本發(fā)明涉及一種thz-ct圖像重建方法，具體涉及一種基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法。

背景技術(shù)：

1、thz-ct是一種基于太赫茲波的非接觸成像技術(shù)。作為一種非電離輻射，太赫茲波的能力遠(yuǎn)低于x射線，因此不會(huì)對(duì)生物組織或工業(yè)材料造成電離損傷，特別適用于活體檢測(cè)，能夠在不損傷患者或樣本的前提下安全進(jìn)行成像。然而，thz-tds系統(tǒng)采用逐點(diǎn)掃描的方式對(duì)樣品大面積進(jìn)行掃描時(shí)，采樣速度較慢，難以滿足實(shí)時(shí)成像的需求。其中一種可以有效解決上述問(wèn)題的方法就是減少thz-tds系統(tǒng)采樣的視角數(shù)量，進(jìn)行稀疏視角重建，但由于沒(méi)有達(dá)到其重建所需的滿角度時(shí)，其重建的圖像會(huì)產(chǎn)生許多條紋偽影，并隨著視角的減少，其產(chǎn)生的條紋偽影情況越嚴(yán)重。目前，被廣泛應(yīng)用于稀疏角度重建的算法有濾波反投影算法和代數(shù)重建算法，但隨著投影角度的減少，兩種算法在重建圖像中會(huì)產(chǎn)生大量偽影和噪聲，并伴隨波束硬化效應(yīng)，從而導(dǎo)致圖像質(zhì)量顯著下降。而基于深度學(xué)習(xí)的重建算法，典型代表u-net能夠同時(shí)捕捉圖像的全局和局部信息，并在去除噪聲的同時(shí)保持圖像的細(xì)節(jié)和結(jié)構(gòu)。但對(duì)于極端稀疏角度來(lái)說(shuō)，大部分網(wǎng)絡(luò)對(duì)于圖像的高頻及邊緣信息丟失嚴(yán)重，導(dǎo)致重建圖像質(zhì)量差。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于克服現(xiàn)在技術(shù)的不足，提供一種基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，所述的thz-ct重建算法可實(shí)現(xiàn)直接對(duì)極端稀疏視角的正弦圖進(jìn)行重建，能夠保留豐富高頻細(xì)節(jié)與邊緣信息。

2、本發(fā)明解決上述技術(shù)問(wèn)題的技術(shù)方案是：

3、一種基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，包括以下步驟：

4、(s1)、使用太赫茲時(shí)域光譜系統(tǒng)的探測(cè)元件以等間隔角度移動(dòng)采集對(duì)應(yīng)視角的強(qiáng)度數(shù)據(jù)(正弦圖)放入圖像集a中；

5、(s2)、將圖像集a中的圖像再進(jìn)行等間隔提取，得到極端稀疏采樣視角的正弦圖圖像集b并制作圖像集b的掩模圖集c；

6、(s3)、將圖集b和圖集c中的圖像放入訓(xùn)練好的正弦域圖像處理模型中，得到優(yōu)化后的正弦圖圖集d；

7、(s4)、基于pytorch中搭建的fista算法將圖集d中的優(yōu)化后的正弦圖初始重建為ct圖像集e；

8、(s5)、將ct圖像集e放入訓(xùn)練好的圖像域處理模型中，得到優(yōu)化后的ct圖像。

9、根據(jù)權(quán)利要求1所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，在步驟(s3)中，正弦域圖像處理模型的訓(xùn)練包括以下步驟：

10、(s3-1)、將圖像集b中的圖像首先放入正弦域圖像重建網(wǎng)絡(luò)得到優(yōu)化后的圖像集new，然后將圖像集b、圖像集c和圖像集new同時(shí)輸入數(shù)據(jù)一致性層中，得到圖像集sino-after；

11、(s3-2)、計(jì)算正弦域圖像處理模型最終輸出圖像集sino-after與圖像集a之間的損失函數(shù)值。

12、根據(jù)權(quán)利要求1所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，在步驟(s5)中，圖像域處理模型的訓(xùn)練包括以下步驟：

13、(s5-1)、利用fista算法對(duì)s1采集的正弦圖重建后的ct圖像放入圖像集image-label中；

14、(s5-2)、構(gòu)建一個(gè)多層次編解碼器框架的圖像域處理模型，其中包括圖像域重建網(wǎng)絡(luò)和高頻重建層的構(gòu)建；

15、(s5-3)、計(jì)算圖像域處理模型最終數(shù)據(jù)圖像集image-after與圖像集image-label之間的損失函數(shù)值；

16、(s5-4)、將(s3-2)與(s5-3)兩者損失函數(shù)結(jié)合并反向傳播更新網(wǎng)絡(luò)權(quán)重與參數(shù)，訓(xùn)練的優(yōu)化器為adam，當(dāng)達(dá)到設(shè)定的輪次時(shí)停止更新模型權(quán)重和偏置參數(shù)，得到訓(xùn)練完備的多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)。

17、優(yōu)選的，在步驟(s1)中，等間隔采集對(duì)應(yīng)視角的強(qiáng)度數(shù)據(jù)為thz-ct重建中所需滿角度180個(gè)的1/5。

18、優(yōu)選的，在步驟(s2)中，對(duì)圖像集a再進(jìn)行等間隔提取為thz-ct重建中所需滿角度180個(gè)的1/15、1/20、1/30、1/60。

19、優(yōu)選的，根據(jù)權(quán)利要求2所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，正弦域圖像重建網(wǎng)絡(luò)將通道數(shù)分割為正弦域分支和傅里葉正弦域分支；首先將通道數(shù)為1的特征圖經(jīng)過(guò)2次通道擴(kuò)展至128，然后放入正弦域圖像重建網(wǎng)絡(luò)，正弦域分支包括多層卷積層和通道空間注意力機(jī)制，其中卷積層為4個(gè)3×3卷積塊組成；傅里葉正弦域分支采用快速傅里葉變換對(duì)特征圖的特征進(jìn)行提取并使用1個(gè)3×3卷積塊組成；隨后將兩個(gè)分支輸出進(jìn)行通道合并且加入殘差連接；最后使用1個(gè)3×3卷積恢復(fù)至輸入形態(tài)；數(shù)據(jù)一致性層將優(yōu)化后的正弦圖與掩模圖像相乘，得到未采樣部分的優(yōu)化圖像，將其與極端稀疏采樣正弦圖像集b中的圖像相加，最終得到正弦域圖像處理模型優(yōu)化后的正弦圖。

20、優(yōu)選的，根據(jù)權(quán)利要求3所述的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法，其特征在于，圖像域處理模型包括編碼器、解碼器、淺層提取模塊、圖像域重建網(wǎng)絡(luò)和高頻重建層；初級(jí)編碼器將ct圖下采樣通道數(shù)以2n的形式遞增；高級(jí)編碼器上采樣通道則以2n的形式遞減，其中初級(jí)編碼器通道數(shù)為64的ct圖通過(guò)淺層提取模塊來(lái)捕捉不同尺度的特征；圖像域重建網(wǎng)絡(luò)與正弦域圖像重建網(wǎng)絡(luò)類似，分為圖像域分支與圖像傅里葉域分支，圖像域分支采用gru門控卷積單元增強(qiáng)時(shí)序特征的捕捉能力，圖像傅里葉域分支則與正弦域圖像重建網(wǎng)絡(luò)一致；低級(jí)解碼器則將圖像域重建網(wǎng)絡(luò)的輸出進(jìn)行上采樣至與高級(jí)編碼器保持一致；高級(jí)解碼器即高頻重建層引入拉普拉斯金字塔提取圖像中的輪廓和細(xì)節(jié)，融合低頻特征、邊緣特征及高頻特征對(duì)ct圖像進(jìn)行高質(zhì)量重建。

21、優(yōu)選的，訓(xùn)練網(wǎng)絡(luò)的損失函數(shù)包括3個(gè)，分別為如下：正弦域圖像處理模型中的由l1損失構(gòu)成和由多尺度結(jié)構(gòu)相似性損失構(gòu)成，圖像域處理模型中的由均方誤差損失構(gòu)成。l1損失函數(shù)為：

22、

23、其中，y是正弦圖真實(shí)值；是正弦圖預(yù)測(cè)值；多尺度結(jié)構(gòu)相似性損失函數(shù)為：

24、

25、均方誤差損失函數(shù)為：

26、

27、其中，x是ct真實(shí)值；是ct預(yù)測(cè)值；

28、最后網(wǎng)絡(luò)損失函數(shù)為：

29、

30、其中，z是網(wǎng)絡(luò)輸出真實(shí)值；是網(wǎng)絡(luò)輸出預(yù)測(cè)值；α和β均為0.5。本發(fā)明與現(xiàn)有技術(shù)相比具有以下的有益效果：

31、1、本發(fā)明的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法將數(shù)據(jù)一致性層融入正弦域圖像處理模型中，確保正弦域圖像重建網(wǎng)絡(luò)優(yōu)化后的正弦圖與極端稀疏采樣數(shù)據(jù)的保真性，避免因網(wǎng)絡(luò)過(guò)度優(yōu)化而丟失原始成功采樣的數(shù)據(jù)，同時(shí)避免在圖像生成過(guò)程中引入虛假信息導(dǎo)致失真現(xiàn)象。

32、2、本發(fā)明的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法在雙域重建方法中擴(kuò)展到多域重建方法，相比于先前的雙域重建，在本發(fā)明的方法中結(jié)合了傅里葉正弦域和傅里葉圖像域，利用快速傅里葉變換將不同分辨率的圖像從時(shí)域轉(zhuǎn)換到頻域，以提取圖像中的頻率成分，并使用頻域信息來(lái)補(bǔ)充時(shí)域中無(wú)法完全捕捉到的高頻成分。

33、3、本發(fā)明的基于多域多尺度特征融合神經(jīng)網(wǎng)絡(luò)的極端稀疏角度thz-ct重建方法將高頻信息重建策略引入到圖像域處理模型中，通過(guò)在多尺度上融合邊緣信息和高頻特征，在圖像重建的最后階段精細(xì)化處理邊緣和高頻區(qū)域，確保重建圖像的邊界清晰和細(xì)節(jié)豐富。這對(duì)于thz-ct圖像重建中的微小結(jié)構(gòu)識(shí)別尤為重要。