CN107374657B - 对ct扫描数据进行校正的方法及ct扫描*** - Google Patents
对ct扫描数据进行校正的方法及ct扫描*** Download PDFInfo
- Publication number
- CN107374657B CN107374657B CN201710524197.2A CN201710524197A CN107374657B CN 107374657 B CN107374657 B CN 107374657B CN 201710524197 A CN201710524197 A CN 201710524197A CN 107374657 B CN107374657 B CN 107374657B
- Authority
- CN
- China
- Prior art keywords
- scanning
- neural network
- network model
- training
- scan
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002591 computed tomography Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000003062 neural network model Methods 0.000 claims abstract description 87
- 238000012937 correction Methods 0.000 claims abstract description 77
- 238000012549 training Methods 0.000 claims description 89
- 238000012545 processing Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
- A61B6/583—Calibration using calibration phantoms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种对CT扫描数据进行校正的方法及CT扫描***，所述方法包括：确定第一扫描参数；至少部分基于所述第一扫描参数，获取特征值；获取经训练的神经网络模型；以及将所述特征值输入到所述经训练的神经网络模型中，得到所述第一扫描参数对应的校正系数。
Description
技术领域
本发明涉及医疗影像设备领域，特别涉及一种对CT扫描数据进行校正的方法及CT扫描***。
背景技术
由于CT(Computed Tomography,计算机断层显像)设备实际使用的是多能谱X射线，随着射线穿透深度的增加，软射线(低能量射线)衰减大于硬射线(高能量射线)，即射束硬化，导致射线的能谱持续发生变化，而CT设备的图像重建基于单能X射线的衰减，因此需要进行谱校正以补偿能谱的变化。目前使用的射束硬化校正多为在特定扫描参数下分别扫描空气和标准体模，然后根据特定算法计算校正系数以校正射束投影值。该方法得到的校正系数比较准确，但只适用于特定扫描参数。当临床扫描参数发生变化时，例如，当X射线管电压发生变化时，发出的X射线能谱也会发生变化，此时需要重新扫描空气与体模并计算校正系数，不利于实际应用。
发明内容
针对上述问题，本发明提供了一种在任意扫描参数下能够快速获取校正系数的方法。
为达到上述发明目的，本发明提供的技术方案如下：
本发明披露了一种对CT扫描数据进行校正的方法，包括：确定第一扫描参数；至少部分基于所述第一扫描参数，获取特征值；获取经训练的神经网络模型；以及将所述特征值输入到所述经训练的神经网络模型中，得到所述第一扫描参数对应的校正系数。所述特征值包括所述第一扫描参数和第一投影值中的至少一种，所述第一投影值包括在第一扫描参数下扫描空气得到的投影值；
根据本发明的一些实施例，所述获取经训练的神经网络模型包括：构建神经网络模型，对所述神经网络模型进行训练，得到所述经训练的神经网络模型。
根据本发明的一些实施例，所述对所述神经网络模型进行训练，包括：获取一个或多个训练样本，所述训练样本包括第二扫描参数和第二投影值中的至少一个，所述第二投影值包括在所述第二扫描参数下扫描空气得到的投影值；以及使用所述一个或多个训练样本对所述神经网络模型进行训练。
根据本发明的一些实施例，所述对神经网络模型进行训练包括：使用min||{ai}-{ai}ideal||为优化目标函数，其中{ai}为所述训练样本输入到所述神经网络模型后的输出值，{ai}ideal为所述训练样本的参考输出值。
根据本发明的一些实施例，所述使用所述一个或多个训练样本对所述神经网络模型进行训练包括：判断训练后的神经网络模型是否满足预设条件，若满足预设条件，停止对所述神经网络模型的训练。
根据本发明的一些实施例，所述方法还包括以下步骤：在所述第一扫描参数下获取CT扫描数据；以及使用所述校正系数对所述CT扫描数据进行校正。
根据本发明的一些实施例，使用所述校正系数对所述CT扫描数据进行校正，包括使用如下校正函数：
其中j为校正阶数，x为所述CT扫描数据，ai为所述校正系数，y为校正后的CT扫描数据。
本发明还披露了一种CT扫描***，包括：处理组件，配置为确定第一扫描参数；校正系数计算组件，配置为至少部分基于所述第一扫描参数，获取特征值，获取经训练的神经网络模型，以及将所述特征值输入到所述经训练的神经网络模型中，得到所述第一扫描参数对应的校正系数。
根据本发明的一些实施例，所述***还包括扫描组件，配置为基于所述第一扫描参数下，获取CT扫描数据；其中所述处理组件还配置为使用所述校正系数对所述CT扫描数据进行校正。
根据本发明的一些实施例，所述***还包括样本获取模块和模型训练模块。所述样本获取模块被配置为获取一个或多个训练样本，所述训练样本包括第二扫描参数和第二投影值中的至少一个，所述第二投影值包括在所述第二扫描参数下扫描空气得到的投影值。所述模型训练模块，被配置为使用所述一个或多个训练样本对所述神经网络模型进行训练。
附图说明
图1是根据本发明的一种CT扫描***的结构示意图；
图2是根据本发明的一些实施例提供的一种神经网络模型的结构示意图；
图3是根据本发明提供的一种基于神经网络模型获取校正系数的方法的流程示意图；
图4是根据本发明的一种训练神经网络模型得到经训练的神经网络模型的方法的流程示意图；
图1标记：100为CT扫描***，110为扫描组件，111为机架，112为扫描床，113位X射线源，114为X射线探测器，120为网络，130为处理组件，140为存储组件，150为校正系数计算组件，152为样本获取模块，154为存储模块，156为模型训练模块，158为校正系数计算模块；
图2标记：201为神经网络模型的输入端，202为神经网络层，203为输出端。
具体实施方式
下面通过具体实施例并结合附图对本发明做进一步描述。
图1是根据本发明的一些实施例提供的一种CT扫描***100的结构示意图。如图1所示，CT扫描***100包括扫描组件110、处理组件130、存储组件140和校正系数计算组件150。该CT扫描***100的各个组件之间可以通过网络120互相连接。
扫描组件110可以包括机架111、扫描床112、X射线源113和X射线探测器114。机架111包含一个中空腔室作为扫描腔，扫描腔可至少部分容纳扫描床112。机架111可以旋转，其上的X射线源113可以产生X射线，从不同角度对待扫描对象进行扫描并得到投影值，该投影值可以用于图像重建，得到CT图像。
扫描床112可以支撑待扫描对象。所述待扫描对象可以是病人或者体模，也可以是其他被扫描的物体。扫描床112可以平行于地面。
X射线源113可以产生X射线束，该射线束穿过待扫描对象后到达X射线探测器114。X射线探测器114接收穿过待扫描对象衰减后的X射线束，得到实际投影值。
X射线源113中可以包括高压射线管(图中未示出)，高压射线管用于产生X射线束。高压射线管可以发出多能谱X射线，该多能谱X射线可以包括软射线(低能量射线)和硬射线(高能量射线)。对待扫描对象进行扫描时，X射线束可以穿透待扫描物体。随着X射线束穿透深度的增加，软射线(低能量射线)衰减大于硬射线(高能量射线)衰减，即射束硬化，导致X射线束的能谱持续发生变化。而CT扫描***的图像重建基于单能X射线的衰减，因此需要进行谱校正以补偿能谱的变化。谱校正的目标是获取一组校正系数，所述校正系数可以校正X射线探测器114接收到的实际投影值。在一些实施例中，所述校正系数对所述实际投影值的校正可以通过公式(1)所示的函数实现：
其中，在公式(1)中，j为可配置的校正阶数，例如j可以是3或者4。在一些实施例中，该校正阶数可以由用户确定。x为X射线探测器114接收到的实际投影值，ai为校正系数，y为校正后的投影值，校正后的投影值可以用于CT图像重建。
网络120可以连接CT扫描***100的各组件，使CT扫描***100的各组件之间可以进行数据交换。网络120可以是有线网络或无线网络，或者其组合。
处理组件130是CT扫描***100的控制与数据处理部分，可以配置为处理数据、产生控制信号，以控制CT扫描***100的运行等。
存储组件140可以配置为存储CT扫描***100的数据。例如，存储组件140可以存储CT扫描协议、扫描参数、扫描投影值、CT图像、特定扫描参数对应的理想校正系数等。
校正系数计算组件150可以配置为基于神经网络模型计算射束硬化校正系数。神经网络模型是一种包含多个参数的非线性算法，经过训练后可以提取输入数据的特征，并根据提取的特征进行分类，得到特征输出。根据本申请的一些神经网络模型的具体描述可以参见图2及其对应的描述部分。校正系数计算组件150可以包括样本获取模块152、存储模块154、模型训练模块156以及校正系数计算模块158，将在下文中具体描述。在一些实施例中，校正系数计算组件150可以是一个连接到处理组件130和/或网络120的独立组件。例如，校正系数计算组件140可以是一个计算设备，例如个人计算机、服务器、平板电脑、手机或类似设备等。在一些实施例中，校正系数计算组件150可以集成到所述处理组件130和/或所述CT扫描***100中。
样本获取模块152可以获取训练样本。训练样本用于对神经网络模型进行训练。训练样本可以包括输入值和参考输出值。所述训练样本的输入值可以包括空气投影值和/或扫描参数中的至少一个。例如，在一些实施例中，训练样本的输入值可以包括扫描参数和与该扫描参数对应的空气投影值。在另一些实施例中，训练样本的输入值可以包括扫描参数。在又一些实施例中，训练样本的输入值可以包括与某一扫描参数对应的空气投影值。扫描参数可以是高压射线管电压和/或电流值。空气投影值可以是CT扫描***100在某一扫描参数下扫描空气后在X射线探测器114接收到的投影值。例如，在扫描床112上不放置任何物体，然后控制X射线源113发出X射线进行扫描，并用X射线探测器114接收X射线，得到空气投影值。所述样本的参考输出值可以包括一个或多个理想校正系数。在一些实施例中，理想校正系数可以通过扫描标准体模后计算得到。通过扫描标准体模得到理想校正系数的方法在现有技术中已有描述，本发明中不做具体阐述。
样本获取模块152可以从CT扫描***100的其他组件中获取数据得到训练样本。例如，样本获取模块152直接从存储组件140中获取扫描参数、空气投影值和理想校正系数以得到训练样本。又例如，样本获取模块152可以从处理组件130中获取扫描参数，从X射线探测器114获取该扫描参数下的空气投影值，从存储组件140中获取该扫描参数下的理想校正系数，得到训练样本。样本获取模块152可以将得到的训练样本存储到存储模块154中，也可以将训练样本存储到存储组件140中。
存储模块154可以存储数据，所述数据可以包括训练样本集、神经网络模型、经训练的神经网络模型以及训练模型过程中使用的数据等，将在下文中进行描述。
模型训练模块156可以对神经网络模型进行训练。对神经网络模型进行训练，是将训练样本的输入值输入到神经网络模型中，神经网络模型对输入值经过运算后得到输出值。然后使用优化函数对模型的当前参数进行反向调整。在一些实施例中，所述对模型的反向调整过程可以是一个迭代的过程。每次使用训练样本训练后，神经网络模型中的参数都会发生变化，作为下一次输入训练样本进行训练的“初始化参数”。例如，在一些实施例中，可以使用公式(2)所示的函数对模型的参数进行反向调整：
min||{ai}-{ai}ideal|| (2)
其中{ai}为神经网络模型输出值，{ai}ideal为该训练样本中的参考输出值，该优化函数的目标是调整模型的参数，使神经网络模型的输出值与参考输出值差值最小。当使用多个训练样本进行训练后，模型中的参数值可以达到最优，即神经网络模型的输出值与参考输出值差值最小，训练完成。神经网络模型训练完成后，得到经训练的神经网络模型，其中的参数值固定。经训练的神经网络模型可以被发送至存储模块154和/或存储组件140中进行存储，也可以发送至校正系数计算模块158。
校正系数计算模块158可以使用经训练的神经网络模型计算校正系数。校正系数计算模块158可以获取特征值，将特征值作为输入值输入到经训练的神经网络模型中，得到输出值作为校正系数。其中特征值可以包括CT扫描***100扫描空气得到的空气投影值，还可以包括扫描参数。在一些实施例中，校正系数计算模块158可以从扫描组件110、处理组件130和/或存储组件140处获取所述特征值。
图2是根据本发明的一些实施例提供的一种神经网络模型的结构示意图。神经网络模型可以包括输入端201，神经网络层202以及输出端203。神经网络模型的输入端201用于接收输入值，并将输入值输入到神经网络层中。输入值可以包括一个或多个值，如xkV1、xkV2、…、xkVN。神经网络层202可以对输入值进行运算处理，提取输入值的特征并识别，输出运算结果。神经网络层202可以包括一个或多个运算层，每一运算层中可以包括一个或多个节点，每个节点中可以包括一个或多个参数。神经网络层202中的每个节点都可以接收上一运算层所有节点的输出作为该节点的输入，运算后将结果输出至后一运算层的所有节点中。其中第一运算层的节点接收输入端的所有的输入值，最后运算层的节点的运算结果输出到输出端203。输出端203用于接收神经网络层的运算结果，并将运算结果作为神经网络模型的输出值。例如，神经网络层202的最后一层运算层中一个或多个节点的运算结果分别是a1、a2、…、aM，则输出端203将a1、a2、…、aM作为神经网络模型的输出值输出。显而易见的是，用户可以通过调整神经网络层202中最后一层运算层的节点数量来确定该神经网络模型的输出值数量。
图3是根据本发明提供的一种基于神经网络模型获取校正系数的方法300的流程示意图。
如图3所示，在步骤310中，可以设定第一扫描参数。用户进行CT扫描时，可以在处理组件130中设定第一扫描参数。
在步骤320中，处理组件130可以确定设定的第一扫描参数是否有对应的理想校正系数。例如，处理组件130接收用户设定的第一扫描参数后，可以从存储组件140中进行检索，确认是否已经有与第一扫描参数相同的扫描参数和对应的理想校正系数。如果存储组件140中已有与第一扫描参数相同的扫描参数和对应的理想校正系数，则到步骤330中。在步骤330中，处理组件130可以从存储组件140中获取与第一扫描参数对应的理想校正系数作为第一校正系数。
在步骤340中，CT扫描***100可以使用设定的第一扫描参数对待扫描对象进行扫描，得到实际投影值。
如果存储组件140中没有与该第一扫描参数相同的扫描参数或对应的理想校正系数，则到步骤350中。
在步骤350中，用户可以控制CT扫描***100基于设定的第一扫描参数获取特征值。特征值可以包括第一扫描参数和第一投影值中的至少一个，其中第一投影值包括在第一扫描参数下扫描空气得到的空气投影值。例如，在一些实施例中，特征值可以包括第一投影值。在另一些实施例中，特征值可以包括第一扫描参数。在又一些实施例中，特征值可以包括第一扫描参数和第一投影值。该特征值可以被发送至处理组件130和/或存储组件140中。
在步骤360中，校正系数计算组件150中的校正系数计算模块158可以获取在步骤350中获取的特征值，并将其作为输入值输入到经训练的神经网络模型中，得到一个或多个第二校正系数。其中所述经训练的神经网络模型是训练完成后得到的神经网络模型。训练神经网络模型得到经训练的神经网络模型的具体过程，将在下文中描述。校正系数计算组件150得到第二校正系数后，可以将第二校正系数发送至处理组件130和/或存储组件140中。
在步骤370中，处理组件130可以使用所述第一校正系数或第二校正系数对实际投影值进行校正，得到校正后的投影值，用于CT图像重建。可以理解，当步骤320中的判断为“是”时，在步骤370中，可以使用第一校正系数对实际投影值进行校正；当步骤320中的判断为“否”时，可以使用第二校正系数对实际投影值进行校正。
本领域内技术人员应当理解，上述流程仅是对投影值进行校正的示例性说明，还可以有其他变化。例如，在一些实施例中，步骤320和步骤330可以省略。另外，上述流程中的每个步骤的执行顺序可以变化，例如，步骤340可以在步骤350之前执行。
图4是根据本发明的一种训练神经网络模型得到经训练的神经网络模型的方法400的流程示意图。
如图4所示，在步骤410中，获取训练样本集。本领域内技术人员应当理解，对神经网络模型进行训练需要训练样本。训练样本集中包含一个或多个训练样本，例如，可以使用样本获取模块152获取训练样本。在一些实施例中，样本获取模块152可以获取第二扫描参数、第二投影值和理想校正系数以得到训练样本；在另一些实施例中，样本获取模块152可以获取对应于第二投影值和理想校正系数以得到训练样本；在又一些实施例中，样本获取模块152可以获取第二扫描参数和与该第二扫描参数对应的理想校正系数以得到训练样本。其中第二投影值包括在第二扫描参数下扫描空气得到的空气投影值。样本获取模块152可以将训练样本发送至存储模块154中存储。
使用不同的第二扫描参数，例如变化X射线源113中高压射线管的电压或者电流值，可以得到不同的第二投影值和理想校正系数，即可以得到不同的训练样本。获取一个或多个训练样本后，得到训练样本集。训练样本集可以存储在存储模块154和/或存储组件140中。
在步骤420中，模型训练模块156从训练样本集中获取一个训练样本，其参考输出值为理想校正系数。
在步骤430中，模型训练模块156可以使用该训练样本对神经网络模型进行训练。模型训练模块156可以从存储模块154中接收神经网络模型，也可以构建神经网络模型，神经网络模型的至少部分参数可以经过初始化，例如，随机初始化。模型训练模块156将该训练样本的输入值输入到神经网络模型，神经网络模型对该训练样本的输入值进行运算处理，包括特征提取与特征识别等过程，最后得到一组输出值。模型训练模块156使用优化函数对模型的参数进行反向调整。例如，在一些实施例中，可以使用公式(2)所示的优化函数min||{ai}-{ai}ideal||对模型的参数进行反向调整，其中{ai}为神经网络模型的输出值，{ai}ideal为该训练样本的参考输出值，该优化函数的目标是反向调整模型的参数，使神经网络模型的输出值与参考输出值差值最小。每次训练后，神经网络模型中的参数都会发生变化，作为下一次输入训练样本进行训练的“初始化参数”。
在步骤440中，模型训练模块156判断训练后的神经网络模型是否满足预设条件，其中预设条件可以由用户确定。例如，在一些实施例中，预设条件可以是已经训练的训练样本数量达到预设值；在另一些实施例中，预设条件可以是对训练后的神经网络模型进行测试，测试结果合格。如果判断结果为“是”，则到步骤450中，得到经训练的神经网络模型，并将经训练的神经网络模型发送至存储模块154和/或校正系数计算模块158中，还可以将经训练的神经网络模型发送至存储组件140中。如果判断结果为“否”，则到步骤420中，继续获取训练样本进行训练，在此不再重复。
可以理解的是，如果在步骤410中，样本获取模块152获取的训练样本中不包括第二扫描参数，则方法300中的步骤360中向经训练的神经网络模型输入的特征值也可以不包括第一扫描参数；如果在步骤410中，样本获取模块152获取的训练样本中不包括第二投影值，则方法300中的步骤360中向经训练的神经网络模型输入的特征值也可以不包括第一投影值。
以上所述仅为本发明的优选实施而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种对CT扫描数据进行校正的方法，其特征在于，包括：
确定第一扫描参数；
至少部分基于所述第一扫描参数，获取特征值；
获取经训练的神经网络模型；
将所述特征值输入到所述经训练的神经网络模型中，得到所述第一扫描参数对应的校正系数，其中
所述特征值包括所述第一扫描参数和第一投影值中的至少一种，所述第一投影值包括在第一扫描参数下扫描空气得到的投影值；
所述经训练的神经网络模型包括使用一个或多个训练样本对所述神经网络模型进行训练得到的神经网络模型，所述训练样本包括第二扫描参数和第二投影值中的至少一个。
2.如权利要求1所述的方法，其特征在于，所述第二投影值包括在所述第二扫描参数下扫描空气得到的投影值。
3.如权利要求1所述的方法，其特征在于，所述对所述神经网络模型进行训练包括：使用min||{ai}-{ai}ideal||为优化目标函数，其中{ai}为所述训练样本输入到所述神经网络模型后的输出值，{ai}ideal为所述训练样本的参考输出值。
4.如权利要求1所述的方法，其特征在于，所述使用一个或多个训练样本对所述神经网络模型进行训练包括：判断训练后的神经网络模型是否满足预设条件，若满足预设条件，停止对所述神经网络模型的训练。
5.如权利要求1所述的方法，其特征在于，还包括：
在所述第一扫描参数下，获取CT扫描数据；以及
使用所述校正系数对所述CT扫描数据进行校正。
6.如权利要求5的方法，其特征在于，使用所述校正系数对所述CT扫描数据进行校正，包括使用如下校正函数：
其中j为校正阶数，x为所述CT扫描数据，ai为所述校正系数，y为校正后的CT扫描数据。
7.一种CT扫描***，其特征在于，包括：
处理组件，配置为确定第一扫描参数；
校正系数计算组件，配置为至少部分基于所述第一扫描参数，获取特征值；
获取经训练的神经网络模型；
将所述特征值输入到所述经训练的神经网络模型中，得到所述第一扫描参数对应的校正系数；
其中，所述特征值包括所述第一扫描参数和第一投影值中的至少一种，所述第一投影值包括在第一扫描参数下扫描空气得到的投影值；
所述经训练的神经网络模型包括使用一个或多个训练样本对所述神经网络模型进行训练得到的神经网络模型，所述训练样本包括第二扫描参数和第二投影值中的至少一个。
8.如权利要求7所述的***，其特征在于，还包括：
扫描组件，配置为基于所述第一扫描参数下，获取CT扫描数据；其中所述处理组件还配置为使用所述校正系数对所述CT扫描数据进行校正。
9.如权利要求7所述 的***，其特征在于，所述第二投影值包括在所述第二扫描参数下扫描空气得到的投影值。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710524197.2A CN107374657B (zh) | 2017-06-30 | 2017-06-30 | 对ct扫描数据进行校正的方法及ct扫描*** |
| US15/954,953 US10977843B2 (en) | 2017-06-28 | 2018-04-17 | Systems and methods for determining parameters for medical image processing |
| US17/228,690 US11908046B2 (en) | 2017-06-28 | 2021-04-12 | Systems and methods for determining processing parameter for medical image processing |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710524197.2A CN107374657B (zh) | 2017-06-30 | 2017-06-30 | 对ct扫描数据进行校正的方法及ct扫描*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107374657A CN107374657A (zh) | 2017-11-24 |
| CN107374657B true CN107374657B (zh) | 2021-05-11 |
Family
ID=60334713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710524197.2A Active CN107374657B (zh) | 2017-06-28 | 2017-06-30 | 对ct扫描数据进行校正的方法及ct扫描*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107374657B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3746979B1 (en) * | 2018-01-31 | 2023-11-15 | Koninklijke Philips N.V. | Image quality improved virtual non-contrast images generated by a spectral computed tomography (ct) scanner |
| CN109523024A (zh) * | 2018-11-22 | 2019-03-26 | 天津大学 | 面向医用x射线探测器的能谱校正方法 |
| CN111935892B (zh) * | 2019-05-13 | 2022-11-22 | 中科智云科技有限公司 | 用于测量等离子体状态的方法和设备 |
| EP3745161A1 (en) * | 2019-05-31 | 2020-12-02 | Canon Medical Systems Corporation | A radiation detection apparatus, a method, and a non-transitory computer-readable storage medium including executable instructions |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1743835A (zh) * | 2004-07-14 | 2006-03-08 | 株式会社东芝 | X射线计算机断层摄影***以及该***的数据校正方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03102477A (ja) * | 1989-06-26 | 1991-04-26 | Fuji Photo Film Co Ltd | 放射線画像処理装置 |
| US6422751B1 (en) * | 1998-08-07 | 2002-07-23 | General Electric Company | Method and system for prediction of exposure and dose area product for radiographic x-ray imaging |
| US6950492B2 (en) * | 2003-06-25 | 2005-09-27 | Besson Guy M | Dynamic multi-spectral X-ray projection imaging |
| CN101336828B (zh) * | 2007-07-06 | 2010-10-13 | Ge医疗***环球技术有限公司 | Ct值校正文件的获取方法和装置 |
| CN102768759B (zh) * | 2012-07-04 | 2014-11-26 | 深圳安科高技术股份有限公司 | 一种术中ct图像射束硬化伪影校正方法及装置 |
| CN103961125B (zh) * | 2013-01-31 | 2016-01-20 | 东北大学 | 一种用于锥束ct的ct值校正方法 |
| US9918701B2 (en) * | 2014-09-03 | 2018-03-20 | Contextvision Ab | Methods and systems for automatic control of subjective image quality in imaging of objects |
| CN106327495A (zh) * | 2016-08-26 | 2017-01-11 | 穆达文 | 一种生物骨骼识别方法、装置及*** |
-
2017
- 2017-06-30 CN CN201710524197.2A patent/CN107374657B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1743835A (zh) * | 2004-07-14 | 2006-03-08 | 株式会社东芝 | X射线计算机断层摄影***以及该***的数据校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107374657A (zh) | 2017-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107374657B (zh) | 对ct扫描数据进行校正的方法及ct扫描*** | |
| CN106413236B (zh) | 一种曝光参数调整方法和装置 | |
| US10417794B2 (en) | Reconstructing CT image | |
| JP2014528284A5 (zh) | ||
| CN106683146B (zh) | 一种图像重建方法和图像重建算法的参数确定方法 | |
| EP3716000A1 (en) | Method for optimizing ultrasonic imaging system parameter based on deep learning | |
| CN104103055B (zh) | 自动获取最优输出数据 | |
| CN110811663B (zh) | 一种多区域扫描的方法、装置、设备及存储介质 | |
| JPWO2014041889A1 (ja) | Ｘ線ｃｔ装置およびｘ線ｃｔ画像の処理方法 | |
| CN111627083B (zh) | 骨硬化伪影校正方法、装置、计算机设备和可读存储介质 | |
| WO2015020072A1 (ja) | Ｘ線ｃｔ装置および補正処理装置 | |
| CN108670282A (zh) | 一种骨硬化伪影校正方法 | |
| KR102472464B1 (ko) | 영상처리방법 및 이를 이용한 영상처리장치 | |
| JP2014000407A (ja) | 並行更新逐次近似再構成（ｉｒ）の方法およびシステム | |
| CN108013887B (zh) | 一种自动曝光控制方法和装置以及自动曝光*** | |
| US20200051245A1 (en) | Bone suppression for chest radiographs using deep learning | |
| CN110916703B (zh) | 扫描剂量调制方法、装置、扫描设备及存储介质 | |
| JP6083990B2 (ja) | 放射線撮影装置、その制御方法及びプログラム | |
| CN105374014B (zh) | 图像校正方法及装置、医学图像生成方法及装置 | |
| CN113096210A (zh) | 图像重建方法、装置、电子设备和存储介质 | |
| CN110811662A (zh) | 一种扫描剂量调制的方法、装置、设备及存储介质 | |
| EP4123572A2 (en) | An apparatus and a method for x-ray image restoration | |
| CN113838161B (zh) | 一种基于图学习的稀疏投影重建方法 | |
| CN114638910A (zh) | 一种散射校正方法、***及可读存储介质 | |
| CN113627492B (zh) | 扫描对象尺寸的确定方法、扫描方法、装置和电子设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |