本发明涉及基于射束阻挡板和深度学习的cbct图像校正方法，属于x射线cbct成像领域。
背景技术：
1、锥束计算机断层成像(cone beam computed tomography，cbct)系统具有易于集成、单圈三维容积成像、高性价比等优势，在图像引导放疗以及口腔成像、肢端成像、术中诊断等多个专科领域应用广泛。然而，x射线散射导致的伪影使得图像中解剖结构的细节分辨能力下降，未经过散射校正的重建图像的ct值与期望结果偏差严重，严重影响临床诊断和定量测量。因此，对cbct散射伪影校正一直是业内亟待解决且具有挑战性的问题。
2、目前，国内外有不少学者对cbct中的散射伪影及校正进行研究并提出了各种方法。硬件校正法主要包括准直器校正、滤线板校正、反散射栅校正、空气隙校正等。尽管经典的x线准直器、滤线板等硬件校正法会增加原射线比例，却不能完全去除散射，尤其是不适用于大视野部位(例如胸部)cbct成像，与临床实际有较大差距。软件校正法主要包括蒙特卡罗模拟法、散射建模法等。蒙卡模拟法是通过模拟大量光子的运动轨迹得到散射信息，该方法在理论上可以求出散射的真值，但需要真实模拟实际的物理过程，导致计算量大，模拟的速度缓慢。软硬件混合校正法主要包括初级射线调制校法、散射校正板法等。然而，使用调制器可能会引入额外的射束硬化伪影。而常规的散射校正板法要求被照射对象接受两次照射，扫描时间过长，增加了患者额外的辐射暴露。
3、研究者利用ct扫描数据冗余的特点，基于不同的射束阻挡板(如全束阻挡板、指交叉阻挡板、旋转阻挡板)并通过单次扫描实现散射校正的方法被提出。然而，这类方法通常只能获得部分区域的散射数据，需要结合散射估计模型得到整个投影的散射数据，同时存在阻挡板的光栅投影区域物体投影缺失的问题。基于局部滤波技术的散射校正方法通过使用更灵活的数据处理框架来提高成像性能，不需要投影数据下采样或统一调制频率和幅度，还能模拟光束硬化对调制的影响，以提高散射估计精度，在基于射束阻挡板的散射校正中具有广阔的应用前景。然而，散射估计模型的参数通常由经验确定，需要不断测试来进行优化，耗时耗力，并且这些参数对于同一次采集下的所有投影通常设置为常数值，而不同角度下的光子传输路径和散射概率不同，因此无法保证散射估计精度。
4、鉴于现有cbct散射校正技术存在缺陷的现状，本发明拟基于全新解决思路实现更高的cbct的散射精度校正，以获得更好的cbct图像质量。
技术实现思路
1、本发明要解决的技术问题是，克服现有技术中的不足，提供一种基于深度学习的cbct散射自适应校正方法。
2、为解决技术问题，本发明的解决方案是：
3、提供一种基于深度学习的cbct散射自适应校正方法，包括以下步骤：
4、(1)在cbct成像设备的射线源前端放置射束阻挡板，然后对被测物体进行扫描，获得投影数据a；移走被测物体后再进行扫描，获得单独保留射束阻挡板的投影数据b；
5、(2)根据投影位置的不同，投影分为光栅区域和位于光栅之间的空隙区域；按此规则对投影数据a和投影数据b进行分割，得到分别对应于光栅区域的测量散射数据和对应于空隙区域的测量总投影数据；
6、(3)将步骤(2)得到的测量数据输入基于深度学习的局部滤波散射估计模型中，输出自适应优化的参数，并计算得到最终散射估计数据；同时，保留散射估计过程中对测量总投影数据自适应补全得到的全局总投影数据；
7、(4)以全局总投影数据减去最终散射估计数据，得到散射校正投影数据；
8、(5)对散射校正投影数据进行降噪处理，然后使用重建算法得到校正后的cbct重建图像。
9、与现有技术相比，本发明的有益效果是：
10、1、基于深度学习网络应用和设置多个与参数对应的子网络，本发明能够高效准确地获得基于特定角度和物体内部结构的散射估计结果，有效避免了现有散射校正方法在针对散射估计模型选取参数时耗时耗力且无法自适应确定、经验性优化参数的校正效果不稳定的问题，提高了cbct散射校正精度。
11、2、本发明在实现自适应散射估计和校正的同时，还能自适应地补全阻挡板光栅投影区域的物体投影信息，提高cbct的散射校正精度和重建图像质量。
12、3、本发明充分利用深度学习能够从数据集中提取局部和全局特征的技术特性，建立了一种全新的局部滤波散射估计参数确定方法；同时，引入选择器自适应训练每个参数对应的子网络，能够高效准确地获得基于特定角度和物体内部结构下的散射估计结果。因此，该方法避免了现有技术存在的参数选取的迭代优化漫长过程，以及难以自适应确定参数和校正效果不稳定的问题。
1.一种基于深度学习的cbct散射自适应校正方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述步骤(1)中，射束阻挡板是全束阻挡板、指交叉阻挡板或旋转阻挡板。
3.根据权利要求1所述的方法，其特征在于，所述步骤(2)中，对投影数据进行分割的方法是下述的任意一种：阈值分割法、边缘分割法或基于深度学习分割方法。
4.根据权利要求1所述的方法，其特征在于，如果步骤(1)中所使用的射束阻挡板是全束阻挡板或指交叉阻挡板，则单次扫描获得的投影均为阻挡投影；
5.根据权利要求1所述的方法，其特征在于，如果步骤(1)中所使用的射束阻挡板是旋转阻挡板，则单次扫描获得的投影是由阻挡投影和开放投影共同组成的；
6.根据权利要求1所述的方法，其特征在于，步骤(3)中所述基于深度学习的局部滤波散射估计模型，具体是指使用深度强化学习网络获得局部滤波散射估计模型的参数，实现参数自适应优化和计算结果输出；
7.根据权利要求6所述的方法，其特征在于，所述深度强化学习网络由具有相同架构的n个子网络组成，每个子网络均由卷积神经网络cnn构建而成，n为待确定的散射估计参数个数；在其运行过程中，当前状态指当前的散射估计数据，采取行动指调整散射估计参数的方式，为增大或减小或不变；输入信息为cbct成像的测量散射数据和测量总投影数据，输出为散射估计模型的自适应优化的参数。
8.根据权利要求6所述的方法，其特征在于，在针对局部滤波散射估计模型参数选取的训练过程中，通过选择器确定下一次运行的子网络来调整对应的参数，具体包括：
9.根据权利要求1所述的方法，其特征在于，所述步骤(5)中，通过滤波法或者迭代法对散射校正数据进行降噪处理；通过滤波反投影法、迭代法或者深度学习网络实现cbct图像的重建。
