基于深度学习的递变能量多谱CT成像表征方法研究

Varying energy multi-spectrum CT based on data and physical priori has the lesser beam-hardening artifacts and higher degree of components distinction. And it can apply to the quantitative representation of the material’s components and microstructure. However in the implementation progress, because of the limitation of CT imaging system, reconstruction target and projection data qualities, the model parameters are not self-adaptive. We need to adjust relevant parameters many times in the reconstruction model in order to achieve application of model. For this problem, the project researches on the theory and application of varying energy multi-spectrum CT imaging representation based on deep learning. This project focuses on solving the problem of the few data samples and no true value about industry CT in deep learning. Combing the advantage of deep learning and iteration optimization, use the iteration reconstruction model based on fundamental decomposition as the prototype to study the alternating decomposition model of reconstruction optimization problems and the adaptive parameters, and construct a recursive depth model for iteration CT reconstruction. Also design the depth of training according to the convergence of iterative CT algorithm, complete design of the iterative reconstruction network architecture. At last, design the multi-spectrum representation classification network based on deep learning to complete multi-spectrum CT imaging representation. This project utilizes the advantages of deep learning to solve the problem of the adjustment of parameter and the adaptability of model in multi-spectrum CT iteration reconstruction algorithm. Furthermore it realizes the deeper integration of the data modeling and task modeling. Also it provides the new idea and method for the development of iteration CT imaging.

耦合数据和物理先验的递变能量多谱CT硬化伪影小，组分区分度高，可应用于材料组分及微观结构的定量表征。但在实际应用中，受CT系统性能、重建目标结构、投影质量等影响，一般需要对重建模型参数做多次调整和优化，保证重建质量恒定，实用性较差。针对该问题，项目结合深度学习强大的学习能力，开展基于深度学习的递变能量多谱CT成像表征方法研究。重点针对工业CT中涉及的数据样本少、数据真值不确定问题，结合深度学习与迭代优化二者优势，以基物质分解的多谱迭代CT重建算法为原型，构建迭代CT深度递归交替求解子优化模型，并依据迭代CT算法的收敛准则，完成迭代重建网络架构的设计与优化；进一步通过基于深度学习的多谱表征分类网络的设计与实现，完成多谱CT成像的表征。该项目利用了深度学习优势，解决了现有多谱CT成像中的参数调整和模型适应性问题，实现了数据和任务建模的深度融合，也为发展迭代CT重建提供了新的研究思路和方法。

项目针对材料组分的微观结构表征需求，以及递变能量多谱CT成像实际应用中适应性建模及模型参数选择影响重建质量问题，结合深度学习与迭代优化二者优势，开展了基于深度学习的递变能量多谱CT成像表征方法研究，通过数据驱动和任务驱动相结合的方式，实现常规CT系统的多谱CT组分结构表征。项目按照原计划，从多谱CT成像表征涉及的重建算法和组分表征两方面开展研究。首先，为建立适用于深度学习的多谱迭代重建模型，利用递变能量成像技术并耦合数据和物理先验，提出了多谱投影序列盲分离重建方法，结合迭代递归深度建模可进行模型参数自适应更新。其次，为了对多谱迭代重建模型中的参数进行自适应学习，研究了递归深度优化下的CT重建网络架构设计与求解方法，提出了基于ADMM网络和迭代-域变换的CT重建算法以及多谱CT图像正则化方法，能够实现高质量的多谱迭代CT重建。最后，针对多谱CT序列的组分表征，提出了基于迭代深度网络的多谱CT组分结构表征方法和基于交叉材料迭代残差网络的双能CT材料分解方法，通过借鉴深度学习较强的容错能力以提高组分表征精度。基于上述技术，在实验室自主研发的微焦点X射线CT成像系统上进行集成，进一步完善了常规微焦点CT系统的能量自适应控制、能量分辨功能，经实验测试，系统能量分辨率仍可达到20 keV，系统成像效率得到较大提升。项目成果还在增材制造、煤样和岩石分析、医学等领域进行了推广应用，社会效益和经济效益良好。总之，项目成果可克服目前多谱迭代重建算法中参数调整和模型适应性难题，满足微观组分结构量化表征工程需求，对推动多谱CT成像技术发展具有重要意义。