本發明主要涉及射線成像，尤其是涉及一種對稀疏角度的錐形束投影數據進行三維重建的方法及系統。

背景技術：

1、錐形束計算機斷層掃描(cbct)誕生于20世紀90年代，在醫學影像和工業檢測技術領域都有廣泛的應用。在醫學影像檢測中，cbct相比于傳統的平行束、扇形束ct的主要優勢在于放射劑量小、分辨率高和偽影少。一經問世就迅速成為醫療影像領域的重要工具，特別是在口腔醫學和放射治療醫學方面得到了廣泛的應用。錐形束三維重建任務指的是使用多個角度的錐形束投影數據，重建出病人對應部位的三維數據，該數據反映了病人的組織結構形態和組織密度。稀疏角度的錐形束三維重建指的是使用少量的錐形束投影數據所進行的重建。傳統的三維重建算法主要分為濾波反投影算法(fdk)、代數迭代算法、全變分算法和krylov子空間算法等幾大類方法。

2、濾波反投影算法主要應用了傅里葉切片定理進行重建；實施簡單，在投影角度很多的時候效果好，但是在稀疏角度條件下重建效果不夠清晰，圖像質量還容易受到噪聲影響。代數迭代算法通過多次迭代逐步逼近結果，能夠處理不完全數據和噪聲，具有更好的抗噪性和偽影抑制能力，是目前三維重建的金標準算法，典型的重建算法有art、sart、os_sart等；但迭代算法的缺點在于計算量大、耗時較長、需要較多的計算資源，實際應用有所限制。全變分算法在濾波反投影算法的基礎上引入了全變分約束條件，通過最小化圖像的總變分來優化重建圖像，典型的算法有asd_pocs等，缺點在于對初始條件敏感，需要多次迭代才能達到理想效果。krylov子空間算法是一種線性方程組求解方法，通過迭代地構造殘差向量來逼近真實解，適用于大規模線性系統的求解，典型的算法有lsqr、cgls等，缺點在于對初始條件和迭代步數敏感，計算復雜度較高，重建時間較長。

3、目前，深度學習模型因為具有較高準確性、運算速度快以及能處理復雜數據等優勢在自然語言、圖像識別、語音合成等領域獲得了相當成功，因此在錐形束三維重建領域也涌現了一部分的深度學習模型。目前使用深度學習進行錐形束三維重建的算法大致可以分為兩大類：基于深度學習的增強算法和基于深度學習的直接重建算法?；谏疃葘W習的增強算法首先使用傳統重建算法進行三維重建，然后把重建結果切片為圖片使用深度學習模型進行逐張的增強，使用的模型有循環生成對抗網絡(cycle-gan)、擴散模型(diffusionmodel)等生成類模型，或者超分辨模型。基于深度學習的直接重建算法不使用傳統算法重建，而是直接得到最終的重建結果，使用的模型有多層感知機、神經輻射場模型(nerf)、guassian?splatting模型等。但是基于深度學習的直接重建算法大多對算力的要求較高，實際應用里對設備算力有較高的要求；同時還存在因為模型的復雜度大多難以處理大尺寸投影數據，會帶來數據量爆炸，模型維度災難等問題。

技術實現思路

1、本發明所要解決的技術問題

2、提供一種對稀疏角度的錐形束投影數據進行三維重建的方法及系統，解決現有技術在對稀疏角度的錐形束三維重建對設備算力要求高，運算過程復雜的問題。

3、本發明解決上述技術問題所采用的技術方案

4、一方面，本發明提供一種對稀疏角度的錐形束投影數據進行三維重建的方法，包括：

5、步驟s1：采集目標檢測物的錐形束投影數據，對采集的稀疏角度的錐形束投影數據進行預處理；

6、步驟s2：提取預處理后的錐形束投影數據的圖像編碼特征向量；

7、步驟s3：基于濾波反投影算法對經過預處理后的錐形束投影數據進行三維重建，獲得初步重建三維矩陣，并基于初步重建三維矩陣獲取稀疏卷積特征向量；

8、步驟s4：將圖像編碼特征向量和稀疏卷積特征向量進行拼接后輸入解碼網絡得到解碼特征向量；

9、步驟s5：將解碼特征向量輸入輸出網絡，輸出網絡輸出目標檢測物的形狀三維矩陣和輻射吸收值三維矩陣；

10、步驟s6：基于設定的閾值對所述形狀三維矩陣和輻射吸收值三維矩陣進行過濾，獲得目標檢測物錐形束投影數據的三維重建結果。

11、進一步的，步驟s1中所述預處理包括：尺寸放縮、數據歸一化、除去離群點、添加噪聲、填充和坐標變換。

12、進一步的，步驟s2包括：

13、選擇圖像編碼網絡，設定圖像編碼網絡輸出圖像編碼特征向量的長度值；

14、根據錐形束投影數據的采集角度將經過預處理后的錐形束投影數據進行堆疊；

15、將堆疊后的錐形投影數據輸入圖像編碼網絡中，圖像編碼網絡按照設定的圖像編碼特征向量長度值輸出圖像特征編碼向量。

16、進一步的，所述圖像編碼網絡為unet、segnet或autoencoder深度學習網絡中的任意一種。

17、進一步的，步驟s3中獲得初步重建三維矩陣的方法包括：

18、對經過預處理后的錐形束投影數據進行濾波處理；

19、對濾波后的錐形束投影數據進行反投影計算，將每個錐形束投影數據按照錐形束投影數據采集角度反投影到平面上；

20、對反投影得到的所有平面進行疊加獲得初步重建三維矩陣。

21、進一步的，步驟s3中將初步重建三維矩陣輸入骨干網絡模塊獲取稀疏卷積特征向量；所述骨干網絡模塊包括多個由3d稀疏卷積層、注意力層和池化層的組合成的結構層級。

22、進一步的，步驟s4中所述解碼網絡包括3d稀疏卷積層、3d稀釋反卷積層、池化層和線性層。

23、進一步的，步驟s5所述輸出網絡包括卷積層和線性層，線性層設置有兩個輸出頭，分別用于輸出目標檢測物的形狀三維矩陣和輻射吸收值三維矩陣。

24、進一步的，步驟s6包括：先使用預先設定的閾值對形狀三維矩陣進行過濾得到目標檢測物形狀，然后使用過濾得到的目標檢測物形狀對輻射吸收值三維矩陣進行過濾，得到對目標檢測物的錐形束投影數據三維重建結果。

25、另一方面，本發明還提供一種對稀疏角度的錐形束投影數據進行三維重建的系統，所述對稀疏角度的錐形束投影數據進行三維重建的系統包括：

26、預處理模塊，用于對采集的稀疏角度的錐形束投影數據進行預處理；

27、圖像編碼模塊，用于提取經過預處理后的錐形束投影數據的圖像編碼特征向量；

28、濾波反投影算法模塊，基于濾波反投影算法對經過預處理后的錐形束投影數據進行三維重建，獲得初步重建三維矩陣；

29、骨干網絡模塊，基于獲得的初步重建三維矩陣獲取稀釋卷積特征向量；

30、解碼模塊，其中包括解碼網絡，用于將圖像編碼特征向量和稀釋卷積特征向量進行拼接，輸入解碼網絡得到解碼特征向量；

31、輸出模塊，其中包括輸出網絡，所述輸出網絡設置有兩個輸出頭，用于根據解碼模塊輸出的解碼特征向量輸出目標檢測物的形狀三維矩陣和輻射吸收值三維矩陣；

32、過濾模塊，用于根據預先設定的閾值對形狀三維矩陣進行過濾得到目標檢測物形狀，然后使用過濾得到的目標檢測物形狀對輻射吸收值三維矩陣進行過濾，得到目標檢測物的錐形束投影數據的三維重建結果。

33、本發明的有益效果

34、本發明所述的對稀疏角度的錐形束投影數據進行三維重建的方法及系統采用深度學習里的圖像編碼網絡和稀釋卷積網絡來對稀疏角度的錐形束投影數據進行三維重建，能充分融合投影數據的二維特征和物體對應的三維特征，不使用額外的輔助信息，可以處理大尺寸的投影數據，對設備的算力等性能沒有較高的要求，可以有效提升稀疏角度的錐形束投影數據進行三維重建過程的數據處理效率。