CN110189389B - 基于深度学习的双能谱ct投影域基材料分解方法及装置 - Google Patents
基于深度学习的双能谱ct投影域基材料分解方法及装置 Download PDFInfo
- Publication number
- CN110189389B CN110189389B CN201910470990.8A CN201910470990A CN110189389B CN 110189389 B CN110189389 B CN 110189389B CN 201910470990 A CN201910470990 A CN 201910470990A CN 110189389 B CN110189389 B CN 110189389B
- Authority
- CN
- China
- Prior art keywords
- image
- base material
- energy spectrum
- projection
- energy
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的多能谱CT投影域基材料分解方法及装置,该方法包括:网络训练过程,利用多能谱CT采集已知标定模体的多能谱多色投影;用一个能谱下的多色投影直接重建模体CT图像,并分割为多个基材料图像,分别求出这些基材料图像沿着每条射线的线积分;设计用于多色投影分解的深度神经网络,用标定模体的多能谱多色投影作为网络输入,标定模体的基材料图像的线积分作为输出标签,完成训练;网络应用过程,将被测物体的多能谱多色投影输入神经网络,分解出多基材料图像的线积分;再由这些线积分重建出被测物体的多基材料密度图像。本发明抗噪性能好,对标定模体和被测物体的形态结构相关性无严格要求,无需预先测定能谱信息。
Description
技术领域
本发明涉及X射线多能谱CT成像技术领域,具体而言,涉及一种基于深度学习的多能谱CT基材料图像分解方法。
背景技术
X射线CT成像技术是一种利用X射线与物质的相互作用原理,对被扫描物体内部信息进行成像的一种技术。常规CT射线源发出的X射线具有不同的波长和频率,像可见光一样服从一定的连续多色能谱分布。常规CT采集的是X射线能谱穿过被测物体的多色投影,而不是理想的单能X射线的投影。利用传统单能CT重建算法重建的图像不仅有显著的硬化伪影,而且不同物质可能具有相同或相近的CT值,难以区分。能谱CT分别使用多个能谱的X射线对被测物体进行扫描,能够测得比传统单能谱CT更多的被扫描物体信息,基于这些信息可以重建出多个特定基材料成分的密度图像,还可以合成消除了硬化伪影的单能量图像,或者计算出被测物体的等效原子序数和电子密度图像用于对物质进行区分。
基于多色投影的CT图像重建问题从数学角度来看是一个非线性反问题,具有不适定性的特点。基材料分解方法用多种基材料的关于不同能量X射线的质量衰减系数组合被测物体各处的衰减系数,减少了未知数,使能谱CT重建问题变得适定。目前能谱CT基材料分解方法可以分为两大类:投影域分解法和图像域分解法,每类方法又可进而分为直接分解方法和迭代分解方法。目前常用的直接分解方法包括查找表法、多项式标定法、有理分式标定法等;常用的迭代方法包括惩罚加权最小二乘法、扩展的代数迭代法、在直接分解图像基础上的迭代修正方法等。传统直接分解法步骤简单,但由于参数较少且反馈修正的机制缺失,重建图像中有较强的伪影。迭代分解法虽然能重建较好质量的图像,但要求预先知道射线源的能谱信息、基材料的物质衰减系数、散射信息等,且收敛速度慢,计算量大,难以在实际能谱CT***中使用。
近几年来,随着深度学习技术在众多领域应用的巨大成功,引起了研究热潮。在CT重建方面,当前的研究主要集中于将卷积神经网络技术用于低剂量CT重建、有限角CT重建的图像后处理等。在能谱CT图像重建方面的研究包括将卷积神经网络用于单能量图像的重建,以及在图像域的能谱CT多材料分解等。卷积神经网络在处理图像的每个像素时,利用了大量邻域信息,具有去噪性能好的优点,但同时造成了一个缺点,即训练网络的样本和网络要处理的被测物体图像之间在形态结构上必须非常接近。由于在很多情况下难以预先获取待处理图像的大量信息去训练卷积神经网络,使得该类方法的适用范围受到了严重的限制。为此需要提出一种灵活性强,既能充分利用深度神经网络的优点,又对训练图像的形态结构没有严格要求的基于深度神经网络的能谱CT基材料分解方法。
发明内容
本发明提出了一种基于深度学习的多能谱CT投影域基材料分解方法及装置,以提高能谱CT的基材料图像的重建质量。本发明方法包括两个过程:网络训练过程与网络应用过程。网络训练过程用于训练深度神经网络以实现多能谱CT基材料分解函数功能。具体而言,本发明提供了以下技术方案:
一方面,本发明提供了一种基于深度学习的多能谱CT投影域基材料分解方法,所述方法包括:
S1、获取被测物体通过CT扫描后获得的多能谱多色投影;
S2、将所述多能谱多色投影输入训练后的深度神经网络,分解出所述被测物体的多基材料CT图像的线积分;
S3、基于所述线积分,重建被测物体的多基材料密度图像。
优选地,所述S2中,所述深度神经网络的训练方法如下:
S2-1、获取已知的标定模体经多能谱CT扫描后得到的多能谱多色投影;
S2-2、选用任一能谱下的多色投影直接重建所述标定模体的CT图像,并将标定模体的CT图像分割为多个基材料图像,分别求出所述多个基材料图像沿着每条射线的线积分,获得标定模体的基材料图像的线积分;
S2-3、将所述标定模体的多能谱多色投影作为输入,将标定模体的基材料图像的线积分作为输出标签,训练深度神经网络。
优选地,所述S2-1中,所述多能谱CT包括用两种及两种以上X射线能谱扫描的CT,以及用光子计数型探测器的能谱CT。
优选地,所述S2-2中,选用任一能谱下的多色投影直接重建所述标定模体的CT图像通过如下方式实现:
在多个能谱中,选用一较高能谱的多色投影,重建标定模体的CT图像:
优选地,所述S2-2中,将所述基材料图像的物质部分像素值设置为1。
优选地,所述S2-2中,标定模体的基材料图像的线积分获取方式如下:
对基材料图像沿着每条射线计算线积分,得到所述基材料图像的单色投影:
pm(L)=∫Lfm(x)dl,L∈Ωm,m=1,2,…M
其中,fm(x)表示第m种物质的等效密度空间分布,即基材料图像;pm(L)表示沿着射线L穿过fm(x)的线积分,M表示X射线能谱种类数;Ωm为第m个能谱的所有X射线路径的集合。
优选地,所述深度神经网络为深度前馈神经网络;当多能谱投影几何参数不一致时,将在几何参数一致处插值出的多色投影作为深度神经网络的输入值。
优选地,所述S3中,重建被测物体的多基材料密度图像采用单能CT图像重建算法;
所述单能CT图像重建算法包括解析方法或迭代重建方法。
优选地,所述标定模体所含基材料种类与被测物体所含基材料种类相同,基材料的形状和结构相同或不同。
另一方面,本发明还提供了一种基于深度学习的多能谱CT投影域基材料分解装置,所述装置包括存储器,以及处理器,所述处理器可以访问所述存储器,调用所述存储器中的指令,并执行所述指令,以执行如上所述的多能谱CT投影域基材料分解方法。
综上所述,与现有技术相比,本发明具有以下有益效果:
1)利用了深度神经网络可调参数多,能充分反映训练数据中信息量的优点,用标定模体对深度神经网络进行训练,抗噪性能好,所重建的基材料图像质量高;
2)在投影域进行分解,点对点映射,使得训练模体简单,对标定模体和被测物体之间的形态结构相关性没有严格要求,灵活性强;还可用多组不同尺寸的简单模体训练;
3)不需要预先测定能谱信息,且既适用于高、低能谱几何参数一致的情况,也适用于几何参数不一致的情况。
附图说明
下面是对实施例或现有技术描述中所使用的附图的简单介绍:
图1为本发明的基于深度神经网络的多能谱CT投影域基材料分解方法流程图;
图2为实验所用的X射线源分别在80kV和140kV管电压下发出的低能谱和高能谱示意图;
图3为实验用标定模体——阴阳模体的图像,其中白色部分填充骨组织材料,灰色部分填充水;
图4a为用高X射线能谱扫描阴阳模体时产生的多色投影;
图4b为用低X射线能谱扫描阴阳模体时产生的多色投影;
图5a为阴阳模体的水基材料图像的线积分;
图5b为阴阳模体的骨基材料图像的线积分;
图6为本发明方法所采用的深度前馈神经网络结构图;
图7为用标定模体训练神经网络时其均方差损失函数值随着迭代次数增加而变化的曲线图;
图8为实验中用作测试模体的FORBILD胸腔模型断层图像;
图9a为用高X射线能谱扫描测试模体时产生的多色投影;
图9b为用低X射线能谱扫描测试模体时产生的多色投影;
图10a为将测试模体的多色投影输入训练好的神经网络后,计算出的测试模体的水基材料的线积分图像;
图10b为将测试模体的多色投影输入训练好的神经网络后,计算出的测试模体的骨基材料的线积分图像;
图11a为基于神经网络输出的测试模体基材料图像的线积分数据,利用传统滤波反投影算法分别重建出的测试模体的水基材料密度图像,显示灰度窗为[0.85 1.15];
图11b为基于神经网络输出的测试模体基材料图像的线积分数据,利用传统滤波反投影算法分别重建出的测试模体的骨基材料密度图像,显示灰度窗为[0.1 1.1];
图11c为基于神经网络输出的测试模体基材料图像的线积分数据,利用传统滤波反投影算法分别重建出的测试模体的基材料图像合成的70keV光子的线性衰减系数图像,显示灰度窗为[-150HU 150HU];
图12a为利用传统投影域分解法直接分解得到测试模体基材料图像的线积分数据后,再用传统滤波反投影算法分别重建出的测试模体的水基材料密度图像,显示灰度窗为[0.85 1.15];
图12b为利用传统投影域分解法直接分解得到测试模体基材料图像的线积分数据后,再用传统滤波反投影算法分别重建出的测试模体的骨基材料密度图像,显示灰度窗为[0.1 1.1];
图12c为利用传统投影域分解法直接分解得到测试模体基材料图像的线积分数据后,再用传统滤波反投影算法分别重建出的测试模体的基材料图像合成的70keV光子的线性衰减系数图像,显示灰度窗为[-150HU 150HU]。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
X射线沿着一条射线L穿过物体后测得的多色投影公式如下:
其中qm(L)是用第m个归一化的X射线能谱wm(E)的扫描被测物体时,所探测到的多色投影;μ(x,E)为被测物体在点x处关于能量E的线性衰减系数;Sm为第m个能谱扫描物体时在探测器上探测到的散射及噪声的影响;Ωm为第m个能谱的所有X射线路径的集合。在理想的“同向”情况下,沿着任意一条X射线路径,都能采集到所有能谱的多色投影,即多色投影的几何参数一致。在一般的情况下,不是沿着所有的射线都能采集到每一种能谱的多色投影,甚至在一些多能谱CT扫描模式下,测得的不同能谱的多色投影在几何参数完全不一致。
在多能谱CT重建中,可将线性衰减系数μ(x,E)分解为M种与物质特性相关量的线性组合:
其中fm(x)表示第m种物质的等效密度空间分布,即基材料密度图像,简称为基材料图像;φm(E)表示第m种基材料的质量衰减系数,可以预先测定。pm(L)表示沿着射线L穿过fm(x)的线积分。
当用M种X射线能谱扫描被测物体时,获得M套被测物体的多色投影数据。可利用这些多色投影,分解出基材料图像的线积分,进而利用单能CT重建算法重建出基材料图像。设P=(p1(L),p2(L),…pM(L))T,Q=(q1(L),q2(L),…qM(L))T,合并公式(1)和(2),可以简单表示如下:
P=C(Q) (3)
其中C是将多色投影分解为基材料图像线积分的分解函数。这个函数是公式(1)的多色投影这个非线性公式的逆变换,且受到光子散射和噪声的影响,难以显式表达。多能谱CT基材料图像分解的关键就是标定这个函数。传统投影域分解的直接标定法用多项式或者有理分式等表示函数C,然后用标定模体的测量数据标定多项式系数或有理分式系数,完成对函数C的标定。由于多项式或有理分式中包含高阶项,对噪声很敏感,且拟合精度有限,使重建的基材料图像有具有明显的伪影。
深度学习可实现高精度的且鲁棒性强的非线性映射关系,为此,本发明提出了一种基于深度学习的多能谱CT投影域基材料分解方法。该方法用深度神经网络实现了如下式所示的P和Q之间的非线性函数关系:
P=fn(Wn(…(W2f1(W1Q+b1)+b2)…)+bn) (4)
这里fi(i=1,2,…n)是激活函数;Wi(i=1,2,…n)是待学习的神经元权值向量系数;bi(i=1,2,…n)是待学习的偏移系数。
本发明方法包括两个过程:网络训练过程与网络应用过程。如图1所示,左侧的流程图为网络训练过程,用于训练深度神经网络以实现多能谱CT基材料分解函数功能;右侧的流程图为网络应用过程,利用训练好的深度神经网络,对被测物体进行多基材料分解,重建基材料密度图像。网络训练过程的具体步骤如下:
S2-1:利用多能谱CT扫描已知标定模体,采集标定模体的多能谱多色投影;
多能谱CT既包括用两种及两种以上的X射线能谱扫描的CT,也包括采用光子计数型探测器的能谱CT。利用两种X射线能谱扫描的CT通常称为双能谱CT或双能CT。扫描模式包括多能谱几何参数一致的扫描以及几何参数不一致的扫描。
S2-2:选用一个能谱下的多色投影直接重建该模体的CT图像,并将该图像分割为多个基材料图像,分别求出这些基材料图像沿着每条射线的线积分;
由于在较高能谱的多色投影中,硬化效应较轻,因此选用一个较高能谱的多色投影,由传统单能CT重建算法直接重建标定模体的图像,公式如下:
这里qm表示所选用的第m种能谱的多色投影数据;R-1是Radon逆变换算子,表示传统单能CT图像重建方法,如滤波反投影算法;表示所重建的该种能谱下的被测物体的图像。由于标定模体的形状及成分构成已知,因此可根据这些先验信息将分割成M个基材料密度图像fm(x)。通常在标定模体中,各基材料的密度都为1,因此将基材料图像的物质部分的像素值都置为1,以去除硬化伪影造成的影响。然后对这些基材料图像沿着每条射线计算线积分,得到这些基材料图像的单色投影:
pm(L)=∫Lfm(x)dl,L∈Ωm,m=1,2,…M (6)
S2-3:设计用于多色投影分解的深度神经网络,用标定模体的多能谱多色投影作为网络的输入数据,标定模体的基材料图像的线积分作为网络的输出标签,训练该网络;
网络类型一般采用深度前馈神经网络,具体的网络层数及优化函数、激活函数、学习率等,根据具体的扫描对象而定,取决于标定模体和被测物体的结构。为了提高网络稳定性、泛化性、使用效率,网络神经元之间可以用跳跃连接、稠密连接等。可以用一个标定模体的数据训练该深度神经网络,也可以用多种不同尺寸和形状的标定模体的数据同时训练该深度神经网络。网络的输入数据为所测得的多能谱多色投影值qm(L),m=1,2,…,M,还可以同时输入这些投影值的n次方项、交叉相乘项、或者是比值项,以及这些项的组合。通常最高取投影值的2次方即可。这些项要进行归一化。在多能谱投影几何参数不一致的情况下,可以将在几何参数一致处插值出的多色投影作为输入值。基材料图像的线积分pm(L),m=1,2,…,M作为标签去训练该网络,完成网络的训练。
网络应用过程的具体步骤如下:
S1:利用多能谱CT扫描被测物体,采集被测物体的多能谱多色投影;
S2:将被测物体的多能谱多色投影输入已训练好的深度神经网络,分解出该被测物体的多基材料CT图像的线积分;
S3:由这些线积分利用传统单能CT重建算法重建出被测物体的多基材料密度图像。
其中,单能CT图像重建算法可以是解析算法,如滤波反投影算法,也可以是迭代算法,如联合代数迭代算法。在利用迭代算法进行图像重建中,为提高图像重建质量还可以添加物理约束条件,使当前重建的密度图像满足物理约束条件,物理约束条件可包括像素值非负约束和分段常数约束等。
双能谱CT***是多能谱CT成像领域内最常见的成像***,以下通过一个双能谱CT基材料分解的实施例进一步验证本发明方法的有效性。实验中所采用的双能谱CT***的高、低X射线能谱如图2所示,分别由X光管的管电压分别在80kV(无滤波片)和140kV(加1mm铜滤波片)下发出,由软件模拟生成。在数值实现时,能谱的采样间隔设为1keV。实验中选定水和骨组织为两个基材料,水的密度为1.0g/cm3,骨组织的密度为1.92g/cm3。本发明实施例中用一个阴阳模体作为标定模体(图3)。该模体的白色部分填充了骨组织,灰色部分填充了水,模体直径为38cm。在双能谱CT扫描中,采用扇束扫描。***的扫描参数为:射线源到探测器的距离为1200mm,射线源到转台中心的距离为900mm,探测器由750个0.6mm的探测单元组成,视野的直径为380mm。在高低能投影一致的情况下,射线源旋转一周,每隔1度在相同的360个角度上分别采集低能谱和高能谱多色投影数据各一组。在高低能投影不一致的情况下,高能投影和低能投影交错均匀采集,即相邻的高能投影和低能投影有0.5度的夹角。分别用高、低X射线能谱扫描该标定模体,产生如图4a所示的高能谱多色投影和图4b所示的低能谱多色投影,作为神经网络的训练数据集。由该标定模体的已知的双基材料图像分别计算出基材料图像的线积分,图5a为水基材料图像的线积分,图5b为骨基材料图像的线积分,作为神经网络的标签数据集。所采用的神经网络为深度前馈网络,共包含10层(图6),其中有5个全连接层,4个ReLU激活层和1个输出层。分别用qL和qH表示低能谱多色投影向量和高能谱多色投影值。在输入层有5个神经元,分别输入qL、qH、qLqH、即输入低能谱多色投影值、高能谱多色投影值、低能谱多色投影值的平方,低能谱多色投影值和高能谱多色投影值的对应点积、高能谱多色投影值的平方。这里的输入值要进行归一化处理。在高低能谱投影几何参数不一致时,qL或者qH为用相邻投影估计出的几何参数一致的投影值。第2层、第3层和第4层全连接层的神经元个数分别是16、32、32。该神经网络的前面各层用于抽取高、低能谱多色投影中的信息,最后一层全连接层实现了基材料的分解。水基材料图像的线积分值和骨基材料图像的线积分值分别表示为p1和p2,作为训练该神经网络的标签。利用由高、低能谱多色投影向量及其相应的平方值和乘积值组合成360×750组输入数据,水基材料、骨基材料图像的线积分向量组合成对应的360×750对标签,去训练该神经网络,完成神经网络中所有权值和偏移值的训练。该神经网络由pytorch框架实现,运行环境为Python3。所有实验在一台配有NVIDIA Quadro K2200显卡和Inter Xeon E5-2620CPU的计算机上实现。本实施例中采用adam作为网络的优化器,学***缓,损失值基本稳定在3.0×10-5,表明迭代逐渐收敛了。
本发明实施例采用标准的FORBILD胸腔模型的一个断层图像作为测试模体(图8)。图9a和图9b分别是在80kV和140kV管电压下采集到的测试模体的多色投影。将这两组多色投影向量及其相应的平方值和乘积值组合成360×750组输入数据,分别输入到图6所示的已训练好的神经网络中,便可由该网络计算出测试模体的水基材料和骨基材料图像的线积分向量,重排后的图像分别如图10a和图10b所示。最后由这两组线积分数据通过传统的滤波反投影算法分别重建出测试模体的水基材料密度图像(图11a)和骨基材料密度图像(图11b),并用基材料图像加权线性组成能量为70keV时单能量线性衰减系数图像(图11c)。为了凸显所重建图像的特征,图11中用了窄显示灰度窗,其中图11a的显示灰度窗为[0.851.15],图11b的显示灰度窗为[0.91.1],图11c的显示灰度窗为[-150HU 150HU]。
为了进一步验证本发明方法的有效性,本实施例还与传统的在投影域标定的双能谱基材料分解算法的重建效果进行了对比。图12a、12b、12c分别为利用传统投影域分解法直接分解得到测试模体基材料图像的线积分数据后,再用滤波反投影算法重建的水基材料密度图像、骨基材料密度图像和70keV时单能量线性衰减系数图像。图12中也用了和图11中对应图像相同的窄显示灰度窗。对比图11和图12可以看出,本发明方法可以很好地分解出双基材料密度图像,几乎没有什么伪影,而传统投影域分解法重建的图像有较多的伪影,特别在图12a所示的水基材料密度图像中,表明本发明方法显著优于传统投影域分解法。
本发明实施例进而还用峰值信噪比(PSNR)、平均绝对距离(MAD)和结构相似性(SSIM)等对本发明方法的重建结果进行了量化评估。本发明方法重建的水基图像的PSNR、MAD、SSIM值分别为46.5609、0.00218、0.999998,骨基图像的值分别为54.5126、0.00046、0.999999,70keV单能量图像的值分别为47.4708、2.39689、0.894155;而传统投影域分解法重建的水基图像的PSNR、MAD、SSIM值分别为28.7922、0.02895、0.999771,骨基图像的值分别为54.5126、0.00046、0.999999,70keV单能量图像的值分别为35.9762、11.8132、0.797487,表明本发明方法重建图像质量的量化指标均远远优于传统投影域分解法。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的。本领域普通技术人员可以理解:上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (7)
1.一种基于深度学习的多能谱CT投影域基材料分解方法,其特征在于,所述方法包括:
S1、获取被测物体通过CT扫描后获得的多能谱多色投影;
S2、将所述多能谱多色投影输入训练后的深度神经网络,分解出所述被测物体的多基材料CT图像的线积分;所述深度神经网络为深度前馈神经网络;当多能谱投影几何参数不一致时,将在几何参数一致处插值出的多色投影作为深度神经网络的输入值;
S3、基于所述线积分,重建被测物体的多基材料密度图像;
所述S2中,所述深度神经网络的训练方法如下:
S2-1、获取已知的标定模体经多能谱CT扫描后得到的多能谱多色投影;
S2-2、选用任一能谱下的多色投影直接重建所述标定模体的CT图像,并将标定模体的CT图像分割为多个基材料图像,分别求出所述多个基材料图像沿着每条射线的线积分,获得标定模体的基材料图像的线积分;
S2-3、将所述标定模体的多能谱多色投影作为输入,将标定模体的基材料图像的线积分作为输出标签,训练深度神经网络;
所述S2-2中,在多能谱CT重建中,将线性衰减系数μ(x,E)分解为M种与物质特性相关量的线性组合:
其中fm(x)表示第m种物质的等效密度空间分布,φm(E)表示第m种基材料的质量衰减系数,pm(L)表示沿着射线L穿过fm(x)的线积分,μ(x,E)表示被测物体在点x处关于能量E的线性衰减系数;
标定模体的基材料图像的线积分获取方式为:对基材料图像沿着每条射线计算线积分,得到所述基材料图像的单色投影:
pm(L)=∫Lfm(x)dl,L∈Ωm,m=1,2,…M
其中,M表示X射线能谱种类数,Ωm为第m个能谱的所有X射线路径的集合。
2.根据权利要求1所述的方法,其特征在于,所述S2-1中,所述多能谱CT包括用两种及两种以上X射线能谱扫描的CT,以及用光子计数型探测器的能谱CT。
4.根据权利要求3所述的方法,其特征在于,所述S2-2中,将所述基材料图像的物质部分像素值设置为1。
5.根据权利要求1所述的方法,其特征在于,所述S3中,重建被测物体的多基材料密度图像采用单能CT图像重建算法;
所述单能CT图像重建算法包括解析方法或迭代重建方法。
6.根据权利要求1所述的方法,其特征在于,所述标定模体所含基材料种类与被测物体所含基材料种类相同,基材料的形状和结构相同或不同。
7.一种基于深度学习的多能谱CT投影域基材料分解装置,其特征在于,所述装置包括存储器,以及处理器,所述处理器可以访问所述存储器,调用所述存储器中的指令,并执行所述指令,以执行如权利要求1-6任一所述的多能谱CT投影域基材料分解方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470990.8A CN110189389B (zh) | 2019-05-31 | 2019-05-31 | 基于深度学习的双能谱ct投影域基材料分解方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910470990.8A CN110189389B (zh) | 2019-05-31 | 2019-05-31 | 基于深度学习的双能谱ct投影域基材料分解方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110189389A CN110189389A (zh) | 2019-08-30 |
CN110189389B true CN110189389B (zh) | 2022-08-05 |
Family
ID=67719442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910470990.8A Active CN110189389B (zh) | 2019-05-31 | 2019-05-31 | 基于深度学习的双能谱ct投影域基材料分解方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110189389B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110675467B (zh) * | 2019-09-30 | 2023-05-16 | 中国科学院深圳先进技术研究院 | 能谱ct的材料分解方法、装置、存储介质及电子设备 |
CN111134709B (zh) * | 2020-01-17 | 2021-09-14 | 清华大学 | 一种多能量ct基材料分解方法 |
CN112233030B (zh) * | 2020-10-15 | 2023-01-03 | 上海优医基医疗器械技术有限公司 | 一种基于深度学习的ct投影几何校正方法 |
CN112697821B (zh) * | 2020-12-02 | 2022-12-02 | 赛诺威盛科技(北京)股份有限公司 | 多能谱ct扫描方法、装置、电子设备和ct设备 |
CN112603345B (zh) * | 2020-12-02 | 2021-10-15 | 赛诺威盛科技(北京)股份有限公司 | 模型训练、多能谱ct扫描方法、装置、电子设备 |
WO2022218441A1 (en) * | 2021-04-16 | 2022-10-20 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for imaging |
CN114916950B (zh) * | 2022-07-21 | 2022-11-01 | 中国科学院深圳先进技术研究院 | 基于多层平板探测器的高空间分辨能谱ct图像重建方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559699A (zh) * | 2013-11-18 | 2014-02-05 | 首都师范大学 | 一种基于投影估计的多能谱ct图像重建方法 |
CN103559729A (zh) * | 2013-11-18 | 2014-02-05 | 首都师范大学 | 一种双能谱ct图像迭代重建方法 |
CN108230277A (zh) * | 2018-02-09 | 2018-06-29 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络的双能ct图像分解方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8194961B2 (en) * | 2008-04-21 | 2012-06-05 | Kabushiki Kaisha Toshiba | Method, apparatus, and computer-readable medium for pre-reconstruction decomposition and calibration in dual energy computed tomography |
-
2019
- 2019-05-31 CN CN201910470990.8A patent/CN110189389B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559699A (zh) * | 2013-11-18 | 2014-02-05 | 首都师范大学 | 一种基于投影估计的多能谱ct图像重建方法 |
CN103559729A (zh) * | 2013-11-18 | 2014-02-05 | 首都师范大学 | 一种双能谱ct图像迭代重建方法 |
CN108230277A (zh) * | 2018-02-09 | 2018-06-29 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络的双能ct图像分解方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110189389A (zh) | 2019-08-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110189389B (zh) | 基于深度学习的双能谱ct投影域基材料分解方法及装置 | |
US11864939B2 (en) | Apparatus and method that uses deep learning to correct computed tomography (CT) with sinogram completion of projection data | |
US11176642B2 (en) | System and method for processing data acquired utilizing multi-energy computed tomography imaging | |
CN108010099B (zh) | 一种x射线多能谱ct有限角扫描和图像迭代重建方法 | |
US10945695B2 (en) | Apparatus and method for dual-energy computed tomography (CT) image reconstruction using sparse kVp-switching and deep learning | |
CN108010098B (zh) | 一种双能谱ct基材料图像迭代重建方法 | |
Carmi et al. | Material separation with dual-layer CT | |
Szczykutowicz et al. | Dual energy CT using slow kVp switching acquisition and prior image constrained compressed sensing | |
CN108230277B (zh) | 一种基于卷积神经网络的双能ct图像分解方法 | |
US9600866B2 (en) | Projection data de-noising | |
WO2019067524A1 (en) | TD MONOCHROMATIC IMAGE RECONSTRUCTION FROM CURRENT INTEGRATION DATA VIA AUTOMATIC LEARNING | |
CN110175957B (zh) | 多能量ct基材料物质分解方法 | |
CN110636796B (zh) | X射线暗场成像中的射束硬化校正 | |
CN110533734B (zh) | 基于传统单能ct的多能谱分段稀疏扫描迭代重建方法 | |
Johnston et al. | Temporal and spectral imaging with micro‐CT | |
Yao et al. | Multi-energy computed tomography reconstruction using a nonlocal spectral similarity model | |
Cong et al. | Monochromatic CT image reconstruction from current-integrating data via deep learning | |
EP3671646A1 (en) | X-ray computed tomography (ct) system and method | |
Komolafe et al. | Smoothed L0-constraint dictionary learning for low-dose X-ray CT reconstruction | |
CN111915695B (zh) | 一种基于方程正交化修正的能谱ct多基材料快速迭代分解方法 | |
CN110731788B (zh) | 一种基于双能ct扫描仪对基物质进行快速分解的方法 | |
Lee et al. | X-ray transmittance modeling-based material decomposition using a photon-counting detector CT system | |
Yang et al. | Multi-material beam hardening correction (mmbhc) in computed tomography | |
Szczykutowicz et al. | The dependence of image quality on the number of high and low kVp projections in dual energy CT using the prior image constrained compressed sensing (PICCS) algorithm | |
CN112651434B (zh) | 一种基于深度学习的能谱ct基物质投影估计方法、***及能谱ct |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |