一种CT图像重建方法、装置、设备及存储介质

一种ct图像重建方法、装置、设备及存储介质
技术领域
1.本公开涉及医学影像处理领域，尤其涉及一种ct图像重建方法、装置、设备及存储介质。


背景技术：

2.在医学诊断领域，通过计算机断层扫描(ct，computed tomography)技术可以快速获得患者的高分辨率图像，医生可以通过高分辨率图像快速诊断病人的病情，大大提高了诊断效率。相关技术中，对于同样的ct图像重建算法，患者接受的照射剂量与图像质量具有很强的正相关性，这就导致低剂量ct图像质量明显下降。具体表现在，ct检测的过程中，若患者接受的照射剂量较低，则重建得到的ct图像会存在很多伪影和噪声。
3.传统的迭代算法可以在一定程度上解决重建得到的ct图像存在伪影和噪声的问题，但传统的迭代算法通常需要大量的计算，重建时间较长，且在投影数据极为稀少同时缺乏额外的先验知识时，传统的迭代算法不能产生很好的去除伪影和噪声的效果。


技术实现要素：

4.本公开提供了一种ct图像重建方法、装置、设备及存储介质，以至少解决现有技术中存在的以上技术问题。
5.根据本公开的第一方面，提供了一种ct图像重建方法，该方法包括：获取训练样本集，所述训练样本集包括第一类计算机断层扫描ct样本图像；根据所述训练样本集，对深度神经网络进行训练，得到预测模型，所述深度神经网络为基于交替方向乘子法的深度神经网络；获取待重建图像，所述待重建图像为第二类ct图像；根据所述预测模型，对所述待重建图像进行重建，得到重建后的ct图像。
6.在一可实施方式中，所述根据训练样本集，对深度神经网络进行训练，得到预测模型，包括：获取所述训练样本集内的第一类ct样本图像的第一投影数据和ct设备的系统矩阵；根据所述第一投影数据和系统矩阵，迭代求解所述深度神经网络的模型参数，得到所述预测模型，所述模型参数包括所述第一类ct样本图像的离散衰减系数、第一辅助约束变量和第一缩放拉格朗日乘子；其中，利用如下迭代目标函数迭代求解所述深度神经网络的模型参数：其中，x为所述第一类ct样本图像的离散衰减系数，y为所述第一投影数据，a为所述系统矩阵，||
·
||2表示2-范数，r(x)为先验项，为数据保真项，β为控制数据保真项和先验项之间的权重。
7.在一可实施方式中，所述根据第一投影数据和系统矩阵，迭代求解所述深度神经网络的模型参数，得到所述预测模型，包括：获取辅助约束变量和缩放拉格朗日乘子；根据所述辅助约束变量和缩放拉格朗日乘子，将所述迭代目标函数改写为增广拉格朗日函数；所述增广拉格朗日函数为：
8.其中，α为对偶变量，ρ为惩罚参数，所述缩放拉格朗日乘子为z为所述辅助约束变量；根据所述增广拉格朗日函数，迭代求解所述深度神经网络的模型参数，得到所述预测模型。
9.在一可实施方式中，所述深度神经网络包括图像重建层、卷积层、叠加层和乘子更新层，所述根据增广拉格朗日函数，迭代求解所述深度神经网络的模型参数，得到所述预测模型，包括：根据所述图像重建层，迭代求解所述第一类ct样本图像的离散衰减系数；根据所述卷积层，卷积生成第一先验项；根据所述第一先验项和所述叠加层，迭代求解第一辅助约束变量；根据所述乘子更新层，迭代更新第一缩放拉格朗日乘子。
10.在一可实施方式中，所述根据第一投影数据和系统矩阵，迭代求解所述深度神经网络的模型参数，得到所述预测模型，还包括：获取测试样本集，所述测试样本集包括第二类ct样本图像；根据所述第一投影数据和系统矩阵，迭代求解所述深度神经网络的模型参数，得到初始预测模型；根据所述测试样本集，对所述初始预测模型进行测试，得到测试结果；若所述测试结果满足预设指标，则将所述初始预测模型确定为所述预测模型；若所述测试结果不满足预设指标，则在初始预测模型的基础上继续迭代求解所述深度神经网络的模型参数，直到所述测试结果满足预设指标。
11.在一可实施方式中，所述根据预测模型，对所述待重建图像进行重建，得到重建后的ct图像，包括：获取所述待重建图像的第二投影数据；根据所述第二投影数据、系统矩阵和预测模型，对所述待重建图像进行重建，得到重建后的ct图像。
12.在一可实施方式中，所述根据第二投影数据、系统矩阵和预测模型，对所述待重建图像进行重建，得到重建后的ct图像，包括：将所述模型参数作为所述增广拉格朗日函数的迭代初始值；根据所述图像重建层，迭代求解所述待重建图像的离散衰减系数，所述待重建图像的离散衰减系数即为所述重建后的ct图像的图像向量；根据所述卷积层，卷积生成第二先验项；根据所述第二先验项和叠加层，迭代求解第二辅助约束变量；根据乘子更新层，迭代更新第二缩放拉格朗日乘子。
13.根据本公开的第二方面，提供了一种ct图像重建装置，该装置包括：第一获取模块，用于获取训练样本集，所述训练样本集包括第一类计算机断层扫描ct样本图像；训练模块，用于根据所述训练样本集，对深度神经网络进行训练，得到预测模型，所述深度神经网络为基于交替方向乘子法的深度神经网络；第二获取模块，用于获取待重建图像，所述待重建图像为第二类ct图像；重建模块，用于根据所述预测模型，对所述待重建图像进行重建，得到重建后的ct图像。
14.根据本公开的第三方面，提供了一种电子设备，包括：
15.至少一个处理器；以及
16.与所述至少一个处理器通信连接的存储器；其中，
17.所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本公开所述的方法。
18.根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本公开所述的方法。
19.本公开的一种ct图像重建方法、装置、设备及存储介质，将传统的迭代算法展开为
深度神经网络的形式，将迭代算法中的模型参数设置为深度神经网络中可学习的变量，在深度神经网络的训练过程中，迭代优化模型参数和先验知识，不仅缩短了预测模型的重建时间，而且能够很好地去除重建得到的ct图像中的伪影和噪声。
20.应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
21.通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，其中：
22.在附图中，相同或对应的标号表示相同或对应的部分。
23.图1示出了本公开第一实施例的一种ct图像重建方法的流程示意图；
24.图2示出了本公开第二实施例的一种ct图像重建方法的流程示意图；
25.图3示出了本公开第三实施例的一种ct图像重建方法的流程示意图；
26.图4示出了本公开第四实施例的一种ct图像重建方法的流程示意图；
27.图5示出了本公开第五实施例的一种ct图像重建方法的流程示意图；
28.图6示出了本公开第六实施例的一种ct图像重建方法的流程示意图；
29.图7示出了本公开第七实施例的一种ct图像重建方法的流程示意图；
30.图8示出了本公开第八实施例的一种ct图像重建装置的结构示意图；
31.图9示出了本公开实施例一种电子设备的组成结构示意图。
具体实施方式
32.为使本公开的目的、特征、优点能够更加的明显和易懂，下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而非全部实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
33.图1为本公开第一实施例的一种ct图像重建方法的流程示意图，如图1所示，该方法具体包括：
34.步骤s101，获取训练样本集，训练样本集包括第一类ct样本图像。
35.在本实施例中，首先获取训练样本集，训练样本集用于训练预测模型，训练样本集包括高剂量ct样本图像，即第一类ct样本图像。
36.在ct图像的重建过程中，对于同样的ct图像重建算法，患者接受的照射剂量与图像质量具有很强的正相关性，也就是说，患者接受的照射剂量越高，则重建图像的质量越好；患者接受的照射剂量越低，则重建图像的质量越差。因此采用训练样本集中的高剂量ct样本图像作为先验知识，用来训练预测模型，这样可以得到较优的模型参数。
37.在一可实施方式中，首先可以采集大量的临床ct样本图像，然后按照浓度梯度法，以4:1的比例，将大量的临床ct样本图像划分为高剂量ct样本图像和低剂量ct样本图像，并选取其中的高剂量ct样本图像作为训练样本集。
38.步骤s102，根据训练样本集，对深度神经网络进行训练，得到预测模型，深度神经
网络为基于交替方向乘子法的深度神经网络。
39.在本实施例中，需要利用已经获取的训练样本集，对深度神经网络进行训练，得到预测模型，预测模型用于重建ct图像。具体地，因为交替方向乘子法具有收敛速度快、收敛性能好的优点，所以深度神经网络可以为基于交替方向乘子法的深度神经网络。
40.在一可实施方式中，在对基于交替方向乘子法的深度神经网络进行训练的过程中，可以利用如下线性公式来表示高剂量ct样本图像的重建任务：y＝ax，其中，x为高剂量ct样本图像的离散衰减系数，a为ct设备的系统矩阵，y为高剂量ct样本图像的投影数据，对公式y＝ax进行迭代求解，可以得到高剂量ct样本图像的离散衰减系数。
41.步骤s103，获取待重建图像，待重建图像为第二类ct图像。
42.在本实施例中，训练好预测模型之后，需要获取待重建图像，待重建图像为低剂量ct图像，即第二类ct图像。
43.步骤s104，根据预测模型，对待重建图像进行重建，得到重建后的ct图像。
44.在本实施例中，得到预测模型和待重建图像之后，可以根据训练好的预测模型，对待重建图像进行重建，得到重建后的ct图像。
45.在一可实施方式中，在对基于交替方向乘子法的深度神经网络进行训练的过程中，已经得到高剂量ct样本图像的离散衰减系数，因此，在对待重建图像进行重建的过程中，可以将高剂量ct样本图像的离散衰减系数作为迭代初始值，并结合待重建图像的投影数据，迭代求解得到待重建图像的离散衰减系数，即得到重建后的ct图像。
46.在本公开第一实施例中，首先根据第一类ct样本图像，对深度神经网络进行训练，得到预测模型，然后利用预测模型，对待重建图像进行重建，得到高质量的重建后的ct图像。在本实施例中，利用高剂量ct样本图像作为先验知识训练深度神经网络，从而得到预测模型，不仅缩短了预测模型的重建时间，而且能够很好地去除重建得到的ct图像中的伪影和噪声。
47.图2为本公开第二实施例的一种ct图像重建方法的流程示意图，如图2所示，步骤s102具体包括：
48.步骤s201，获取训练样本集内的第一类ct样本图像的第一投影数据和ct设备的系统矩阵。
49.在本实施例中，在训练预测模型的过程中，利用公式y＝ax来表示高剂量ct样本图像的重建任务，因此首先需要获取训练样本集内的第一类ct样本图像的第一投影数据和ct设备的系统矩阵。
50.在一可实施方式中，ct设备的系统矩阵a为一个由m
×
n个元素组成的系统矩阵，其中，m为ct设备扫描的角度的个数，n为每个角度的元素个数，其为人为设置的系统参数；第一投影数据y为测量而得的投影数据，其可以根据第一类ct样本图像得到，通常在一次扫描中需要采集m个不同角度的投影数据。
51.步骤s202，根据第一投影数据和系统矩阵，迭代求解深度神经网络的模型参数，得到预测模型，模型参数包括第一类ct样本图像的离散衰减系数、第一辅助约束变量和第一缩放拉格朗日乘子。
52.在本实施例中，可以根据第一投影数据和系统矩阵，并结合公式y＝ax，迭代求解深度神经网络的模型参数，得到预测模型，其中，模型参数包括第一类ct样本图像的离散衰
减系数、第一辅助约束变量和第一缩放拉格朗日乘子。
53.在一可实施方式中，可以利用如下迭代目标函数迭代求解深度神经网络的模型参数：其中，x为第一类ct样本图像的离散衰减系数，y为第一投影数据，a为系统矩阵，||
·
||2表示2-范数，r(x)为先验项，为数据保真项，β为控制数据保真项和先验项之间的权重，数据保真项用于保证结果符合降质过程，先验项用于对输出进行增强。
54.在本公开第二实施例中，首先获得第一投影数据和系统矩阵，之后将第一投影数据和系统矩阵带入迭代目标函数中，迭代求解深度神经网络的模型参数，可以得到优化的模型参数，从而提高预测模型重建得到的ct图像的质量。
55.图3为本公开第三实施例的一种ct图像重建方法的流程示意图，如图3所示，步骤s202具体包括：
56.步骤s301，获取辅助约束变量和缩放拉格朗日乘子。
57.在本实施例中，利用交替方向乘子法求解迭代目标函数，在此过程中需要引入辅助约束变量和缩放拉格朗日乘子，其中，辅助约束变量可以将不等式问题化为等价的等式约束问题，缩放拉格朗日乘子可以将有约束问题转化为无约束问题。
58.步骤s302，根据辅助约束变量和缩放拉格朗日乘子，将迭代目标函数改写为增广拉格朗日函数。
59.在本实施例中，在引入辅助约束变量和缩放拉格朗日乘子之后，可以将迭代目标函数改写为增广拉格朗日函数，增广拉格朗日函数可以求解带约束的最优化问题。
60.在一可实施方式中，将迭代目标函数改写得到的增广拉格朗日函数为：
61.其中，α为对偶变量，ρ为惩罚参数，缩放拉格朗日乘子为z为辅助约束变量，惩罚参数ρ可以防止预测模型过拟合，增强预测模型的泛化性。
62.步骤s303，根据增广拉格朗日函数，迭代求解深度神经网络的模型参数，得到预测模型。
63.在本实施例中，可以将增广拉格朗日函数分裂为如下三个子问题：
[0064][0065]
其中，n代表基于交替方向乘子法的迭代次数，ηn代表乘子更新率，可以对三个子问题进行迭代求解，从而求得深度神经网络的模型参数，即第一类ct样本图像的离散衰减系数、第一辅助约束变量和第一缩放拉格朗日乘子，进而得到预测模型。
[0066]
在一可实施方式中，公式中与x和z相关的子问题可以用梯度下降法进行求解，具体地，可以引入二级上标k来表示梯度下降法对子问题的迭代更新，有：
[0067][0068]
其中，xn、zn和λn分别表示变量x、z和λ在第n次迭代时的更新模块，分别对应重建模块、辅助变量更新模块和乘子更新模块，s(z)代表先验项r(z)的梯度，τ
n，k
和γ
n,k
均代表迭代过程中的步长参数。
[0069]
在本公开第三实施例中，将迭代目标函数改写为增广拉格朗日函数，并利用增广拉格朗日函数，迭代求解深度神经网络的模型参数，得到预测模型，增广拉格朗日函数鲁棒性高、收敛快，可以快速得到优化的模型参数，从而提高预测模型重建得到的ct图像的质量。
[0070]
图4为本公开第四实施例的一种ct图像重建方法的流程示意图，如图4所示，步骤s303具体包括：
[0071]
步骤s401，根据图像重建层，迭代求解第一类ct样本图像的离散衰减系数。
[0072]
在本实施例中，基于交替方向乘子法的深度神经网络包括图像重建层、卷积层、叠加层和乘子更新层，每种网络层都具有不同的作用，其中，图像重建层用于迭代求解第一类ct样本图像的离散衰减系数。
[0073]
在一可实施方式中，图像重建层的输出可以用如下公式表示：
[0074][0075]
步骤s402，根据卷积层，卷积生成第一先验项。
[0076]
在本实施例中，卷积层的作用是卷积生成更加复杂、更加符合ct图像重建需求的第一先验项，卷积层使用残差卷积神经网络来表征先验项的梯度s(z)，通过引入残差补偿机制，把直接映射问题转化为一个残差映射问题，残差映射比直接映射更容易被优化，在抑制图像噪声的同时可以更快的收敛。
[0077]
在一可实施方式中，卷积层具有两个隐藏层和一个输出层，每个隐藏层都有nf个卷积核，每个卷积核的大小为wf×
wf，其中，nf为卷积核的个数，wf为卷积核边长的大小，输出层有一个卷积核。
[0078]
步骤s403，根据第一先验项和叠加层，迭代求解第一辅助约束变量。
[0079]
在本实施例中，卷积生成第一先验项之后，需要根据第一先验项和叠加层，迭代求解第一辅助约束变量，具体地，叠加层只需要进行简单的加权求和运算，即可得到输出结果，该层的输出定义为：果，该层的输出定义为：其中，cnns(z)为卷积层卷积生成的第一先验项。
[0080]
步骤s404，根据乘子更新层，迭代更新第一缩放拉格朗日乘子。
[0081]
在本实施例中，乘子更新层用于迭代更新第一缩放拉格朗日乘子，该层的输出定义为：λn＝λ
n-1
+ηn(x
n-zn)。
[0082]
在本公开第四实施例中，利用深度神经网络的图像重建层、卷积层、叠加层和乘子更新层，分别对第一类ct样本图像的离散衰减系数、第一先验项、第一辅助约束变量和第一
缩放拉格朗日乘子进行迭代求解，得到预测模型的模型参数，缩短了预测模型的训练时间，并且因为不断迭代更新更加符合ct图像重建需求的第一先验项，所以训练得到的预测模型能够很好地去除伪影和噪声。
[0083]
图5为本公开第五实施例的一种ct图像重建方法的流程示意图，如图5所示，步骤s202还包括：
[0084]
步骤s501，获取测试样本集，测试样本集包括第二类ct样本图像。
[0085]
在本实施例中，首先需要获取测试样本集，测试样本集包括低剂量ct样本图像，即第二类ct样本图像，测试样本集用于对训练样本集训练得到的模型进行测试。具体地，在利用浓度梯度法以4:1的比例，将大量的临床ct样本图像划分为高剂量ct样本图像和低剂量ct样本图像之后，可以选取其中的低剂量ct样本图像作为测试样本集。
[0086]
步骤s502，根据第一投影数据和系统矩阵，迭代求解深度神经网络的模型参数，得到初始预测模型。
[0087]
步骤s503，根据测试样本集，对初始预测模型进行测试，得到测试结果。
[0088]
在本实施例中，根据第一投影数据和系统矩阵，迭代求解深度神经网络的模型参数，得到初始预测模型之后，可以根据已经获取的测试样本集对初始预测模型进行测试，从而得到测试结果。
[0089]
在一可实施方式中，可以利用测试样本集中的第二类ct样本图像，即低剂量ct样本图像，对初始预测模型进行测试，在测试过程中，将迭代求解得到的模型参数作为迭代的初始值，对第二类ct样本图像进行重建，从而得到测试结果。
[0090]
步骤s504，若测试结果满足预设指标，则将初始预测模型确定为预测模型。
[0091]
步骤s505，若测试结果不满足预设指标，则在初始预测模型的基础上继续迭代求解深度神经网络的模型参数，直到测试结果满足预设指标。
[0092]
在本实施例中，得到测试结果之后，将测试结果与预设指标进行比较，若测试结果满足预设指标，则将初始预测模型确定为预测模型；若测试结果不满足预设指标，则在初始预测模型的基础上继续迭代求解深度神经网络的模型参数，直到测试结果满足预设指标。
[0093]
在一可实施方式中，预设指标可以为峰值信噪比(psnr，peak signal to noise ratio)、结构相似性(ssim，structural similarity)和正规化方均根差(nrmse，normalized root mean square error)，其中，psnr的预设范围可以为30-50分贝，ssim的预设范围可以为0.7-1.0，nrmse的取值范围可以为0-0.01。
[0094]
在本公开第五实施例中，通过对初始预测模型进行测试，可以保证最终得到的预测模型满足预设要求，在对低剂量ct图像进行重建的过程中，能够很好地去除伪影和噪声。
[0095]
图6为本公开第六实施例的一种ct图像重建方法的流程示意图，如图6所示，步骤s104具体包括：
[0096]
步骤s601，获取待重建图像的第二投影数据。
[0097]
在本实施例中，在建立好预测模型之后，可以根据预测模型对待重建图像进行重建，首先需要获取待重建图像的第二投影数据，第二投影数据为测量而得的投影数据，其可以根据待重建图像得到，在ct图像的重建过程中，通常采集多个不同角度的投影数据，保证重建后的ct图像的完整性。
[0098]
步骤s602，根据第二投影数据、系统矩阵和预测模型，对待重建图像进行重建，得
到重建后的ct图像。
[0099]
在本实施例中，得到第二投影数据之后，可以根据第二投影数据、已经获取的系统矩阵和预测模型，对待重建图像进行重建，得到重建后的ct图像。具体地，可以将预测模型的模型参数作为迭代目标函数的初始值，迭代求解待重建图像的离散衰减系数。待重建图像为低剂量ct图像，若只根据待重建图像自身的第二投影数据对其进行重建，则得到的重建后的ct图像质量较差，此时需要结合高剂量ct样本图像训练出来的模型参数，以模型参数作为迭代目标函数的初始值，迭代求解高质量的重建后的ct图像。
[0100]
在本公开第六实施例中，根据待重建图像的第二投影数据、系统矩阵和预测模型，对待重建图像进行重建，得到重建后的ct图像，因为结合了高剂量ct样本图像训练出来的模型参数，所以可以更好地去除伪影和噪声，从而得到质量更好的重建后的ct图像。
[0101]
图7为本公开第七实施例的一种ct图像重建方法的流程示意图，如图7所示，步骤s602具体包括：
[0102]
步骤s701，将模型参数作为增广拉格朗日函数的迭代初始值。
[0103]
在本实施例中，利用预测模型对待重建图像进行重建，可以将得到的模型参数作为预测模型中增广拉格朗日函数的迭代初始值，迭代求解出重建后的ct图像。
[0104]
在一可实施方式中，对待重建图像进行重建的过程中，增广拉格朗日函数可以表示为：其中，y1为第二投影数据，在对上述拉格朗日函数进行分裂并利用梯度下降法进行求解之后，就可以得到待重建图像的离散衰减系数，离散衰减系数可以用于表征重建后的ct图像。
[0105]
步骤s702，根据图像重建层，迭代求解待重建图像的离散衰减系数，待重建图像的离散衰减系数即为重建后的ct图像的图像向量。
[0106]
步骤s703，根据卷积层，卷积生成第二先验项。
[0107]
步骤s704，根据第二先验项和叠加层，迭代求解第二辅助约束变量。
[0108]
步骤s705，根据乘子更新层，迭代更新第二缩放拉格朗日乘子。
[0109]
在本实施例中，步骤s702至步骤s705的实现过程与步骤s401至步骤s404的实现过程类似，其中，图像重建层的输出可以表示为：可以表示为：其中，x1为待重建图像的离散衰减系数，待重建图像的离散衰减系数即为重建后的ct图像的图像向量，利用图像向量可以得到重建后的ct图像，z1为第二辅助约束变量，λ1为第二缩放拉格朗日乘子；叠加层的输出可以表示为：表示为：其中，cnns(z1)为卷积层卷积生成的第二先验项；乘子更新层的输出可以表示为：λ
1n
＝λ
1n-1
+ηn(x
1n-z
1n
)。
[0110]
在本公开第七实施例中，利用深度神经网络的图像重建层、卷积层、叠加层和乘子更新层，分别对待重建图像的离散衰减系数、第二先验项、第二辅助约束变量和第二缩放拉格朗日乘子进行迭代求解，从而得到高质量的重建后的ct图像。
[0111]
图8为本公开第八实施例的一种ct图像重建装置的结构示意图，如图8所示，该装置主要包括：
[0112]
第一获取模块80，用于获取训练样本集，训练样本集包括第一类ct样本图像；训练模块81，用于根据训练样本集，对深度神经网络进行训练，得到预测模型，深度神经网络为基于交替方向乘子法的深度神经网络；第二获取模块82，用于获取待重建图像，待重建图像为第二类ct图像；重建模块83，用于根据预测模型，对待重建图像进行重建，得到重建后的ct图像。
[0113]
在一可实施方式中，训练模型81主要包括：第一获取子模块，用于获取训练样本集内的第一类ct样本图像的第一投影数据和ct设备的系统矩阵；模型参数求解子模块，用于根据第一投影数据和系统矩阵，迭代求解深度神经网络的模型参数，得到预测模型，模型参数包括第一类ct样本图像的离散衰减系数、第一先验项、第一辅助约束变量和第一缩放拉格朗日乘子。
[0114]
在一可实施方式中，模型参数求解子模块主要包括：第一获取单元，用于获取辅助约束变量和缩放拉格朗日乘子；改写单元，用于根据辅助约束变量和缩放拉格朗日乘子，将迭代目标函数改写为增广拉格朗日函数；模型参数求解单元，用于根据增广拉格朗日函数，迭代求解深度神经网络的模型参数，得到预测模型。
[0115]
在一可实施方式中，模型参数求解单元主要包括：重建子单元，用于根据图像重建层，迭代求解第一类ct样本图像的离散衰减系数；卷积子单元，用于根据卷积层，卷积生成第一先验项；叠加子单元，用于根据第一先验项和叠加层，迭代求解第一辅助约束变量；乘子更新子单元，用于根据乘子更新层，迭代更新第一缩放拉格朗日乘子。
[0116]
在一可实施方式中，模型参数求解子模块主要包括：第二获取单元，用于获取测试样本集，测试样本集包括第二类ct样本图像；迭代求解单元，用于根据第一投影数据和系统矩阵，迭代求解深度神经网络的模型参数，得到初始预测模型；测试单元，用于根据测试样本集，对初始预测模型进行测试，得到测试结果；第一测试结果单元，用于若测试结果满足预设指标，则将初始预测模型确定为预测模型；第二测试结果单元，用于若测试结果不满足预设指标，则在初始预测模型的基础上继续迭代求解深度神经网络的模型参数，直到测试结果满足预设指标。
[0117]
在一可实施方式中，重建模块83主要包括：第二获取子模块，获取待重建图像的第二投影数据；重建子模块，用于根据第二投影数据、系统矩阵和预测模型，对待重建图像进行重建，得到重建后的ct图像。
[0118]
在一可实施方式中，重建子模块主要包括：替换单元，用于将模型参数作为增广拉格朗日函数的迭代初始值；重建单元，用于根据图像重建层，迭代求解待重建图像的离散衰减系数，待重建图像的离散衰减系数即为重建后的ct图像的图像向量；卷积单元，用于根据卷积层，卷积生成第二先验项；叠加单元，用于根据第二先验项和叠加层，迭代求解第二辅助约束变量；乘子更新单元，用于根据乘子更新层，迭代更新第二缩放拉格朗日乘子。
[0119]
根据本公开的实施例，本公开还提供了一种电子设备和一种可读存储介质。
[0120]
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限
制本文中描述的和/或者要求的本公开的实现。
[0121]
如图9所示，设备900包括计算单元901，其可以根据存储在只读存储器(rom)902中的计算机程序或者从存储单元908加载到随机访问存储器(ram)903中的计算机程序，来执行各种适当的动作和处理。在ram 903中，还可存储设备900操作所需的各种程序和数据。计算单元901、rom 902以及ram 903通过总线904彼此相连。输入/输出(i/o)接口905也连接至总线904。
[0122]
设备900中的多个部件连接至i/o接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0123]
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如一种ct图像重建方法。例如，在一些实施例中，一种ct图像重建方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由rom902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到ram 903并由计算单元901执行时，可以执行上文描述的一种ct图像重建方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行一种ct图像重建方法。
[0124]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0125]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0126]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom
或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0127]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0128]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)和互联网。
[0129]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0130]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0131]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
[0132]
以上，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。