基于深度学习的低剂量显微CT高质量成像方法研究

In this project, we are going to extend the micro-CT cone-beam reconstruction framework to a deep-learning-based reconstruction network. In the fields of projective images, physical imaging models, reconstruction algorithms, and post-processing of reconstructed images, we fully introduce a deep learning network for optimization. By learning and training the system matrix, regularization terms, and balance parameters, the mismatching between the calculation model and the physical model can be solved efficiently, and the degradation of reconstruction image quality caused by low-dose, sparse data, and beam hardening can be reduced, and the reconstruction efficiency can be improved. This project hopes to achieve the following goals through research: 1) All regularization items and balance parameters can be adaptively learned during the training phase; 2) The computational cost is drastically reduced, and the reconstruction process is significantly accelerated; 3) Micro CT imaging artifacts are reduced, the spatial resolution and density resolution are improved, and the reconstruction quality is greatly improved compared to the most advanced reconstruction algorithms. The research results can promote the development of fundamental medical research based on micro-CT, and the developed algorithms can also provide supports and reference for the imaging research of clinical cone beam CT.

在本项目中我们将显微CT锥束重建框架推广到一个基于深度学习的重建网络，在投影数据、物理成像模型、重建算法和图像域的后处理等各方面，全面引入深度学习网络进行优化。通过对系统矩阵、正则化项及平衡参数的学习和训练，高效解决计算模型和物理模型的匹配问题，改善低剂量、稀疏数据以及射束硬化引起重建图像质量退化，并提高重建效率。本项目希望通过研究，达到以下目标： 1)所有正则化条件和平衡参数可以在训练阶段自适应学习；2)计算成本大幅下降，重建过程明显加快；3)显微CT成像伪影减少，空间分辨率和密度分辨率提高，相比最先进的重建方法，重建质量有很大提高。所研究的成果可促进基于显微CT的基础医学研究工作开展，相关算法也可为临床锥束CT的成像研究提供参考和借鉴。

显微CT是生物医学研究和临床基础研究的重要工具，具有时空分辨率高，探测深度深，且能三维断层成像的特点。显微CT可以对小动物和生物样本进行三维显示和量化分析，从而提取其生理和病理的信息，在疾病机理研究、药物研发中扮演了重要的角色。但是现有的显微CT进行低剂量活体小动物成像时图像质量难以达到要求，存在信噪比低，空间分辨率和密度分辨率不足，运动和硬化伪影重等问题。本项目的研究目标是运用深度学习技术，开发面向低剂量显微CT的高质量成像方法。将显微CT的低剂量重建框架推广到基于深度学习的重建方法之上，改善低剂量扫描成像过程中图像质量退化的问题。.针对显微CT低剂量成像的各个环节，项目组分别提出了基于深度学习的显微CT校正、去伪影、去噪、重建等算法：提出高分辨显微CT与小动物显微CT的校正方法，研制新型CsI闪烁体X射线耦合镜头，实现了透镜耦合式高分辨显微CT系统的稳定高质量成像，在4X、10X、20X等多种倍率镜头条件下能够快速完成校正与重建，系统的最高分辨率可达1微米；开发基于深度学习的低剂量显微CT环状伪影、运动伪影等图像退化的改善方法，在有效减弱伪影的同时完整地保留了图像信息；开发基于条件生成对抗网络、非对称感知卷积网络以及基于无监督深度学习的低剂量噪声抑制算法；开发基于神经网络的低剂量显微CT重建方法和基于亚像素位移信息的超分辨重建算法；提出基于双向扩展FDK的静态CT重建方法。此外，项目组搭建了一套基于光子计数器的能谱显微CT成像系统，实现了对小动物的多种基物质分解和K边缘物质分离成像；搭建了一套基于液态阳极靶X射线源的高分辨显微CT成像系统，实现对低质量数元素材料样本的高对比度成像。.本研究的成果推动了低剂量显微CT成像领域的技术发展，在活体小动物CT成像、微米级生物材料样本CT成像、以及临床CT成像的应用等方面具有重要的现实意义。