逆向投影的次数。
[0103]
需要说明的是，本发明实施例缺失区域的外插值算法为自适应插值，可根据机架投照角度、缺失区域的大小及压迫厚度自适应调整。
[0104]
本发明实施例的另一方面还提供了一种三维x射线成像系统截断伪影校正装置，包括：
[0105]
第一模块，用于创建数字乳腺成像系统以及数字乳腺模型；
[0106]
第二模块，用于根据所述数字乳腺成像系统和所述数字乳腺模型，生成所述数字乳腺模型的第一投影数据和第二投影数据；
[0107]
第三模块，用于根据所述第一投影数据和所述第二投影数据中的外轮廓边界，训练深度神经网络，并根据所述深度神经网络得到网络模型的权重参数；
[0108]
第四模块，用于获取真实采集的截断投影数据的外轮廓边界，根据所述权重参数预测完整的外轮廓边界；
[0109]
第五模块，用于根据所述外轮廓边界确定缺失投影区域，并通过外插值对所述缺失投影区域进行补全；
[0110]
第六模块，用于对补全的投影数据进行sart迭代重建，每次图像更新时对截断投影所更新的图像区域对所述权重参数进行更新，直至图像重建结束，得到去除截断伪影的重建图像。
[0111]
本发明实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0112]
所述存储器用于存储程序；
[0113]
所述处理器执行所述程序实现如前面所述的方法。
[0114]
本发明实施例的另一方面还提供了一种计算机可读存储介质，所述存储介质存储有程序，所述程序被处理器执行实现如前面所述的方法。
[0115]
本发明实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0116]
下面结合说明书附图，对本发明的具体工作原理进行详细描述：
[0117]
本发明实施例使用的数字乳腺断层成像系统为工程原型机，其几何结构如附图2所示。图示成像系统的几何结构及运动特性为本技术的辅助说明，不限制本发明的保护范围。图2中示意了射线源沿弧线运动时的两个运动位置，分别为201和202，射束出束过程中探测器204保持静止不动。圆柱体203用来示意成像物体，成像物体可以为乳腺脂肪组织或是腺体组织。如图中所示，在201扫描位置时，探测器可以完整采集成像物体的投影数据。但当射线源运动到202扫描位置时，成像物体的部分投影将落在探测器外部而无法采集到，造成投影数据的截断。为补全截断的投影数据，探测器204需径向外延，构成虚拟探测器205。
[0118]
本发明的具体操作步骤如附图1所示。所述的发明共分为6个步骤，以下分别对此6个步骤进行详细解释说明：
[0119]
101：乳腺成像系统及乳腺模型数字建模。为了更大程度逼近真实投照条件，成像系统的建模主要包含：可调的射线焦斑，可调限束器及多个扫描角度选择。根据x射线产生机制，射线焦点不是一个点，而是有物理大小的斑块。本实施例中射线源焦斑有0.8mm
×
0.8mm、0.5mm
×
0.5mm及0.3mm
×
0.3mm三种可选规格，设置为0.5mm
×
0.5mm。本实施例为了规整射线能量，还在距离射线源115mm处搭载了铝滤过。为了适应不同视野下的乳腺数据及创建神经网络训练数据，本实施例建模了9mm
×
12mm、14mm
×
18mm、18mm
×
24mm及24mm
×
30mm等多个可调视野。其中小视野产生的数据作为截断的投影数据，大视野产生的数据作为完整的投影数据。由于数字乳腺系统的扫描方式与其他影像设备不同，其建模还需包括扫描角度的影响。不同扫描角度下，乳腺截断区域的形状会有所区别。本实施例中建模了-15
°
～15
°
的机架扫描范围，每隔1
°
采集一张投影。为了适配真实乳腺压迫情况，本实施例建模了多种形状及厚度的数字乳腺模型。模型厚度范围从40～80mm，每间隔5mm一个厚度档位。不同形状的乳腺模型主要来源于医院标准数据及仿真模体数据，覆盖了众多乳房结构特性。为创造更多的体位数据，对乳腺模型进行了不同程度的平移和旋转。
[0120]
102：生成第一和第二投影数据，获取第一和第二投影外轮廓边界。为获取不同视野、不同体位及不同扫描角度的投影数据，采用ray cast算法对每个乳腺模型进行前向投影，以获取同一位置下的第一和第二投影数据。此过程可用以下公式描述：
[0121][0122]
其中，θi表示当前射线束的投照角度，e表示当前射线的能量。l(θi，u，v)表示在θi角度下，焦点与探测器像元(u，v)的路径集合。u(e，l(θi，u，v))表示在路径l上的物质线性衰减系数。表示θi角度下生成的前向投影图像。为了方便解释，本实施例中以表示第一投影数据，即不发生截断的投影数据，以表示第二投影数据，即发生截断的投影数据。由上述公式可知，当射线穿透空气部分时，探测器像元的像素值为0。利用这一特性，可采用最大熵分割算法对和投影图像快速分割，生成空气区域及乳腺区域的0-1图像，记为及分别计算其梯度图像，即可得到第一和第二投影外轮廓边界和计算公式为：其中和表示沿x和y方向的梯度。图3所示为本实施例的一组外轮廓边界示意图，其中，301为第一投影外轮廓边界，302为第二投影外轮廓边界。
[0123]
103：训练深度神经网络，得到网络模型的权重参数w。将102步骤生成的若干组外轮廓边界和作为训练数据集输入unet网络，学习乳腺投影图像外轮廓特征信息。本实施例所使用的unet网络为2d经典网络，如图4所示，包含了收缩网络及扩张网络。收缩网络用于投影图像外轮廓特征信息提取，包括4个最大池化单元，10个3x3的卷积单元及relu激活层。扩张网络用于多尺度融合收缩网络输出的特征，其包括4个融合单元，4个反卷积单元，8个3x3的卷积单元，1个1x1的卷积单元及relu激活层。最大池化单元的卷积核尺寸为2x2，步长均为2。3x3卷积单元具有一个输出特征图通道，该卷积单元对上一层卷积单元输出的特征图进行卷积运算，得到新的输出特征图，并对该特征图进行relu运算，relu激活层的表达式为f(x)＝max(0，x)。融合单元将收缩网络输出的特征图进行裁剪并与同一个通道的上采样后的特征图进行拼接得到新的一个卷积层。反卷积单元采用最邻近插值进行特征图的扩充，卷积核尺寸为2x2，步长为2。
[0124]
1x1卷积单元具有两个输出特征图通道，该卷积单元对上一层卷积单元输出的特征图进行卷积运算，得到新的输出特征图，一个输出通道为背景的特征图，另外一个输出通道为前景的特征图，并对该特征图中的每个像素进行softmax运算，得到该两个类别的识别概率。
[0125]
104：应用权重参数，预测真实采集的截断投影数据的完整轮廓边界。本实施例中，真实采集的截断投影数据标记为。同步骤102，采用最大熵分割算法对快速分割，生成空气区域及乳腺区域的0-1图像及其外轮廓边界。应用网络权重参数w，可得unet预测的完整外轮廓边界
[0126]
105：自适应外插值补全缺失投影区域。步骤104确定了外轮廓边界，从而确定了边界与原始投影围成缺失投影区域ω，如图5所示。一般来说，区域ω的信息补全属于外插值
的范畴，而常用的投影外插值方法为余弦插值。但由于dbt特殊的几何结构及扫描模式，余弦插值会增大数据估计的偏差。本实施例提出一种新的外插值方法，可根据机架投照角度、缺失区域的大小及压迫厚度自适应进行插值调整，以减小数据估计偏差。自适应外插值依赖未截断的0度投影，即射线源垂直投照到探测器的扫描位置。根据0度投影的外轮廓，生成在纵向的体积模型图，模型的高度等于压迫厚度。在发生投影截断的角度，根据raytracing射束追踪算法计算穿透体积模型的路径，进而计算出投照在缺失区域的每个点的灰度值。自适应外插值计算的公式可描述为：
[0127][0128]
其中，为区域ω内补全的投影值，p0为空气灰度值，h为压迫厚度，x(θi，h，u，v)为在投照角度θi及压迫厚度h下射线穿透体积模型图并落在区域ω内的穿透长度。
[0129]
106：sart迭代重建，每次图像更新时对补全投影所更新的图像区域进一步权重调制。步骤105所确定的补全投影是外插值得到，与真实采集的灰度值总会有部分偏差，此偏差会被sart迭代过程放大，造成重建图像的质量下降。因而在迭代重建过程中进一步进行权重调制，可去除截断伪影的同时最大限度保持图像质量。sart迭代重建的公式可描述为：
[0130][0131]
其中，表示第k次迭代中被第n个投影更新的第j个重建体素，a
ij，n
为系统投影矩阵，p
i，n
为第n个投影的第i个像素，λ为松弛因子，/为投影像素总数，j为重建图像体素总数。为了引入权重调制，改写标准sart重建公式为：
[0132][0133]
其中，θ为ω内投影所更新的重建图像区域，q(j)为一次迭代中体素j被逆向投影的次数。
[0134]
107：迭代结束完成图像重建，得到去除截断伪影的重建图像。
[0135]
综上所述，相比较现有技术，本发明的三维数字乳腺断层成像系统的截断伪影校正方法具有以下优点：
[0136]
(1)本发明的方法不需要复杂的边界追踪算法，不涉及多次的边界反投影及重投影，计算复杂度大大降低；
[0137]
(2)网络权重的计算仅需训练一次，并且与后续的计算步骤天然分离，如有更多的数据训练，仅需把训练后的权重替代当前权重，简单高效；
[0138]
(3)适配dbt几何结构的自适应外插值与重建图像权重调制，可保证最可能优质的图像。
[0139]
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
[0140]
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
[0141]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0142]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0143]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(ram)，只读存储器(rom)，可擦除可编辑只读存储器(eprom或闪速存储器)，光纤装置，以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0144]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路
的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0145]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
[0146]
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
[0147]
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换，这些等同的变形或替换均包含在本技术权利要求所限定的范围内。