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，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)。但對于極端稀疏角度來說，大部分網(wǎng)絡(luò)對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)的探測元件以等間隔角度移動(dòng)采集對應(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；初級編碼器將ct圖下采樣通道數(shù)以2n的形式遞增；高級編碼器上采樣通道則以2n的形式遞減，其中初級編碼器通道數(shù)為64的ct圖通過淺層提取模塊來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)行上采樣至與高級編碼器保持一致；高級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，并使用頻域信息來補(bǔ)充時(shí)域中無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。這對于thz-ct圖像重建中的微小結(jié)構(gòu)識別尤為重要。