基于全域优化迭代深度学习的低剂量CT重建方法及系统

本发明公开了一种基于全域优化迭代深度学习的低剂量CT重建方法及系统，采集正常剂量的CT横断面数据，生成低剂量CT数据；建立双域分析压缩迭代模型，基于CT投影和弦图数据复合泊松噪声生成机制构建最大后验估计，将CT投影数据细分为投影域和弦图域并依次更新投影数据、弦图数据和图像数据，构建迭代算法实现CT全域优化建模，并将迭代算法展开为可训练的重建网络；将配对数据输入展开网络进行训练，并保存输出结果损失最小的模型；针对CT数据特征加入子网络和注意力机制，微调跳跃连接权重，通过中间监督微调更新中间层神经网络参数，得到全域优化迭代深度学习模型NGACI‑Net。本发明改良了低剂量CT图像质量差、重建效率低、缺乏泛化性和可解释性的问题。