一种CT宽展视野的重建方法与流程

本发明涉及医疗技术领域，尤其涉及一种ct宽展视野的重建方法。

背景技术：

商用ct的扫描模块一般是由光源、弧面检测器以及机架构成，当光源与检测器的距离及扫描中心固定时，整套ct系统会产生一个最大的扫描范围，通常这个范围被称为扫描视野。

而实际扫描时，病人的手臂、腹部等部位往往会超出扫描范围，为了真实还原出超出扫描视野的图像的轮廓，需要一种扩展视野的校正重建算法。现有算法一般采用公式推导的方法，通过视野边界的数据向外推导视野外部的数据，但这样的算法存在着以下不足：采用公式推导得到的图像具有明显的线性特征，并且该种算法只能对比较简单的部位作出粗略的推算，导致推算得到的图像包含大量不合理的伪影，如暗纹、形变等。

技术实现要素：

为解决上述问题，本发明提供了一种ct宽展视野的重建方法，该重建方法使得超出扫描视野的图像质量得到提升。

为了实现上述目的，本发明的技术方案如下：

一种ct宽展视野的重建方法，其特征是：包括以下步骤：

（1）在ct设备中设置训练模块与生成模块并与ct设备的神经网络连接；

（2）在训练模块中输入校正后的三维样本图像数据；

（3）对该三维样本图像数据进行降采样处理；

（4）将降采样处理后的三维样本图像数据的维度进行合并得到二维样本图像数据；

（5）对二维样本图像数据进行截取得到样本图像序列，对样本图像序列进行归一化处理得到训练数据；

（6）将训练数据输入神经网络进行神经网络训练；

（7）在生成模块中输入校正后的三维待处理图像数据，输入的三维待处理图像数据需对维度上缺失的数据进行补齐；

（8）对该三维待处理图像数据按步骤（3）至（5）的方法进行处理后得到待处理数据；

（9）将待处理数据输入神经网络进行处理后得到重生成数据，神经网络将重生成数据输出给生成模块，生成模块对重生成数据进行重建得到图像。

进一步地，所述步骤（2）和（7）中校正的方式为对数据的三个维度依次按照ct检测器的通道方向、旋转方向、排方向进行重排。

进一步的，所述步骤（4）中的维度合并是对ct检测器的旋转方向和排方向的两个维度进行合并。

进一步地，所述步骤（7）中维度上缺失的数据为ct检测器的通道方向上缺失的数据。

进一步地，所述步骤（5）中的归一化处理的方式为，通过定义函数为norm（n）=maximum(al2darray(:,:,n))求出每一个图像序列的最大值，其中归一到[0,1]之间的训练数据为al2darraynorm=al2darray(:,:,n)/norm，归一到[-1,1]之间的训练数据为al2darraynorm=al2darray(:,:,n)/norm*2-1，al2darray(:,:,n)为图像序列，n为截取的图像的数量，al2darraynorm代表训练数据。

进一步地，所述步骤（9）中的重建的方法如下：生成模块对重生成数据进行进行强度恢复得到恢复图像数据；恢复图像数据进行拼接得到二维图像数据；二维图像数据进行按照ct探测器排方向进行重排后进行向上采样得到拼合数据；再次对三维待处理图像数据中ct探测器通道方向缺失的数据进行补齐得到三维图像数据，补齐的数据为拼合数据中对应位置的数据；将三维图像数据转化得到最终图像。

进一步的，在三维图像数据转化前需进行滤波处理，处理方式为：以三维待处理图像数据与拼合数据的边界处为中心，选取一段区域，并对该区域进行单维的多次滤波操作。

进一步地，所述强度恢复的公式为pn=p0*norm或者pn=(p0+1)*norm/2，其中pn代表恢复图像数据，p0代表重生成数据。

进一步地，所述转化方式为滤波反投影方式或者迭代方式。

进一步地，所述降采样的方法为插值法或者系数采样法，所述向上采样的方法为等距密集插值法。

本发明的优点在于通过训练模块对ct设备的神经网络进行预先训练，使其可以对待处理的图像边界进行预测和重建，同时在数据在进入神经网络前进行了压缩和归一化处理，使得神经网络可以通过全局数据进行训练，提升了神经网络的连贯性和准确度；对于神经网络输出的数据进行二次还原后再通过滤波的方法来去除边界的跳变，使得图像拼接连续性进一步加强，最终成像质量得到提升。

附图说明

图1为ct检测器的通道方向、旋转方向、排方向的示意图；

图2为训练模块的流程示意图；

图3为生成模块的流程示意图。

具体实施方式

以下结合实施例对本发明作进一步详细描述。

本实施例一种ct宽展视野的重建方法，如图1至3所示，该重建方法包括如下步骤：

（1）在ct设备中设置训练模块与生成模块并与ct设备的神经网络连接；为了达到较好的重建效果，本实施例中的神经网络包括采用多层卷积神经网络的鉴别器及采用u-net结构的生成器；

（2）在训练模块中输入校正后的三维样本图像数据，本实施例中校正的方式为对数据的三个维度依次按照ct检测器的通道方向、旋转方向、排方向进行重排；

（3）对该三维样本图像数据进行降采样处理；本实施例中的降采样处理方式采用插值法或者系数采样法，通过降采样处理可对三维样本图像数据的数据量进行缩小，同时还能保持原始数据的整体特征，提升了神经网络训练的速度；

（4）将降采样处理后的三维样本图像数据的其中两个维度进行合并得到二维样本图像数据，两个合并的维度为ct检测器的旋转方向和排方向的两个维度，通过维度的合并能够忽略掉排方向上的数据差异，同时增加神经网络训练的数据量，使得训练更加完善；

（5）对二维样本图像数据进行截取后得到样本图像序列，对样本图像序列进行归一化处理得到训练数据，截取的方法采用顺序截取法或者冗余步长截取法；

（6）将训练数据输入神经网络，神经网络通过输入的训练数据进行训练；

（7）在生成模块中输入三维待处理图像数据，三维待处理图像数据在输入前按照步骤（1）中的方法进行校正，输入的三维待处理图像数据需对ct探测器通道方向缺失的数据进行补齐，补齐的数据采用常数0或者-1；

（8）对该三维待处理图像数据进行和步骤（3）相同的降采样处理；

（9）将降采样处理后的三维待处理图像数据按步骤（4）的方法进行维度合并得到二维待处理图像数据；

（10）对二维待处理图像数据进行截取后得到图像序列，对图像序列进行归一化处理得到待处理数据；

（11）将待处理数据输入神经网络处理后得到重生成数据，神经网络将重生成数据输出给生成模块；

（12）生成模块对重生成数据进行进行强度恢复得到恢复图像数据；

（13）恢复图像数据进行拼接得到二维图像数据；

（14）二维图像数据进行按照ct探测器排方向进行重排后进行向上采样得到拼合数据，本实施例中向上采样采用等距密集插值法，通过向上采样可将数据矩阵进行转变并保持强度分布不变；

（15）再次对三维待处理图像数据中ct探测器通道方向缺失的数据进行补齐得到三维图像数据，补齐的数据为拼合数据中对应位置的数据，以实现对超出视野的图像进行重建；

（16）对三维图像数据进行滤波处理，处理方式为：以三维待处理图像数据与拼合数据的边界处为中心，选取一段区域，并对该区域进行单维的多次滤波操作，通过滤波操作可以去除图像边界的跳变，使得图像拼接连续性进一步加强，最终成像质量得到提升；

（17）将三维图像数据转化得到最终图像，本实施例中转化方式采用滤波反投影方式或者迭代方式。

在本实施例中，步骤（5）与步骤（10）中的归一化处理的方式为：通过定义函数为norm（n）=maximum(al2darray(:,:,n))求出每一个图像序列的最大值，其中归一到[0,1]之间的训练数据为al2darraynorm=al2darray(:,:,n)/norm，归一到[-1,1]之间的训练数据为al2darraynorm=al2darray(:,:,n)/norm*2-1，al2darray(:,:,n)为图像序列，n为截取的图像的数量，al2darraynorm代表训练数据。

本实施例中强度恢复的公式为pn=p0*norm或者pn=(p0+1)*norm/2，其中pn代表恢复图像数据，p0代表重生成数据。

本实施例通过训练模块对神经网络进行训练，增强了神经网络对图像的处理能力及对图像边缘的预测能力，同时通过降采样及归一化处理的方式对数据进行了压缩，使得训练时可以将全局的数据输入神经网络中，大幅度提升了神经网络的连贯性和准确度；训练后的神经网络使用生成模块对原始图像数据进行处理与重建，实现了对伪影的校正。