一种渐进式CBCT稀疏视角重建方法与流程

一种渐进式cbct稀疏视角重建方法
技术领域
1.本发明涉及工业无损检测领域，特别涉及一种渐进式cbct稀疏视角重建方法。


背景技术：

2.锥束ct是利用锥形束射线源与面阵探测器采集被测物体不同角度的一系列投影图像，并根据重建算法重建出连续的序列切片的成像检测技术。这种技术非常适合于定量表征物体内部结构尺寸、缺陷、密度等关键信息。然而在实际的锥束ct检测过程中，为了提高重建图像的质量，通常采取多个角度(1000～2000)的投影图像，导致ct的检测时间长、效率低。稀疏视角采样是一种非常重要的提高检测效率的扫描方式，但是由于投影数量的成倍缩减导致重建断层图像退化严重，投影数据的不完备性导致常规算法重建的切片图像出现严重的伪影，为物体内部结构的尺寸测量和缺陷定位带来困难。
3.为了在稀疏视角ct扫描条件下提高重建断层图像质量，一种方法是通过改进的迭代重建算法，但这类算法迭代时间长、重建速度慢。另一种方法是结合压缩感知理论，在远小于nyquist采样率的条件下，利用稀疏信号的先验信息，通过非线性重建算法有效提升稀疏角度下断层重建的质量，然而现有的结合压缩感知理论的重建算法将图像假设为分段恒定的，虽然可以一定程度上减少图像伪影，改善重建质量，但是在投影图像过于稀疏时会出现边缘平滑和块状阶梯的现象。最近随着人工智能技术的进步，出现了一些基于深度学习的重建方法。这类方法通过卷积神经网络直接构建稀疏角重建图像与全视角重建图像的映射关系，取得了较好的图像质量，但这类方法没有考虑视角的稀疏程度对重建图像的质量影响。
4.鉴于上述方法存在的一些不足，本发明提出了一种渐进式cbct稀疏视角重建方法，该方法将稀疏程度逐渐降低的重建图像作为多阶段监督信号，将稀疏程度对重建图像的质量影响这一先验知识融入网络训练过程中，实现了更高的重建质量提高。


技术实现要素：

5.本发明的目的在于提供一种渐进式cbct稀疏视角重建方法。
6.本发明提供了一种渐进式cbct稀疏视角重建方法，其特征在于：
7.其步骤为：
8.步骤1.图像数据集的构建；
9.步骤2.构建多阶段卷积神经网络；
10.步骤3.网络训练；
11.步骤4.网络应用。
12.其中：步骤1.图像数据集的构建：
13.步骤1.1：构建不同稀疏度的投影图像集
14.将待检测物体放置于锥束ct转台上，开启ct系统，采集n个角度的投影图像；随后，分别等间隔地抽取所有投影图像的构建4组具有不同稀疏投影角度的投影图像集；
15.步骤1.2：构建ct断层图像集；
16.基于4组投影图像数据分别使用fdk算法进行三维重建，获得4组具有不同伪影水平的ct断层图像；
17.步骤1.3：形成图像数据集
18.更换检测物体，按步骤1.1-1.2采集图像即可获得更多的图像样本，构成含有m对图像的数据集
19.其中，ie是基于投影数据重建的断层图像，iq是基于投影数据重建的断层图像，ih是基于投影数据重建的断层图像，if是基于全部投影数据重建的断层图像。将得到的图像数据集d随机划分为训练集、验证集和测试集，其比例分别为70％，10％和20％。
20.步骤2.构建多阶段卷积神经网络
21.多阶段卷积神经网络包括三个阶段，每个阶段的神经网络结构相同，定义为f1、f2、f3；f1、f2、f3均由7个深度可分离卷积层堆叠而成；对于前6个卷积层，卷积层通道数为32，卷积核尺寸为3
×
3，步长为1，卷积层的激活函数为relu；第三层网络的输出特征与第四层网络的输出特征在通道上拼接后，作为第五层的输入；第二层网络的输出特征与第五层网络的输出特征在通道上拼接后，作为第六层的输入；第一层网络的输出特征与第六层网络的输出特征在通道上拼接后，作为第七层的输入；对于第七个卷积层，卷积层通道数为1，卷积核尺寸为3
×
3，步长为1，卷积层的激活函数为tanh；
22.其他结构的卷积网络模型，如unet，fcn等，也可作为本发明中的训练网络。对于第一阶段网络，其输入图像为ie，监督图像为iq。对于第二阶段网络，其输入图像为第一阶段网络的输出结果s，监督图像为ih。对于第三阶段网络，其输入图像为第二阶段网络的输出结果t，监督图像为if。本发明中损失函数包括三个阶段的损失函数之和。每个阶段的损失函数为l1损失，结构相似度损失与梯度损失之和。
23.l＝l1+l2+l324.l1＝|f1(ie)-iq|+ssim(f1(ie)，iq)+|g(f1(ie))-g(iq)|
25.l2＝|s-ih|+ssim(s，ih)+|g(s)-g(ih)|
26.l3＝|t-if|+ssim(t，if)+|g(t)-g(if)|。
27.步骤3.网络训练
28.搭建好模型后，使用步骤1中的训练数据集进行训练，每次输入固定数量的图像后，经前向传播获得损失函数值，利用反向传播算法优化模型各个卷积层中参数；重复上述步骤，直至验证集损失函数值不再下降，模型收敛，卷积层中参数值固定。
29.步骤4.网络应用
30.训练完成后，将基于投影数据重建的断层图像输入网络模型中，网络的输出图像与基于全投影数据重建的断层图像效果相近，即可达到保持图像质量的同时加速ct检测效率。
31.本发明与现有技术相比，其优点在于：
32.提出一种渐进式的稀疏视角重建方法，通过渐进式的学习过程，使网络可以学习到投影图像稀疏性对ct断层图像的影响，实现更高精度的图像重建。
附图说明
33.下面结合附图及实施方式对本发明作进一步详细的说明：
34.图1为渐进式的稀疏视角重建方法示意图。
具体实施方式
35.下面将结合具体的实施方案对本发明进行进一步的解释：
36.本发明提供了一种渐进式cbct稀疏视角重建方法，其特征在于：
37.其步骤为：
38.步骤1.图像数据集的构建；
39.步骤2.构建多阶段卷积神经网络；
40.步骤3.网络训练；
41.步骤4.网络应用。
42.其中：步骤1.图像数据集的构建：
43.步骤1.1：构建不同稀疏度的投影图像集
44.将待检测物体放置于锥束ct转台上，开启ct系统，采集n个角度的投影图像；随后，分别等间隔地抽取所有投影图像的构建4组具有不同稀疏投影角度的投影图像集；
45.步骤1.2：构建ct断层图像集；
46.基于4组投影图像数据分别使用fdk算法进行三维重建，获得4组具有不同伪影水平的ct断层图像；
47.步骤1.3：形成图像数据集
48.更换检测物体，按步骤1.1-1.2采集图像即可获得更多的图像样本，构成含有m对图像的数据集
49.其中，ie是基于投影数据重建的断层图像，iq是基于投影数据重建的断层图像，ih是基于投影数据重建的断层图像，if是基于全部投影数据重建的断层图像。将得到的图像数据集d随机划分为训练集、验证集和测试集，其比例分别为70％，10％和20％。
50.步骤2.构建多阶段卷积神经网络
51.多阶段卷积神经网络包括三个阶段，每个阶段的神经网络结构相同，定义为f1、f2、f3；f1、f2、f3均由7个深度可分离卷积层堆叠而成；对于前6个卷积层，卷积层通道数为32，卷积核尺寸为3
×
3，步长为1，卷积层的激活函数为relu；第三层网络的输出特征与第四层网络的输出特征在通道上拼接后，作为第五层的输入；第二层网络的输出特征与第五层网络的输出特征在通道上拼接后，作为第六层的输入；第一层网络的输出特征与第六层网络的输出特征在通道上拼接后，作为第七层的输入；对于第七个卷积层，卷积层通道数为1，卷积核尺寸为3
×
3，步长为1，卷积层的激活函数为tanh；
52.其他结构的卷积网络模型，如unet，fcn等，也可作为本发明中的训练网络。对于第一阶段网络，其输入图像为ie，监督图像为iq。对于第二阶段网络，其输入图像为第一阶段网络的输出结果s，监督图像为ih。对于第三阶段网络，其输入图像为第二阶段网络的输出结果t，监督图像为if。本发明中损失函数包括三个阶段的损失函数之和。每个阶段的损失函
数为l1损失，结构相似度损失与梯度损失之和。
53.l＝l1+l2+l354.l1＝|f1(ie)-iq|+ssim(f1(ie)，iq)+|g(f1(ie))-g(iq)|
55.l2＝|s-ih|+ssim(s，ih)+|g(s)-g(ih)|
56.l3＝|t-if|+ssim(t，if)+|g(t)-g(if)|。
57.步骤3.网络训练
58.搭建好模型后，使用步骤1中的训练数据集进行训练，每次输入固定数量的图像后，经前向传播获得损失函数值，利用反向传播算法优化模型各个卷积层中参数；重复上述步骤，直至验证集损失函数值不再下降，模型收敛，卷积层中参数值固定。
59.步骤4.网络应用
60.训练完成后，将基于投影数据重建的断层图像输入网络模型中，网络的输出图像与基于全投影数据重建的断层图像效果相近，即可达到保持图像质量的同时加速ct检测效率。
61.本发明未尽事宜为公知技术。
62.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神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，本发明的范围由所附权利要求及其等同物限定。

技术特征：
1.一种渐进式cbct稀疏视角重建方法，其特征在于：其步骤为：步骤1.图像数据集的构建；步骤2.构建多阶段卷积神经网络；步骤3.网络训练；步骤4.网络应用。2.根据权利要求1所述的渐进式cbct稀疏视角重建方法，其特征在于：步骤1.图像数据集的构建：步骤1.1：构建不同稀疏度的投影图像集将待检测物体放置于锥束ct转台上，开启ct系统，采集n个角度的投影图像；随后，分别等间隔地抽取所有投影图像的构建4组具有不同稀疏投影角度的投影图像集；步骤1.2：构建ct断层图像集；基于4组投影图像数据分别使用fdk算法进行三维重建，获得4组具有不同伪影水平的ct断层图像；步骤1.3：形成图像数据集更换检测物体，按步骤1.1-1.2采集图像即可获得更多的图像样本，构成含有m对图像的数据集其中，i
e
是基于投影数据重建的断层图像，i
q
是基于投影数据重建的断层图像，i
h
是基于投影数据重建的断层图像，i
f
是基于全部投影数据重建的断层图像。将得到的图像数据集d随机划分为训练集、验证集和测试集，其比例分别为70％，10％和20％。3.根据权利要求1所述的渐进式cbct稀疏视角重建方法，其特征在于：步骤2.构建多阶段卷积神经网络多阶段卷积神经网络包括三个阶段，每个阶段的神经网络结构相同，定义为f1、f2、f3；f1、f2、f3均由7个深度可分离卷积层堆叠而成；对于前6个卷积层，卷积层通道数为32，卷积核尺寸为3
×
3，步长为1，卷积层的激活函数为relu；第三层网络的输出特征与第四层网络的输出特征在通道上拼接后，作为第五层的输入；第二层网络的输出特征与第五层网络的输出特征在通道上拼接后，作为第六层的输入；第一层网络的输出特征与第六层网络的输出特征在通道上拼接后，作为第七层的输入；对于第七个卷积层，卷积层通道数为1，卷积核尺寸为3
×
3，步长为1，卷积层的激活函数为tanh；其他结构的卷积网络模型，如unet，fcn等，也可作为本发明中的训练网络。对于第一阶段网络，其输入图像为i
e
，监督图像为i
q
。对于第二阶段网络，其输入图像为第一阶段网络的输出结果s，监督图像为i
h
。对于第三阶段网络，其输入图像为第二阶段网络的输出结果t，监督图像为i
f
。本发明中损失函数包括三个阶段的损失函数之和。每个阶段的损失函数为l1损失，结构相似度损失与梯度损失之和。l＝l1+l2+l3l1＝|f1(i
e
)-i
a
|+ssim(f1(i
e
)，i
q
)+|g(f1(i
e
))-g(i
q
)|l2＝|s-i
h
|+ssim(s，ih)+|g(s)-g(i
h
)|
l3＝|t-i
f
|+ssim(t，if)+|g(t)-g(i
f
)|。4.根据权利要求1所述的渐进式cbct稀疏视角重建方法，其特征在于：步骤3.网络训练搭建好模型后，使用步骤1中的训练数据集进行训练，每次输入固定数量的图像后，经前向传播获得损失函数值，利用反向传播算法优化模型各个卷积层中参数；重复上述步骤，直至验证集损失函数值不再下降，模型收敛，卷积层中参数值固定。5.根据权利要求1所述的渐进式cbct稀疏视角重建方法，其特征在于：步骤4.网络应用训练完成后，将基于投影数据重建的断层图像输入网络模型中，网络的输出图像与基于全投影数据重建的断层图像效果相近，即可达到保持图像质量的同时加速ct检测效率。

技术总结
本发明提供了一种渐进式CBCT稀疏视角重建方法，其特征在于：步骤1.图像数据集的构建：步骤1.1：构建不同稀疏度的投影图像集；步骤1.2：构建CT断层图像集；步骤1.3：形成图像数据集；步骤2.构建多阶段卷积神经网络；多阶段卷积神经网络包括三个阶段，每个阶段的神经网络结构相同；步骤3.网络训练；搭建好模型后，每次输入固定数量的图像后，经前向传播获得损失函数值，利用反向传播算法优化模型各个卷积层中参数；步骤4.网络应用。本发明优点：提出一种渐进式的稀疏视角重建方法，通过渐进式的学习过程，使网络可以学习到投影图像稀疏性对CT断层图像的影响，实现更高精度的图像重建。实现更高精度的图像重建。实现更高精度的图像重建。


技术研发人员：孙春贵 于涵 李兴捷 李新越 张钊骞 张震
受保护的技术使用者：中国机械总院集团沈阳铸造研究所有限公司
技术研发日：2023.06.01
技术公布日：2023/10/6