本发明涉及稀疏角度ct重建、全变分图像去噪算法(tvm)、卷积神经网络(cnn)、稀疏角度ct表征技术邻域，具体地，涉及一种适用于稀疏角度ct重建断层图像的降噪方法及系统。
背景技术：
1、x射线计算机断层扫描(ct)是一种非破坏性的成像技术，被广泛应用于待检测样品内部结构信息的三维定量评价。在针对动态过程的原位表征实验中。由于，动态演化时间与ct采样曝光时间之间存在矛盾，因此需要进行稀疏采样。
2、然而稀疏采样违反nyqui st-shannon采样定理，使用经典的滤波反投影(fbp)算法的重建结果的质量不理想。稀疏重建断层图像中存在明显的条形伪影，严重影响了对于样品内部结构的定量化表征。现有基于压缩感知理论的总变分最小化方法(tvm)，通过施加正则化约束，使得重建图像能够从稀疏信号中恢复。然而tvm通过对图像梯度的均匀惩罚，重建断层图像容易变得过度平滑，边缘结构处存在一定程度的劣化。
3、借助卷积神经网络的特征提取和拟合能力，能够从嘈杂的稀疏重建断层图像中提取有效信息，使得稀疏重建断层图像去噪成为可能。然而神经网络训练难度较大，且训练结果不稳定。此外，使用均方差损失作为损失函数，同样难以得到边界锐利的图像结果，图像高频信息难以恢复。单一手段难以得到理想的结果。
4、因此，可以首先通过网络提取稀疏重建断层噪声，将断层与噪声相减得到网络去噪图像作为先验图像。根据先验图像边缘结构信息，引导全变分最小化的方向，则能够在正确去除噪声的同时，得到锐利的边缘结构。
技术实现思路
1、针对现有技术中的缺陷，本发明的目的是提供一种适用于稀疏角度ct重建断层图像的降噪方法及系统。
2、第一方面，根据本发明提供的一种适用于稀疏角度ct重建断层图像的降噪方法，包括：
3、步骤s1：通过ct重建算法，进行稀疏角度重建，得到稀疏重建断层图像；
4、步骤s2：通过深度学习方法进行特征提取，从所述稀疏重建断层图像中提取断层噪声图像；
5、步骤s3：将所述稀疏重建断层图像与所述断层噪声图像相减，得到高质量断层图像；
6、步骤s4：以所述高质量断层图像作为先验图像，计算先验图像梯度信息和边缘结构信息；
7、步骤s5：通过边缘引导全变分方法，对所述高质量断层图像，进一步去噪，得到最终去噪断层图像。
8、优选地，所述步骤s2借助交替迭代生成网络和鉴别网络的对抗式训练策略，学习从稀疏重建断层图像到稀疏噪声图像的映射关系，进而从稀疏重建图像中去除噪声：
9、步骤s2.1：输入端为稀疏重建断层图像，输出端为断层噪声图像；
10、步骤s2.2：鉴别网络的损失ld定义为：经生成网络得到的噪声图像是否真实的二分类交叉熵损失，数学上表示为：
11、ld＝h[1,d(inoise)]+h[0,d(g(isparse))]
12、其中，h表示交叉熵，d表示鉴别网络，inoise表示真实噪声图像标签，isparse表示稀疏重建断层图像，g表示生成网络；
13、步骤s2.3：网络mse损失lmse定义为：从输入端经过生成网络得到的噪声图像与真实噪声标签的均方误差，数学上表示为：
14、
15、其中，g表示生成网络；
16、步骤s2.4：生成网络lg定义为联合损失：mse损失和鉴别网络损失的加权和，数学上表示为：
17、lg＝lmse+λld
18、其中，λ表示平衡mse损失和鉴别网络损失权重的超参数；
19、步骤s2.5：通过梯度下降法，交替迭代训练生成网络和鉴别网络，直至lg稳定。
20、优选地，所述步骤s3包括，所述稀疏重建断层图像与所述断层噪声图像相减，得到神经网络去噪的高质量断层图像inet，数学上表示为：
21、inet＝isparse-g(isparse)。
22、优选地，所述步骤s4包括，
23、步骤s4.1：通过sobel算子提取先验图像边缘结构；
24、步骤s4.2：扩展所述先验图像边缘结构宽度，应用3×3高斯卷积模板，对边缘进行平滑，将灰度大于0的像素值赋为1，得到边缘信息i*；
25、步骤s4.3：计算先验图像梯度信息，逐点计算先验图像梯度大小，代入权重函数得到权重信息ω，数学上表示为：
26、
27、其中，表示为梯度算子，σ表示为边缘平滑参数，inet(x,y)表示为高质量断层图像inet的方向向量；
28、参数σ用来控制边缘平滑程度，针对类型不同图像做不同程度的调整。
29、优选地，所述步骤s5包括，
30、s5.1：使用全变分tv最小化方法，数学上表示为：
31、
32、其中，tv表示为全变分项；
33、步骤s5.2：通过边缘信息i*，计算得到边缘方向向量e，用来引导边缘细节处全变分修正的方向，数学上表示为：
34、
35、
36、其中，f表示为平行与边缘结构方向上的噪声幅值，egtv表示为边缘引导全变分项，通过修正后，将边缘处全变分最小化问题转化为最小化平行于边缘结构噪声幅值问题，保证边缘梯度不受影响的同时去除噪声；
37、步骤s5.3：根据权重ω，将全变分与边缘引导全变分相结合，最终修正项ftv表示为：
38、ftv(inet)＝tv(ω·inet)+egtv((1-ω)·inet)；
39、步骤s5.4：通过梯度下降法，迭代计算得到最终去噪图像，流程包括：
40、1)初始化步长参数α＝0.01，迭代次数niter＝40；
41、2)进入循环，当n<niter：
42、计算变分修正项：ftv(inet)＝tv(ω·inet)+egtv((1-ω)·inet)
43、计算偏导数：
44、使用梯度下降法：β＝‖inet‖1/‖d‖1，in+1＝in-α·β·d
45、3)得到最终去噪图像i。
46、第二方面，本发明还提供了一种适用于稀疏角度ct重建断层图像的降噪系统，包括：
47、模块m1：通过ct重建算法，进行稀疏角度重建，得到稀疏重建断层图像；
48、模块m2：通过深度学习方法进行特征提取，从所述稀疏重建断层图像中提取断层噪声图像；
49、模块m3：将所述稀疏重建断层图像与所述断层噪声图像相减，得到高质量断层图像；
50、模块m4：以所述高质量断层图像作为先验图像，计算先验图像梯度信息和边缘结构信息；
51、模块m5：通过边缘引导全变分方法，对所述高质量断层图像，进一步去噪，得到最终去噪断层图像。
52、优选地，所述模块m2借助交替迭代生成网络和鉴别网络的对抗式训练策略，学习从稀疏重建断层图像到稀疏噪声图像的映射关系，进而从稀疏重建图像中去除噪声：
53、模块m2.1：输入端为稀疏重建断层图像，输出端为断层噪声图像；
54、模块m2.2：鉴别网络的损失ld定义为：经生成网络得到的噪声图像是否真实的二分类交叉熵损失，数学上表示为：
55、ld＝h[1,d(inoise)]+h[0,d(g(isparse))]
56、其中，h表示交叉熵，d表示鉴别网络，inoise表示真实噪声图像标签，isparse表示稀疏重建断层图像，g表示生成网络；
57、模块m2.3：网络mse损失lmse定义为：从输入端经过生成网络得到的噪声图像与真实噪声标签的均方误差，数学上表示为：
58、
59、其中，g表示生成网络；
60、模块m2.4：生成网络lg定义为联合损失：mse损失和鉴别网络损失的加权和，数学上表示为：
61、lg＝lmse+λld
62、其中，λ表示平衡mse损失和鉴别网络损失权重的超参数；
63、模块m2.5：通过梯度下降法，交替迭代训练生成网络和鉴别网络，直至lg稳定。
64、优选地，所述模块m3包括，所述稀疏重建断层图像与所述断层噪声图像相减，得到神经网络去噪的高质量断层图像inet，数学上表示为：
65、inet＝isparse-g(isparse)。
66、优选地，所述模块m4包括，
67、步骤m4.1：通过sobel算子提取先验图像边缘结构；
68、模块m4.2：扩展所述先验图像边缘结构宽度，应用3×3高斯卷积模板，对边缘进行平滑，将灰度大于0的像素值赋为1，得到边缘信息i*；
69、模块m4.3：计算先验图像梯度信息，逐点计算先验图像梯度大小，代入权重函数得到权重信息ω，数学上表示为：
70、
71、其中，表示为梯度算子，σ表示为边缘平滑参数，inet(x,y)表示为高质量断层图像inet的方向向量；
72、参数σ用来控制边缘平滑程度，针对类型不同图像做不同程度的调整。
73、优选地，所述模块m5包括，
74、m5.1：使用全变分tv最小化方法，数学上表示为：
75、
76、其中，tv表示为全变分项；
77、模块m5.2：通过边缘信息i*，计算得到边缘方向向量e，用来引导边缘细节处全变分修正的方向，数学上表示为：
78、
79、
80、其中，f表示为平行与边缘结构方向上的噪声幅值，egtv表示为边缘引导全变分项，通过修正后，将边缘处全变分最小化问题转化为最小化平行于边缘结构噪声幅值问题，保证边缘梯度不受影响的同时去除噪声；
81、模块m5.3：根据权重ω，将全变分与边缘引导全变分相结合，最终修正项ftv表示为：
82、ftv(inet)＝tv(ω·inet)+egtv((1-ω)·inet)；
83、模块m5.4：通过梯度下降法，迭代计算得到最终去噪图像，流程包括：
84、1)初始化步长参数α＝0.01，迭代次数niter＝40；
85、2)进入循环，当n<niter：
86、计算变分修正项：ftv(inet)＝tv(ω·inet)+egtv((1-ω)·inet)
87、计算偏导数：
88、使用梯度下降法：β＝‖inet‖1/‖d‖1，in+1＝in-α·β·d
89、3)得到最终去噪图像i。
90、与现有技术相比，本发明具有如下的有益效果：
91、1、本发明通过边缘引导全变分方法，结合深度学习方法得到的良好先验图像，提高稀疏重建断层图质量，并恢复良好的边界细节；
92、2、本发明通过克服传统变分方法难以从稀疏角度重建高质量断层图像问题，以及深度学习训练难度与难以恢复图像高频信息的缺陷，在细节恢复和伪影控制取得良好的效果；
93、3、本发明在稀疏角度ct重建降噪方面效果良好，在边缘细节处，ftv方法能有效保证清晰的结构边缘。
1.一种适用于稀疏角度ct重建断层图像的降噪方法，其特征在于，包括：
2.根据权利要求1所述的适用于稀疏角度ct重建断层图像的降噪方法，其特征在于，所述步骤s2借助交替迭代生成网络和鉴别网络的对抗式训练策略，学习从稀疏重建断层图像到稀疏噪声图像的映射关系，进而从稀疏重建图像中去除噪声：
3.根据权利要求1所述的适用于稀疏角度ct重建断层图像的降噪方法，其特征在于，所述步骤s3包括，所述稀疏重建断层图像与所述断层噪声图像相减，得到神经网络去噪的高质量断层图像inet，数学上表示为：
4.根据权利要求1所述的适用于稀疏角度ct重建断层图像的降噪方法，其特征在于，所述步骤s4包括，
5.根据权利要求1所述的适用于稀疏角度ct重建断层图像的降噪方法，其特征在于，所述步骤s5包括，
6.一种适用于稀疏角度ct重建断层图像的降噪系统，其特征在于，包括：
7.根据权利要求1所述的适用于稀疏角度ct重建断层图像的降噪系统，其特征在于，所述模块m2借助交替迭代生成网络和鉴别网络的对抗式训练策略，学习从稀疏重建断层图像到稀疏噪声图像的映射关系，进而从稀疏重建图像中去除噪声：
8.根据权利要求1所述的适用于稀疏角度ct重建断层图像的降噪系统，其特征在于，所述模块m3包括，所述稀疏重建断层图像与所述断层噪声图像相减，得到神经网络去噪的高质量断层图像inet，数学上表示为：
9.根据权利要求1所述的适用于稀疏角度ct重建断层图像的降噪系统，其特征在于，所述模块m4包括，
10.根据权利要求1所述的适用于稀疏角度ct重建断层图像的降噪系统，其特征在于，所述模块m5包括，
