论文部分内容阅读
在临床医学上,X射线计算机断层成像技术(X-Ray Computerized Tomography,X-CT)作为一种常规的医学影像检测技术可以清晰的呈现患者的解剖信息,被广泛使用在临床诊断和治疗中。然而患者暴露在X射线产生的电离辐射下可能会诱发癌症、白血病等一系列疾病。因此需要在保证CT图像不影响诊断准确性的前提下,最大可能的降低患者在X-CT扫描中遭受的X射线的剂量。目前常用的减少X射线辐射剂量的方法主要是从扫描角度上或者探测器方向上来减少X射线数量,但是会造成对应的投影数据的部分缺失,进而导致重建出的CT图像质量的严重退化,阻碍了临床医师对病灶位置的诊断及治疗。因此,根据不完全投影数据重建出满足临床诊断需求的高质量CT图像具有重要的医疗研究意义。本文旨在研究基于深度生成网络的不完全投影数据的CT图像重建方法。主要利用两种不同的深度生成网络来预测在扫描角度和探测器方向上缺失的投影数据部分,完成补全不完全投影数据的缺失部分,进一步的重建出高质量的CT图像。本文的主要贡献为:(1)提出了基于变分自编码器生成对抗网络(Variational Autoencoder Generative Adversarial Network,VAEGAN)的不完全投影数据的CT图像重建方法。该方法在训练阶段结合了变分自编码器和生成对抗网络的判别器网络。该深度生成网络使用卷积的编码器-解码器网络学习不完全投影数据的隐变量表示并与正态分布采样拟合,再由解码器网络将隐变量映射为预测的完全投影数据,最后判别器网络用于评估补全的完全投影数据与原始完全投影数据的相似性。获得完全投影数据后,再根据滤波反投影重算法重建出相应地CT图像。实验结果表明基于VAEGAN的不完全投影数据CT图像重建方法在一定程度上消除了CT图像中的伪影,提升了CT重建图像质量。(2)提出了基于双重深度生成网络的不完全投影数据CT图像重建方法。基于VAEGAN的非完全投影数据的CT图像重建方法无法很好地还原出真实投影数据的高频信息、纹理细节,并且补全后的图像偏向于模糊。本文对算法进行完善,构建了由粗略到精细的深度生成网络并由Wasserstein生成对抗网络(Wasserstein Generative Adversarial Network,WGAN)的对抗性损失和重构损失组成的双重深度生成网络。基于双重深度生成网络的不完全投影数据CT图像重建方法预测出的投影数据不但在整体上与真实投影数据保持一致,并且在像素级上的灰度值也与真实投影数据更加接近。实验结果显示,和基于变分自编码器生成对抗网络的不完全投影数据的CT图像重建方法相比,基于双重深度生成网络的不完全投影数据的CT图像重建方法可以获得更好的结果。特别是在不完全投影数据缺失范围较大的情况下,CT重建图像质量依然得到明显的改善。