论文部分内容阅读
计算机层析成像技术(Computed Tomography,CT)广泛地应用在医学诊断、工业检测、社会安全等领域。随着CT系统的普及,由于受到辐射剂量、采样几何、系统硬件、采集时间等现实条件的约束,很多实际应用中往往无法获得完整的投影数据。在数据不完备的情况下,基于连续域中的Radon变换的重建方法需要求解一个病态问题,很难获得满意的结果。作为Radon变换的一种离散形式,Mojette变换凭借其独特的性质,只需少量的投影数据即可精确重建图像,为CT不完全投影数据重建问题提供了一个新的思路。然而,Mojette变换的成像模型与现行的CT系统并不兼容,它的获取只能通过从Radon投影数据中转换而实现,严重阻碍了Mojette变换实现产业化应用。为了解决这一问题,本文的具体研究工作如下:(1)首次将深度学习技术应用在Mojette投影数据的获取上。由于Radon变换和Mojette变换均可视为二维图像的某种一维特征表示方法,因此,本文从特征表达的角度出发,从实际CT系统采集到的Radon投影数据中获得Mojette投影,可以被视作图像特征转换。基于这一思想,本文确定了利用深度学习技术获得Radon投影与Mojette投影之间的映射关系的技术路线,提出了投影获取的新思路。(2)提出基于反馈机制的Mojette投影获取方案,解决了等采样、无噪声条件下Radon投影到Mojette投影的映射问题。该方案提出的网络结构以断层图像的Radon投影作为输入,该图像的Mojette投影作为输出,利用误差反馈思想提高转换精度,使用基于物理模型的合理初始化,从而加速卷积网络收敛。(3)提出基于特征融合的Mojette投影获取方案,解决了欠采样、有噪声条件下Radon投影到Mojette投影的映射问题。该方案的网络结构在误差反馈思想和合理初始化的基础上,结合问题的特殊性,设计了多通道融合模块以抑制噪声对转换的影响,提出了特征融合模块以增强网络的学习能力,利用了通道注意力模块以实现准确地误差反馈。为了训练网络模型,本文搜集了大量医学断层重建结果,合成了仿真图像,从而制作了图像数据集,并在此基础上建立了投影数据集,为今后的科研工作打下了基础。本文通过详尽的仿真实验,证明了所提方案能够从Radon投影数据中获得相对应的Mojette投影数据,验证了设计的网络结构具有普适性,其设计思想可靠。