本發(fā)明涉及醫(yī)學ct成像，尤其是涉及一種恒定圖像質量的ct成像方法。

背景技術：

1、醫(yī)學計算機斷層成像（computed?tomography,?ct）憑借其卓越的三維結構表示能力而成為臨床診療中不可或缺的利器、重器。ct成像的物理機制源于x射線在人體組織中的穿透衰減，過量的x射線照射將引起脫發(fā)、灼燒等癥狀，甚至增加癌癥的患病風險。然而，降低ct檢查的輻射劑量將引起x光信號的減弱，引起ct探測信號中噪點的增加，進而導致ct圖像質量的退化，最終影響ct診療效果。如何在降低檢查劑量的同時保持甚至提升圖像質量是ct成像領域的熱點問題。

2、另一方面，不同受檢患者對x射線具有不同的衰減程度，在相同x光強度下，對于體型較為肥胖的患者，x射線穿透此類患者的身體時衰減較大，導致ct探測器信號較弱、數(shù)據(jù)噪點較多、影像質量退化程度較嚴重；相比之下，對于體型較為瘦小的患者，x射線穿透此類患者的身體時衰減較小，導致ct探測器信號較強、數(shù)據(jù)噪點較少、影像質量退化程度一般。因此，每一個體患者在進行ct檢查時應使用其最適當?shù)妮椛鋭┝?，該劑量下檢查的圖像恰好能滿足ct檢查的診療需求，劑量再低則不能滿足臨床需求；傳統(tǒng)的方法中通過管電流調控技術對ct檢查劑量進行調整，但是現(xiàn)有管電流調控技術無法適配于迭代重建、深度學習重建等非線性的高級重建算法，因而無法有效控制ct圖像的質量；此外，現(xiàn)有高級重建算法的開發(fā)過程與管電流調控獨立進行，因而無法適應經管電流調控而產生的探測數(shù)據(jù)，這些算法帶來的劑量降低效果還可進一步提升。

技術實現(xiàn)思路

1、本發(fā)明的目的是提供一種恒定圖像質量的ct成像方法，解決現(xiàn)有技術存在的難以輸出具有恒定質量的ct圖像，且不能估計恒定圖像質量下個體患者的最低輻射劑量的問題。

2、為實現(xiàn)上述目的，本發(fā)明提供了一種恒定圖像質量的ct成像方法，包括以下步驟：

3、步驟1、準備數(shù)據(jù)集，包括大量患者的高劑量ct投影或圖像、以及對應的患者先驗信息；

4、步驟2、構建模型，包括劑量估計模型、掃描仿真模型、圖像重建模型；

5、步驟3、訓練步驟2構建的模型；

6、步驟4、獲取患者先驗信息；

7、步驟5、使用劑量估計模型獲得患者最佳檢查劑量；

8、步驟6、執(zhí)行ct掃描獲得患者投影數(shù)據(jù)；

9、步驟7、使用圖像重建模型獲得恒定質量的患者ct圖像。

10、優(yōu)選的，步驟1中，若數(shù)據(jù)集中僅包含高劑量ct投影，則高劑量ct圖像通過重建算法獲得，若數(shù)據(jù)集中僅包含高劑量ct圖像，則高劑量ct投影通過前向投影獲得。

11、優(yōu)選的，患者先驗信息包括患者定位像、患者往期ct圖像、以及對此兩種先驗信息進行優(yōu)化所得的信息，對于兩種先驗信息的優(yōu)化，若先驗信息為定位像，則采用神經網絡從定位像生成先驗ct圖像，若先驗信息為往期ct圖像，則將往期ct圖像配準到患者當次ct檢查方位。

12、優(yōu)選的，劑量估計模型具體為深度神經網絡，該網絡結構無限制，其輸入為患者先驗信息，輸出的劑量為患者當次ct檢查球管曝光時的電流或射出的x光子量。

13、優(yōu)選的，劑量估計模型估計的劑量為患者當次ct檢查的軸向范圍的總體劑量、或預期影像中每層ct圖像所對應的軸向位點的劑量、或當次ct檢查的軸向范圍上每一個曝光角度的劑量。

14、優(yōu)選的，掃描仿真模型為可微模型，掃描仿真模型的作用是從高劑量投影生成低劑量投影，該過程的實現(xiàn)方式包括以下兩種：

15、第一種：估計目標低劑量投影的方差，隨后根據(jù)方差生成隨機數(shù)并加入高劑量投影；

16、第二種：使用深度神經網絡從高劑量投影生成低劑量投影，該網絡內部結構無限制，其輸入為患者高劑量投影和患者ct檢查劑量，輸出為目標低劑量投影或目標低劑量投影的方差；若輸出為目標低劑量投影的方差，則根據(jù)方差生成隨機數(shù)并加入高劑量投影。

17、優(yōu)選的，目標低劑量投影的方差的表達式如下：

18、；

19、式中，為投影中像素的方差，為高劑量投影像素值，為可測量的探測器背景隨機信號的方差，，為投影像素的光子量；為像素所在投影的球管電流、為可測量的投影像素的電流-光子量轉換系數(shù)；

20、在高劑量投影中加入隨機數(shù)的過程表示為：

21、；

22、式中，為目標低劑量投影像素值，為標準正態(tài)分布采樣隨機數(shù)。

23、優(yōu)選的，圖像重建模型為可微模型，模型參數(shù)可以固定也可被學習，構建方式包括：濾波反投影、迭代重建、濾波反投影+圖像去噪、投影去噪+濾波反投影、投影去噪+濾波反投影+圖像去噪、采用神經網絡直接從投影生成圖像，其中，濾波反投影與迭代重建可展開為可微過程、圖像去噪與投影去噪可使用深度神經網絡去噪模型或將傳統(tǒng)去噪方法展開為可微過程。

24、優(yōu)選的，步驟3中訓練步驟2構建的模型的過程如下：

25、s31、將步驟1準備的數(shù)據(jù)集劃分為訓練集、驗證集與測試集；

26、s32、構建模型訓練的損失函數(shù)；

27、s33、設置神經網絡模型訓練的超參數(shù)，包括學習率、epoch迭代步數(shù)、批量尺寸、優(yōu)化器、學習率調制器；

28、s34、基于梯度反向傳播算法訓練步驟2構建的模型。

29、優(yōu)選的，s32中模型訓練的損失函數(shù)如下：

30、；

31、式中，為總體損失函數(shù)，為劑量損失項，為圖像損失項，為手動設置的系數(shù)，其中劑量損失項的目標是降低輻射劑量，其形式表示為或，表示最小化x光子量或球管電流；圖像損失項構建為鉸鏈（hinge）損失的形式，表示為：，其中，表示取中的較大值，為可微的圖像質量度量函數(shù)，為重建的ct圖像，為預先設定的圖像質量指標；在模型訓練中，當重建的圖像質量高于時，停止工作，模型專注于降低輻射劑量，當圖像質量低于時，參與工作，模型需要學習在降低輻射劑量的同時使圖像質量不低于，最終達到輸出恒定質量ct圖像的目標。通過上述的總體損失函數(shù)訓練劑量估計模型，可使其輸出患者最佳ct檢查劑量，即在滿足恒定圖質量的約束條件下個體患者ct掃描所能設置的最低輻射劑量。

32、因此，本發(fā)明采用上述一種恒定圖像質量的ct成像方法，具有以下有益效果：

33、（1）本發(fā)明提供的方法在恒定圖像質量約束下估計個體患者最低ct檢查劑量，實現(xiàn)放射成像中的“合理可行且盡可能低（alara）”原則；

34、（2）在訓練過程中基于鉸鏈損失構建損失函數(shù)中的圖像損失項，使圖像重建模型輸出具有恒定質量的ct圖像，實現(xiàn)不同患者間ct圖像質量的標準化，有益于基于ct圖像的臨床診療以及基于ct圖像的醫(yī)療ai系統(tǒng)開發(fā)；

35、（3）構建的掃描仿真模型為可微模型，允許梯度從圖像重建模型向劑量估計模型進行反向傳播，進而實現(xiàn)圖像質量優(yōu)化引導下的輻射劑量調控；

36、（4）劑量估計模型與圖像重建模型可以聯(lián)合優(yōu)化，從而實現(xiàn)兩者間的相互適配，在恒定圖像質量下進一步降低輻射劑量；

37、（5）本發(fā)明的思想亦可用于正電子發(fā)射斷層成像（pet）、核磁共振成像（mri）等掃描條件受限的相關成像領域，即聯(lián)合優(yōu)化掃描技術與圖像重建技術，實現(xiàn)圖像質量的標準化以及個體對象的最佳掃描條件。

38、下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。