买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：燕山大学

摘要：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。

主权项：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；构建基于多尺度自适应的深度稀疏变换网络：具体包括如下过程：构建多尺度自适应的深度稀疏变换、构建基于信噪比感知和SAM边缘感知Transformer的阈值生成网络，构建轻量级聚合模块SAA以及构建多尺度自适应的深度稀疏逆变换；所述多尺度自适应的深度稀疏变换是用多层卷积提取输入的含有金属伪影的低剂量CT图像的多尺度信息，并在每个尺度上进行多次稀疏变换，以获得更强大的表示能力，所述基于信噪比感知和SAM边缘感知Transformer的阈值生成网络是以该尺度上的信噪比信息和SAM边缘感知信息为依据和编码后的对应尺度信息为依据获得一个结果作为软阈值算法的阈值；所述轻量级聚合模块SAA是在多尺度自适应的深度稀疏逆变换融合了两个相邻尺度之间的信息以提高网络的效果；所述多尺度自适应的深度稀疏逆变换是多尺度自适应的深度稀疏逆变换的逆过程，从表示中恢复出来原始的信息，最后通过一个残差连接得到最终的金属伪影矫正后的低剂量CT的重建图像；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sma，对其做滤波反投影操作得到金属污染CT图像xma，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；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xma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。

全文数据：

权利要求：

百度查询： 燕山大学 一种同时低剂量CT重建与金属伪影校正的深度学习方法