技术特征：
1.一种基于深度学习的双域ct图像环状伪影去除方法，其特征在于，包括以下步骤：s1，搭建投影域去伪影的深度神经网络，投影域网络设置为残差学习网络，投影域网络使用最大反池化作为上采样；s2，搭建图像域去伪影的深度神经网络，上采样采用双线性插值法；s3，搭建混合域深度神经网络，使用的是无参考图像质量评价网络来挑选来自双域校正过的图像块，最后组成完整图像；s4，准备图像域、投影域和混合域的训练数据；s5，分别对图像域、投影域和混合域的网络进行训练，并完成验证。2.根据权利要求1所述的一种基于深度学习的双域ct图像环状伪影去除方法，其特征在于，投影域网络和图像域网络的架构均基于u
‑
net。3.根据权利要求1所述的一种基于深度学习的双域ct图像环状伪影去除方法，其特征在于，s4中，投影域的输入数据是含条形伪影的投影图，标签数据是对应的条形伪影。4.根据权利要求1所述的一种基于深度学习的双域ct图像环状伪影去除方法，其特征在于，s4中，图像域的输入数据是含环状伪影的ct图像，标签数据是对应的参考图像。5.根据权利要求1所述的一种基于深度学习的双域ct图像环状伪影去除方法，其特征在于，s4中，混合域的输入数据是含伪影的图像块，标签数据是图像质量评价的指标数值。6.根据权利要求1所述的一种基于深度学习的双域ct图像环状伪影去除方法，其特征在于，图像域和投影域的训练数据均使用分块方法，将完整的图像分割为多个重叠的图像块，采用结构相似度ssim作为图像质量评价指标，挑选其中伪影严重的图像块作为训练数据。
技术总结
本发明公开了一种基于深度学习的双域CT图像环状伪影去除方法，针对CT图像的环状伪影，使用投影域和图像域双域混合的校正方法，利用深度神经网络在投影域和图像域分别进行伪影校正，然后将双域校正后的图像组合为双通道的图像集，并分割为图像块，通过一个图像质量评价的深度神经网络来对这些图像块进行质量评价，其中评价高的通道保留下来，最终所有保留下的图像块经过直方图匹配后组成最终的校正图像。本发明使用了深度神经网络在投影域和图像域分别对伪影图像进行处理，这种方法比之传统的后处理算法如正则化迭代算法，提高了处理速度，减少了伪影的引入。减少了伪影的引入。减少了伪影的引入。
技术研发人员：陈希 马劲 常少杰
受保护的技术使用者：西安交通大学
技术研发日：2021.08.04
技术公布日：2021/10/26