技术特征：
1.一种ct图像重建方法，其特征在于，所述方法包括：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。2.根据权利要求1所述的方法，其特征在于，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。3.根据权利要求2所述的方法，其特征在于，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：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。4.根据权利要求3所述的方法，其特征在于，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。5.根据权利要求2所述的方法，其特征在于，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。6.根据权利要求5所述的方法，其特征在于，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。7.根据权利要求6所述的方法，其特征在于，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。8.一种ct图像重建装置，其特征在于，所述装置包括：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。9.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，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权利要求1-7中任一项所述的方法。10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
技术总结
本公开提供了一种CT图像重建方法、装置、设备及存储介质，方法主要包括：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。本公开提供的一种CT图像重建方法、装置、设备及存储介质，不仅能够缩短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。重建得到的CT图像中的伪影和噪声。重建得到的CT图像中的伪影和噪声。
技术研发人员：刘士远 范丽 萧毅 谢小峰 王平
受保护的技术使用者：医智源健康科技（海南）有限公司 海南大学三亚研究院
技术研发日：2022.03.17
技术公布日：2022/7/5