本发明涉及医学成像技术领域，具体涉及一种能够有效抑制伪影、提升有限角度扫描下图像重建质量的基于神经网络的数字合成x射线层析成像方法。
背景技术：
x射线在医学上的应用使医生能观察到人体内部结构，为医生进行疾病诊断提供了重要的信息，至今仍起着不可或缺的作用。由于常规x射线透视成像技术是将三维人体结构显示在二维平面上，缺乏立体信息，软组织诊断能力差，限制成像系统的应用。ct的成像原理是应用x线束围绕人体的某一部位连续断面扫描，扫描速度快，能精确显示人体三维信息，目前已成为主要的临床检查手段。但是ct也有一些局限，例如辐射剂量高，不适合特殊部位的检查例如膝关节站立负荷位等。
x线层析成像技术(digitaltomosynthesis)通过一次获取有限角度内多个不同投影角度下的小剂量投影数据，利用计算机进行图像处理，可回顾性重建任意深度层面的图像。具有辐射剂量小，设备简单，可显示3d信息，可对特殊部位进行检查以及容易同普通x线设备融合等特点，已经在乳腺成像、关节成像等方面表现了很大的发展空间。但由于采样角度的限制，digitaltomosynthesis图像重建是在有限角度条件下的不完全数据重建，图像质量远远达不到ct的标准，重建图像存在比较明显的伪影，如图1所示。
数字合成x线体层成像图像重建是在有限角度条件下的不完全数据重建。现有重建算法包括：位移叠加、反投影、滤波反投影和迭代算法等。位移叠加算法比较简单直观，但是其只适合特定的扫描模式，即x线源的运动轨迹必须保证与探测器平行，反投影和滤波反投影算法对扫描轨迹的限制放宽，但是重建图像存在比较严重的伪影，比如几何失真，带状伪影等等。人们做了很多努力来减少图像伪影例如通过外插的方法补全丢失的投影，或者通过融入先验知识例如物体密度和物体形状等到重建过程。这些方法在特定物体上表现不错，但是人体结构复杂，差异性较大，通常不能得到理想结果。现有迭代算法虽然能够改善图像质量减少伪影对图像质量带来的影响，但是算法的计算量很大，很难满足临床的实际应用。
技术实现要素：
技术目的：针对上述技术问题，本发明提出了一种基于神经网络的数字合成x射线层析成像方法，其能够用来减少不完全数据采样对图像重建带来的影响，在不显著增加计算量的情况下，降低图像伪影，提高图像质量。
技术方案：为实现上述技术方案，本发明采用了如下技术方案：
一种基于神经网络的数字合成x射线层析成像方法，其特征在于，包括步骤：
a、采集层析投影数据，即投影图像，将投影图像采用图像重建算法重建，得到初始图像；
b、构建并训练神经网络；
c、将初始图像作为中间图像，将中间图像输入到神经网络中，输出矫正图像；
d、矫正图像经过数值模拟计算，产生合成的投影数据，即模拟投影数据；
e、根据模拟投影数据和采集的层析投影数据，计算出两者的差异投影；
f、比较差异投影和设定的阈值：如果差异投影大于等于设定的阈值，将差异投影采用与步骤a中相同的图像重建算法进行处理，得到差异图像，把差异图像作为中间图像，返回步骤c继续执行，直至差异投影小于设定的阈值，进入下一步；
g、将差异图像和矫正图像进行相加得到最终的图像。
优选地，所述步骤b中神经网络的构建和训练步骤如下：
步骤1)、构建图像数据库：利用实际系统或仿真的投影数据生成图像数据库，图像数据库里面的每一个样本包括存在不完全采样伪影的输入图像和没有伪影的目标图像；
步骤2)、构建神经网络模型：主要采用基于卷积的神经网络；
步骤3)、建立模型的目标函数：目标函数的输出值为图像的误差，图像的误差通过网络的输出图像和数据库里面的目标图像运算获得；
步骤4)、训练网络：利用图像数据库和神经网络模型，设置目标函数的参数，采用梯度下降法对神经网络的参数进行优化，训练完成后，保存神经网络的参数。
优选地，所述步骤1)中，将初始图像作为数据库中的输入图像，将采集的层析投影数据作为数据库中的目标图像。
优选地，所述步骤a中的图像重建算法采用位移叠加、反投影、滤波反投影或迭代算法中的任一种。
优选地，所述步骤b中的神经网络采用基于卷积的神经网络，包括一层或一层以上的卷积层和池化层。
有益效果：由于采用了上述技术方案，本发明具有如下有益效果：
(1)、本发明基于ai的神经网络通过对大量数据的训练，可以通过层析成像的扫描数据，估计尽可能接近真实结果的图像；另一方面，得到利用神经网络预测的图像，难免会有失真，再利用迭代算法来进一步的修正误差，使最终结果更加接近真实的结果。
(2)、本发明在现有的重建技术的基础上加入了投影模拟和非线性变换，计算量相对于方法增加不多，比传统的迭代算法简单，同时能够有效提升有限角度扫描下x射线成像的质量。
附图说明
图1中：图(a)为现有的x线层析成像技术处理的带有几何失真的图像；
图(b)为ct扫描方式的对比；
图2为本发明的基于神经网络的数字合成x射线层析成像方法的流程图；
图3为本发明中神经网络的结构示意图；
图4为本发明中神经网络的功能示意图；
图5为采用ct扫描方式和本发明方法获得的最终的图像。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明提供一种基于神经网络的数字合成x射线层析成像方法，其主要是通过两个方法来解决伪影的问题：一方面采用基于ai的神经网络通过对大量数据的训练，通过层析成像的扫描数据，估计初尽可能接近真实结果的图像；另一方面，由于利用神经网络预测的图像，难免会有失真，本发明再利用迭代算法来进一步地修正误差，使最终结果更加接近真实的结果。
具体x射线层析成像的流程如图2所示：
a.采集层析投影数据，这个投影图像经过层析图像重建技术(比如滤波反投影)重建得到初始图像；
b.初始图像和扫描数据作为输入，初始图像作为中间图像；
c.中间图像经过神经网络处理之后得到矫正图像；
d.矫正后的图像，经过数值模拟过程产生合成的投影数据，数值模拟的过程可以采用常见的正投影技术，比如像素驱动，或者射线驱动技术的正投影算法,通过数值模拟对当前重建的图像合成投影数据和原始测量的数据进行比较；
e.根据模拟的投影数据和实际采集的投影数据计算出差异投影；
f.如果差异大于等于这个阈值，把差异投影经过与a步骤同样的图像重建算法处理得到差异图像，把差异图像输入到c作为中间图像，然后重复c-e的步骤；
g.这个差异图像和输入矫正图像相加就得到了最终的图像；
如果差异小于阈值，则无须计算差异图像，将矫正图像或实际采集的图像作为最终的图像。
本发明中，采用不完全采样伪影消除的神经网络，可以是基于近年来人工智能的神经网络训练方法。采用多层神经网络处理图像。输入图像为带有不完全采样伪影的重建图像，目标图像为没有伪影的原始图像。可以通过优化目标图像和输出图像的差异来使得输出图像尽可能的接近理想图像。
本发明中神经网络训练的具体方法如图3和图4所示：
1).构建图像数据库：利用实际系统或仿真的投影数据生成样本；数据库里面的每一个样本包括，输入图像(存在不完全采样伪影)，目标图像(没有伪影)；
2).构建神经网络：训练所选择的模型主要是基于卷积的神经网络，比如改进的resnet,unet；
3).建立模型的目标函数：
其中，imgerr表示图像的误差，img表示网络的输出结果，imgtarg表示数据库里面的目标结果(没有伪影的图像)；
4).训练网络：设置好这些参数后，利用梯度下降法针对目标函数，对神经网络的参数进行优化；训练完成后，整个模型的参数被保留下来，供以后使用。
本发明的方法处理结果如图5所示，可以明显抑制tomosynthesis的伪影。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
1.一种基于神经网络的数字合成x射线层析成像方法，其特征在于，包括步骤：
a、采集层析投影数据，即投影图像，将投影图像采用图像重建算法重建，得到初始图像；
b、构建并训练神经网络；
c、将初始图像作为中间图像，将中间图像输入到神经网络中，输出矫正图像；
d、矫正图像经过数值模拟计算，产生合成的投影数据，即模拟投影数据；
e、根据模拟投影数据和采集的层析投影数据，计算出两者的差异投影；
f、比较差异投影和设定的阈值：如果差异投影大于等于设定的阈值，将差异投影采用与步骤a中相同的图像重建算法进行处理，得到差异图像，把差异图像作为中间图像，返回步骤c继续执行，直至差异投影小于设定的阈值，进入下一步；
g、将差异图像和矫正图像进行相加得到最终的图像。
2.根据权利要求1所述的基于神经网络的数字合成x射线层析成像方法，其特征在于：所述步骤b中神经网络的构建和训练步骤如下：
步骤1)、构建图像数据库：利用实际系统或仿真的投影数据生成图像数据库，图像数据库里面的每一个样本包括存在不完全采样伪影的输入图像和没有伪影的目标图像；
步骤2)、构建神经网络模型：主要采用基于卷积的神经网络；
步骤3)、建立模型的目标函数：目标函数的输出值为图像的误差，图像的误差通过网络的输出图像和数据库里面的目标图像运算获得；
步骤4)、训练网络：利用图像数据库和神经网络模型，设置目标函数的参数，采用梯度下降法对神经网络的参数进行优化，训练完成后，保存神经网络的参数。
3.根据权利要求2所述的基于神经网络的数字合成x射线层析成像方法，其特征在于：所述步骤1)中，将初始图像作为数据库中的输入图像，将采集的层析投影数据作为数据库中的目标图像。
4.根据权利要求1所述的基于神经网络的数字合成x射线层析成像方法，其特征在于：所述步骤a中的图像重建算法采用位移叠加、反投影、滤波反投影或迭代算法中的任一种。
5.根据权利要求1所述的基于神经网络的数字合成x射线层析成像方法，其特征在于：所述步骤b中的神经网络采用基于卷积的神经网络，包括一层或一层以上的卷积层和池化层。
技术总结