个体和群体投影数据混合条件下基于多层次渐进学习的有限角度CT图像重建研究

Although reducing X-ray dose in CT scan can weaken the damage brought by the radiation, it will degrade the reconstructed CT images. Limited-view CT reconstruction is one of the effective methods to enhance the quality of the reconstructed images when X-ray dose in CT scan is reduced. However, the existing limited-view CT reconstruction methods ignore the importance of the previously acquired CT projection data, especially the one of the population projection data. Since these methods do not make use of the general patterns and valuable information hidden in the previously acquired projection data, they cannot improve the reconstructed CT images, especially when the patient-specific projection data are limited. This project will follow the idea of hierarchically progressive learning, and investigate the methods from the following three aspects: extracting highly abstract features from mixed patient-specific and population projection data, limited-view CT reconstruction when enough patient-specific projection data is given and limited-view CT reconstruction when patient-specific projection data is limited, but enough population projection data is given. By studying the key technologies about how to selectively exact and incorporate important information embedded in the patient-specific and population projection data，overcome the inhomogeneity brought by the population projection data and make the limited-view reconstructed CT images improved, this project develops the limited-view CT reconstruction methods based on hierarchically progressive learning when different types of projection data is given, CT projection features extraction methods based on hierarchically deep weighted sparse learning and hierarchically deep learning network.

减少X射线剂量在降低辐射伤害同时会损害CT重建图像质量，而有限角度CT图像重建方法是低剂量条件下提高重建图像质量的有效方法。但现有方法忽视大量已有CT投影数据特别是群体数据的重要价值，未充分利用群体数据中蕴藏的重要信息，故无法进一步提升CT重建图像质量，尤其是当患者个体投影数据匮乏时。本项目以多层次渐进学习为思路，拟从个体和群体投影数据混合条件下提取高度抽象特征方法、个体投影数据充足时或个体投影数据缺乏而群体投影数据充足时有限角度CT图像重建方法三个方面出发，通过对如何选择性地挖掘个体和群体投影数据中的有效信息，克服群体数据的不一致性，提高有限角度CT重建图像质量所涉及的关键技术进行深入研究，分别实现不同投影数据条件下基于多层次渐进学习的有限角度CT图像重建方法，及基于多层次深度加权稀疏学习和基于深度多层次学习网络的CT投影数据特征提取方法等关键技术，从而改善有限角度CT重建图像质量。

本项目研究主旨是充分挖掘已有投影数据特别是群体投影数据中蕴藏的有效信息、摒弃无用信息，从已知不完全投影数据预测未知投影数据，提高有限角度CT重建图像质量。主要研究内容和成果如下：. 1、在生成式对抗网络框架下提出了一类基于深度卷积网络的不完全投影数据CT图像重建算法。这些算法在大量个体和群体CT投影数据混合条件下，利用深度卷积网络提取其中具有高度抽象表达能力和最少冗余信息的高水平特征，使得这些高水平特征能有效捕捉到混合投影数据的外观变化以及固有属性，克服群体投影数据带来的不一致性，以提高未知投影数据预测精度；. 2、针对锥形束CT有限角度重建问题，在生成式对抗网络框架下提出了一系列基于深度自动编码网络的三维锥形束CT缺失投影数据估计算法。这些算法利用深度自动编码网络中蕴含的渐进修正学习机制，充分挖掘和利用当前患者大量投影数据中蕴藏的有效信息，逐步在训练过程中修正回归预测模型，并将这些模型用于估计未知投影数据；. 3、为了解决估计CT投影数据和已知CT投影数据的不一致性问题，本课题组在之前工作基础上分别提出了基于深度解析网络和上下文注意力网络等的不完全投影数据CT图像重建算法，旨在通过级联多重网络、增加网络“深度”的方式提高高水平特征的提取能力，以克服群体投影数据带来的不一致性；. 4、为了在不增加网络“深度”的情况下解决估计数据和已知数据的不一致性问题，本课题组提出了一类基于U型生成式对抗网络的不完全投影数据CT图像重建算法。该类算法使用U型深度自动编码网络来提取数据中的高水平特征，并在损失函数中分别加入定义在特征域的perceptual loss，或者加入CT投影数据一致性条件以约束网络训练过程。. 通过对这些算法的研究，使得在低剂量X射线辐射条件下获得的重建图像质量基本满足临床诊断对图像质量的要求，有效地减轻了患者所受电离辐射伤害、缩短了CT设备扫描时间。因此，本课题组认为本项目具有重要的临床理论价值和社会意义。