本发明涉及计算机断层(computed tomography，ct)成像，特别是关于一种带有混合损失的双域生成对抗网络及其低剂量ct成像方法。
背景技术：
1、作为一种减少x线辐射风险的流行成像方式，低剂量ct在医院和临床上引起了广泛的关注。然而，由低剂量ct重建的图像会出现不被期望的噪点和伪影，它严重地影响了不同疾病的诊断性能。因此，各种基于模型和深度学习的方法被提出，其中，基于深度学习的方法因其参数自动化学习的优势，成为当前解决低剂量ct成像问题的主流。然而，现有的大多数基于深度学习的方法主要采取均方误差损失函数(mean squared error，mse)，该损失函数通常会导致重建的结果图像过于光滑和丢失细节。
技术实现思路
1、本发明的目的在于提供一种带有混合损失的双域生成对抗网络及其低剂量ct成像方法来克服或至少减轻现有技术的上述缺陷中的至少一个。
2、为实现上述目的，本发明提供一种带有混合损失的双域生成对抗网络，其包括：
3、生成器网络g，其用于对输入的低剂量ct投影数据进行重建，获得并生成高质量的结果图像；
4、判别器网络d，其用于对标签图像和生成器网络g的结果图像进行鉴别；
5、vgg网络，其用于提取标签图像和生成器网络g的结果图像的特征；
6、混合损失函数，其用于根据判别器网络d的鉴别结果、vgg网络的提取结果、标签图像和生成器网络g的结果图像，对生成器网络g和判别器网络d的参数进行优化；
7、其中，“标签图像”为正常剂量ct重建的图像。
8、进一步地，生成器网络g包括：
9、投影域去噪模块，其用于对低剂量ct投影数据进行去噪，执行多个一维卷积操作和泄漏修正线性激活函数，获得预设通道和尺寸的投影域特征图；
10、滤波反投影重建层，其用于对投影域去噪模块的投影域特征图进行图像重建，执行滤波反投影算法，获得预设通道和尺寸的重建特征图；
11、图像域增强模块，其用于对滤波反投影重建层的重建特征图进行图像增强，执行多个二维卷积操作、带索引的最大池化操作和带索引的上采样操作，获得预设通道和尺寸的结果图像。
12、进一步地，投影域去噪模块包括：
13、第一投影域卷积单元，其用于对低剂量ct投影数据依次进行卷积核尺寸为1×1的卷积操作和泄漏修正线性激活函数，获得32个通道、尺寸为p×q的特征图；
14、第二投影域卷积单元，其用于对第一投影域卷积单元的32个通道特征图依次进行卷积核尺寸为1×3的卷积操作和泄漏修正线性激活函数，获得64个通道、尺寸为p×q的特征图；
15、第三投影域卷积单元，其用于对第二投影域卷积单元的64个通道特征图依次进行卷积核尺寸为1×1的卷积操作和泄漏修正线性激活函数，获得128个通道、尺寸为p×q的特征图；
16、第四投影域卷积单元，其用于对第三投影域卷积单元的128个通道特征图依次进行卷积核尺寸为1×3的卷积操作和泄漏修正线性激活函数，获得128个通道、尺寸为p×q的特征图；
17、第五投影域卷积单元，其用于对第四投影域卷积单元的128个通道特征图依次进行卷积核尺寸为1×1的卷积操作和泄漏修正线性激活函数，获得64个通道、尺寸为p×q的特征图；
18、第六投影域卷积单元，其用于对第五投影域卷积单元的64个通道特征图依次进行卷积核尺寸为1×3的卷积操作和泄漏修正线性激活函数，获得32个通道、尺寸为p×q的特征图；
19、第七投影域卷积单元，其用于对第六投影域卷积单元的32个通道特征图依次进行卷积核尺寸为1×1的卷积操作和泄漏修正线性激活函数，获得1个通道、尺寸为p×q的投影域特征图。
20、进一步地，图像域增强模块包括：
21、第一图像域卷积单元，其用于对滤波反投影重建层的重建特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得32个通道、尺寸为m×n的特征图；
22、第二图像域卷积单元，其用于对第一图像域卷积单元的32个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得32个通道、尺寸为m×n的特征图；
23、第一图像域带索引的最大池化单元，其用于对第二图像域卷积单元的32个通道特征图进行带索引的最大池化操作，获得32个通道、尺寸为的特征图；
24、第三图像域卷积单元，其用于对第一图像域带索引的最大池化单元输出的32个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得64个通道、尺寸为的特征图；
25、第四图像域卷积单元，其用于对第三图像域卷积单元的64个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得64个通道、尺寸为的特征图；
26、第二图像域带索引的最大池化单元，其用于对第四图像域卷积单元的64个通道特征图进行带索引的最大池化操作，获得64个通道、尺寸为的特征图；
27、第五图像域卷积单元，其用于对第二图像域带索引的最大池化单元的64个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得128个通道、尺寸为的特征图；
28、第六图像域卷积单元，其用于对第五图像域卷积单元的128个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得128个通道、尺寸为的特征图；
29、第七图像域卷积单元，其用于对第六图像域卷积单元的128个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得128个通道、尺寸为的特征图；
30、第三图像域带索引的最大池化单元，其用于对第七图像域卷积单元的128个通道特征图进行带索引的最大池化操作，获得128个通道、尺寸为的特征图；
31、第一图像域带索引的上采样单元，其用于对第三图像域带索引的最大池化单元的128个通道特征图进行带索引的上采样操作，获得128个通道、尺寸为的特征图；
32、第八图像域卷积单元，其用于对第一图像域带索引的上采样单元的128个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得128个通道、尺寸为的特征图；
33、第九图像域卷积单元，其用于对第八图像域卷积单元的128个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得128个通道、尺寸为的特征图；
34、第十图像域卷积单元，其用于对第九图像域卷积单元的128个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得64个通道、尺寸为的特征图；
35、第二图像域带索引的上采样单元，其用于对第十图像域卷积单元的64个通道特征图进行带索引的上采样操作，获得64个通道、尺寸为的特征图；
36、第十一图像域卷积单元，其用于对第二图像域带索引的上采样单元的64个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得64个通道、尺寸为的特征图；
37、第十二图像域卷积单元，其用于对第十一图像域卷积单元的64个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得32个通道、尺寸为的特征图；
38、第三图像域带索引的上采样单元，其用于对第十二图像域卷积单元的32个通道特征图进行带索引的上采样操作，获得32个通道、尺寸为m×n的特征图；
39、第十三图像域卷积单元，其用于对第三图像域带索引的上采样单元的32个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得32个通道、尺寸为m×n的特征图；
40、第十四图像域卷积单元，其用于对第十三图像域卷积单元的32个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和修正线性激活函数，获得1个通道、尺寸为m×n的结果图像。
41、进一步地，判别器网络d包括：
42、第一判别器卷积模块，其用于对标签图像和生成器网络g的结果图像依次进行卷积核尺寸为3×3的卷积操作、批归一化和指数线性激活函数，获得32个通道、尺寸为m×n的特征图；
43、第二判别器卷积模块，其用于对第一判别器卷积模块的32个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和指数线性激活函数，获得32个通道、尺寸为m×n的特征图；
44、第一判别器最大池化模块，其用于对第二判别器卷积模块的32个通道特征图进行最大池化操作，获得32个通道、尺寸为的特征图；
45、第三判别器卷积模块，其用于对第一判别器最大池化模块的32个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和指数线性激活函数，获得64个通道、尺寸为的特征图；
46、第四判别器卷积模块，其用于对第三判别器卷积模块的64个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和指数线性激活函数，获得64个通道、尺寸为的特征图；
47、第二判别器最大池化模块，其用于对第四判别器卷积模块的64个通道特征图进行最大池化操作，获得64个通道、尺寸为的特征图；
48、第五判别器卷积模块，其用于对第二判别器最大池化模块的64个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和指数线性激活函数，获得32个通道、尺寸为的特征图；
49、第六判别器卷积模块，其用于对第五判别器卷积模块的32个通道特征图依次进行卷积核尺寸为3×3的卷积操作、批归一化和指数线性激活函数，获得32个通道、尺寸为的特征图；
50、第三判别器最大池化模块，其用于对第六判别器卷积模块的32个通道特征图进行最大池化操作，获得32个通道、尺寸为的特征图；
51、第一判别器全连接模块，其用于对第三判别器最大池化模块的32个通道特征图依次进行全连接操作和sigmoid激活函数，获得1个数值。
52、进一步地，混合损失函数为描述为式(1)中的l：
53、l＝lwgan(d,g)+λ1lmse(g)+λ2lvgg(g) (1)
54、其中，λ1和λ2是权重系数，用来平衡三种损失函数之间的关系，lwgan为wasserstein生成对抗网络损失函数，lwgan被描述为式(2)，lmse为均方误差损失函数，lmse被描述为式(3)，lvgg为基于vgg网络的感知损失函数，lvgg被描述为式(4)：
55、
56、其中，(2)式的前两项是真实样本和生成样本之间的wasserstein距离估计，最后一项是梯度惩罚因子，g是生成器网络，d是判别器网络,ef是对d(f)的期望，是对d(g(pn))的期望，是对的期望，是对求梯度，是对求2-范数，pn是低剂量ct投影数据，f是标签图像，是沿着连接真实样本和生成样本的直线均匀采样的随机样本，λ是权重系数；r是标签图像f的总像素个数；vgg表示vgg网络，f是弗罗贝尼乌斯范数，s是特征图vgg(f)的总像素个数。
57、本发明还提供一种利用如上所述的带有混合损失的双域生成对抗网络进行低剂量ct成像的方法。
58、本发明由于采取以上技术方案，其具有以下优点：
59、1.本发明通过带有混合损失的双域生成对抗网络建立低剂量ct投影数据到高质量结果图像的非线性映射，充分利用了投影域与图像域两个域之间的协同作用，相比于直接应用低剂量ct投影数据重建，本发明的方法能有效减轻图像的伪影并抑制噪声；
60、2.本发明通过带有混合损失的双域生成对抗网络，采用wasserstein生成对抗网络损失函数、均方误差损失函数和基于vgg网络的感知损失函数，相比于通常采用的均方误差损失函数，本发明的方法能有效保持图像的纹理与结构特征。
1.一种带有混合损失的双域生成对抗网络，其特征在于，包括：
2.如权利要求1所述的带有混合损失的双域生成对抗网络，其特征在于，生成器网络g包括：
3.如权利要求2所述的带有混合损失的双域生成对抗网络，其特征在于，投影域去噪模块包括：
4.如权利要求2所述的带有混合损失的双域生成对抗网络，其特征在于，图像域增强模块包括：
5.如权利要求1-4中任一项所述的带有混合损失的双域生成对抗网络，其特征在于，判别器网络d包括：
6.如权利要求5所述的带有混合损失的双域生成对抗网络，其特征在于，混合损失函数为描述为式(1)中的l：
7.一种利用如权利要求1至6中任一项所述的带有混合损失的双域生成对抗网络进行低剂量ct成像的方法。
