CN114018961B - 基于深度学习的单步x射线光栅差分相位衬度成像方法及装置 - Google Patents
基于深度学习的单步x射线光栅差分相位衬度成像方法及装置 Download PDFInfo
- Publication number
- CN114018961B CN114018961B CN202111296166.9A CN202111296166A CN114018961B CN 114018961 B CN114018961 B CN 114018961B CN 202111296166 A CN202111296166 A CN 202111296166A CN 114018961 B CN114018961 B CN 114018961B
- Authority
- CN
- China
- Prior art keywords
- grating
- phase contrast
- differential phase
- ray
- image
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/041—Phase-contrast imaging, e.g. using grating interferometers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/03—Investigating materials by wave or particle radiation by transmission
- G01N2223/04—Investigating materials by wave or particle radiation by transmission and measuring absorption
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
Landscapes
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Toxicology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于深度学习的单步X射线光栅差分相位衬度成像方法及装置,包括使用基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置获取样品相位衬度图像;构建卷积神经网络模型;训练卷积神经网络模型;使用已训练的卷积神经网络对基于横向错位吸收光栅的相位衬度图像进行校正。本发明能够有效减少样品所受的辐射剂量,提高成像效率;有效消除因光栅位置近似所产生的伪影,提高最终的成像质量及空间分辨率。能够使用一次曝光实现X射线相位衬度成像,避免高精度的吸收光栅步进,降低辐射剂量,解决了错位吸收光栅因位置近似所导致的图像伪影及空间分辨率降低的问题,提高了基于横向错位吸收光栅的X射线光栅差分相位衬度成像技术的成像质量。
Description
技术领域
本发明涉及深度学习及X射线差分相位衬度成像技术领域,尤其涉及一种基于深度学习的单步X射线光栅差分相位衬度成像方法及装置。
背景技术
相比传统吸收衬度成像技术,X射线差分相位衬度成像能够在对生物组织等轻元素物质的成像方面获得更高的成像对比度。在现有X射线光栅差分相位衬度成像装置中,普通X射线源产生的X射线通过源光栅G0产生相干X射线,经过相位光栅G1并自由传播一定的距离后,穿过吸收光栅G2,最终被吸收光栅G2后面的探测器接收。由于探测器不能够直接得到X射线的相位变化,因此通常需要横向移动吸收光栅G2微米级的距离若干次(通常需要4-8次的移动),并对采集的二维投影图像进行解析得到差分相位衬度信号,之后对解析得到的差分相位衬度信号进行重建。该过程显著增加了成像的时间、加大了成像过程中的辐射剂量、极大降低了成像的效率。并且吸收光栅移动时需要微米级别的移动精度,对于控制设备的精密性要求很高。
基于横向错位吸收光栅X射线差分相位衬度成像方法能够在单次曝光的情况下提取差分相位衬度信号并重建得到样品的相位衬度图像。横向错位吸收光栅的基本思想是通过探测器相邻探元接受的强度信号对吸收光栅的步进过程进行近似,这个近似过程步进会降低成像的空间分辨率,而且会在重建图像中引入伪影,该问题会随着探测器探元尺寸的增加而变得严重。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种基于深度学习的单步X射线光栅差分相位衬度成像方法及装置,在保持成像质量的同时,减少成像时间、降低辐射剂量、提高成像效率,即提高了4倍效率。
第一方面,本发明一种基于深度学习的单步X射线光栅差分相位衬度成像方法,包括:
一种基于深度学习的单步X射线光栅差分相位衬度成像方法,其特征在于包括以下步骤:
步骤一:使用基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置获取样品的相位衬度图像,所述X射线光栅差分相位衬度成像需要在各采样角进行4次采集,使成像时间和射线剂量的增加,所述横向错位吸收光栅是探测器的探元对应的吸收光栅部分的相位出现横向周期性错位,使得探测器横向相邻4个探元的强度能够近似成在差分相位衬度成像中一个探元当吸收光栅在4个不同的步进位置时的强度,通过对探测器相邻4个探元的强度进行解析提取相应的近似差分相位衬度信号,并针对解析得到的近似差分相位衬度信号进行重建得到样品的相位衬度图像,所述近似差分相位衬度信号是由于横向错位吸收光栅通过单步采集的邻域像素替换代替4次采集,与实际相位衬度真值存在误差,导致重建图像产生伪影;
步骤二:基于残差学习及多尺度特征融合技术,构建卷积神经网络模型,卷积神经网络模型输入与输出图像尺寸相同,所述卷积神经网络的作用是修正步骤一解析出的近似差分相位衬度信号与差分相位衬度信号真值之间的误差,提高重建图像的质量;
步骤三:训练卷积神经网络模型,以基于横向错位吸收光栅获取的样品相位衬度图像为网络输入,相位衬度成像方法所获得的相位衬度图像为标签,计算卷积神经网络输出图像和标签图像的结构相似度,并以此构造损失函数对卷积神经网络进行更新,其中输入图像、输出图像和标签均进行归一化处理,并将灰度值拉伸至0-255;卷积神经网络参数采用Xavier初始化方法,初始学习率设置为0.001,采用Nadam优化器对参数进行更新;
步骤四:使用已训练的卷积神经网络模型对基于横向错位吸收光栅的相位衬度图像进行校正,将基于横向错位吸收光栅的相位衬度图像输入已训练的卷积神经网络,达到伪影去除及提高图像空间分辨率的目的。
所述步骤一中,基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置一共包括六个部分:X射线源、源光栅G0、样品、相位光栅G1、吸收光栅G2和探测器;
其中,源光栅G0用以产生相干X射线;相位光栅G1为50%的占空比,使X射线产生值为π的相位移动;吸收光栅G2采用横向错位吸收光栅,占空比为50%,其中一部分能够完全吸收X射线,另一部分能够透过X射线;
基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置的光栅设置如公式(1)-(4)所示:
kg1=2g2, (2)
g0=g2·L/d, (3)
s<g2·L/2d, (4)
其中,d为相位光栅G1和横向错位吸收光栅G2之间的距离,m为整数表示m倍的分数Talbot距离,k=(L+d)/L为放大比,g1为相位光栅G1的周期,λ为所用X射线的波长,g2为吸收光栅G2的周期,g0为源光栅G0的周期,L为源光栅G0与相位光栅G1直接的距离,s为源光栅中在每个周期下允许X射线透过的宽度;
所述步骤一中,基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置通过邻域探元的近似替换实现近似差分相位衬度信号的提取的过程为:X射线光栅差分相位衬度成像需要4次吸收光栅步进获取不同相位下的射线图像,p1—p4分别对应吸收光栅在不同步进位置时各探元的强度,并以此解析该探元的相位衬度信息,所述基横向错位吸收光栅的作用是通过横向周期性的光栅网格错位,将p1、p3、p4三个点的值近似为p2点的值,对于p2这个点,其中p1对应吸收光栅步进到位置1的值、p2对应吸收光栅步进到位置2的值、p3对应吸收光栅步进到位置3的值、p4对应吸收光栅步进到位置4的值;
对相邻4个探元的强度进行解析提取相应的近似差分相位衬度信号实现为:
通过探测器对二维投影图像进行采集,并依据公式(5)-(10)对二维投影图像进行解析:
I1(x,z)=I(x-1,z), (5)
I2(x,z)=I(x,z), (6)
I3(x,z)=I(x+1,z), (7)
I4(x,z)=I(x+2,z), (8)
phase(x,z)=φs(x,z)-φr(x,z), (10)
其中,x为二维投影图点的横坐标;z为二维投影图点的纵坐标;I(x,z)为二维投影图中点(x,z)的强度值;I1(x,z)、I2(x,z)、I3)x,z)、I4(x,z)分别表示点(x,z)的4个不同的强度值,模拟传统光栅差分相位衬度图像中点(x,z)当吸收光栅在4个不同的步进位置时的强度值;M为探测器的探元(x,z)中不同的强度值的个数,M=4;φ(x,z)为点(x,z)的4个不同的强度值拟合出的正弦曲线的相位值;φr(x,z)表示不放测试物体时的φ(x,z)值,φs(x,z)表示放置测试物体时的φ(x,z)值;phase(x,z)为点(x,z)解析得到的差分相位衬度信号。
所述步骤一中,针对解析得到的近似差分相位衬度信号进行重建得到样品的相位衬度图像时采用横向错位吸收光栅,使用一次曝光完成相位衬度成像,依据公式(11)-(12)实现:
其中,δ(x,y)为待重建相位衬度图像,U为几何加权因子,phaseθ为解析得到的差分相位衬度信号,h(v)为Hilbert滤波器,θ为旋转角度。
所述步骤二中,构建卷积神经网络模型为:以卷积层及激活函数为基本单元;卷积神经网络由多个分支组成,存在下采样和上采样操作,输入图像尺寸与输出图像尺寸相同;采用多尺度特征融合思想对网络所提取的各个层级特征进行融合;使用残差学习思想避免训练过程中出现的梯度消失问题;卷积神经网络的输入和标签分别采用步骤一得到的近似差分相位衬度信号和四步法得到的准确信号衬度信号,经过训练,卷积神经网络学习了两者间的误差并进行修正,输出高质量的信号衬度信号。
第二方面,本发明提供一种基于深度学习的单步X射线光栅差分相位衬度成像装置,包括:
图像采集模块,采用基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置,使用探测器集二维投影图像;
图像解析模块,依据差分相位衬度信号提取算法对所述二维投影图像进行图像解析;
图像重建模块,使用滤波反投影重建算法对所述差分相位衬度成像信号进行重建得到相位衬度图像;
图像校正模块,使用卷积神经网络对基于横向错位吸收光栅的X射线光栅差分相位衬度成像方法得到的相位衬度图像进行校正,达到消除伪影及提高图像空间分辨率的目的。
第三方面,本发明实施例提供一种基于深度学习的单步X射线光栅差分相位衬度成像设备,包括:
储存器,用于存储计算机程序;
中央处理单元,用于执行所述计算机程序,以实现前述公开的基于深度学习的单步X射线光栅差分相位衬度成像方法;
图形处理单元,用于加速所述计算机程序,以对前述公开的基于深度学习的单步X射线光栅差分相位衬度成像方法进行加速。
第四方面,本发明提供一种可读存储介质,用于保存计算机程序,其中,所述计算机程序在被中央处理单元及图形处理单元执行是实现前述公开的基于深度学习的单步X射线光栅差分相位衬度成像方法。
本发明与现有技术相比的优点:
本发明相比现有的X射线光栅差分相位衬度成像技术,能够有效减少样品所受的辐射剂量,提高成像效率;同时相比现有的基于横向错位吸收光栅的X射线光栅差分相位衬度成像技术,能够有效消除因光栅位置近似所产生的伪影,提高最终的成像质量及空间分辨率。使用该方法能够使用一次曝光实现X射线相位衬度成像,避免了高精度的吸收光栅步进,降低了辐射剂量,同时有效地解决了错位吸收光栅因位置近似所导致的图像伪影及空间分辨率降低的问题,进一步提高了基于横向错位吸收光栅的X射线光栅差分相位衬度成像技术的成像质量。
附图说明
图1为本发明的基于深度学习的单步X射线光栅差分相位衬度成像方法流程图;
图2为基于横向错位吸收光栅的X射线光栅差分相位衬度成像***原理图;
图3为横向错位吸收光栅的原理图;
图4为本发明采用的卷积神经网络结构图;
图5为本发明卷积神经网络中残差块结构图;
图6为本发明卷积神经网络中上采样块结构图;
图7为传统X射线差分相位衬度成像方法(左图)、基于横向错位吸收光栅的X射线差分相位衬度成像方法(中图)及本发明提供的基于深度学习的单步X射线光栅差分相位衬度成像方法相位衬度图像(右图)结果对比图;
图8为本发明提供的基于深度学习的单步X射线光栅差分相位衬度成像装置图;
图9为本发明提供的基于深度学习的单步X射线光栅差分相位衬度成像设备图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明。
如图1所示,本发明实施例针对基于横向错位吸收光栅X射线光栅差分相位衬度成像所产生的伪影及分辨率降低等问题,提供了基于深度学习的单步X射线光栅差分相位衬度成像方法,该方法具体步骤如下:
S101、使用基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置获取样品相位衬度图像。
基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置一共包括六个部分:X射线源、源光栅G0、样品、相位光栅G1、吸收光栅G2、探测器;
其中,源光栅G0用以产生相干X射线;相位光栅G1为50%的占空比,使X射线产生值为π的相位移动;吸收光栅G2采用横向错位吸收光栅,占空比为50%,其中一部分能够完全吸收X射线,另一部分能够透过X射线;
基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置各参数之间对应的关系如公式(1)-(4)所示:
kg1=2g2, (2)
g0=g2·L/d, (3)
s<g2·L/2d, (4)
其中,d为相位光栅G1和横向错位吸收光栅G2之间的距离,m为整数表示m倍的分数Talbot距离,k=(L+d)/L为放大比,g1为相位光栅G1的周期,λ为所用X射线的波长,g2为吸收光栅G2的周期,g0为源光栅G0的周期,L为源光栅G0与相位光栅G1直接的距离,s为源光栅中在每个周期下允许X射线透过的宽度;
如图2所示,基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置包括:普通X射线源20、X射线21、源光栅G022、样品23、相位光栅G124、吸收光栅G225、探测器26、计算机27。其中,探测器24、X射线源20分别与计算机27连接。计算机27用于控制X射线源20产生X射线束21的强度与时间,并控制探测器26的采集二维投影图片。X射线源20产成的X射线束21经过源光栅G022后对待测物体23进行透射,待测物体23成像区被X射线束21覆盖,X射线束21经过相位光栅G124和吸收光栅G225调制信号后被探测器26采集。当完成采集后,计算机27控制探测器26停止采样、控制X射线源20停止产生X射线,基于横向错位吸收光栅的X射线光栅差分相位衬度成像***完成一次成像。探测器26将将二维投影图像传输给计算机27。
如图3所示,横向错位吸收光栅结构中,探测器探元对应的吸收光栅部分的相位出现横向周期性错位,使得横向相邻4个探元的强度能够近似成在传统差分相位衬度成像中一个探元当吸收光栅在4个不同的步进位置时的强度,考虑相邻4个探元的值具有一定的相似性,可以将p1、p3、p4三个点的值近似为p2点的值,对于p2这个点,其中p1对应传统吸收光栅步进到位置1的值、p2对应传统吸收光栅步进到位置2的值、p3对应传统吸收光栅步进到位置3的值、p4对应传统吸收光栅步进到位置4的值;
通过探测器对二维投影图像进行采集,并依据公式(5)-(10)对所述的二维投影图像进行图像解析:
I1(x,z)=I(x-1,z), (5)
I2(x,z)=I(x,z), (6)
I3(x,z)=I(x+1,z), (7)
I4(x,z)=I(x+2,z), (8)
phase(x,z)=φs(x,z)-φr(x,z), (10)
其中,x为二维投影图点的横坐标;z为二维投影图点的纵坐标;I(x,z)为二维投影图中点(x,z)的强度值;I1(x,z)、I2(x,z)、I3(x,z)、I4(x,z)分别表示点(x,z)的4个不同的强度值,模拟传统光栅差分相位衬度图像中点(x,z)当吸收光栅在4个不同的步进位置时的强度值;M为探测器探元(x,z)中不同的强度值的个数,在本发明中M=4;φ(x,z)为点(x,z)的4个不同的强度值拟合出的正弦曲线的相位值;φr(x,z)表示不放测试物体时的φ(x,z)值,φs(x,z)表示放置测试物体时的φ(x,z)值;phase(x,z)为点(x,z)解析得到的差分相位衬度信号;
使用公式(11)-(12)所示的滤波反投影重建算法对所述差分相位衬度信号进行重建得到相应的相位衬度图像:
其中,δ(x,y)为待重建相位衬度图像,U为几何加权因子,phaseθ为解析得到的差分相位衬度信号,h(v)为Hilbert滤波器,θ为旋转角度。
S102、构建卷积神经网络。
如图4所示,卷积神经网络结构由4个分支组成,每个分支首先利用卷积层来提取初级特征,之后分别进行不同层级的下采样操作,下采样因子分别对应1、2、4、8,采用多个步长为2的卷积层实现;下采样后的特征层通过残差块进行进一步的特征提取,之后通过分别通过多个上采样块将特征层尺寸放缩至与输入图像大小相同的尺寸,之后各自通过一层卷积层后进行通道合并,再次进行特征提取后进行归一化进行输出。其中残差块和上采样块的结构分别如图5与图6所示。
所述卷积神经网络通过采用多尺度特征融合思想对网络所提取的各个层级特征进行融合,同时使用残差学习思想避免训练过程中出现的梯度消失问题。
S103、训练卷积神经网络模型。
以基于横向错位吸收光栅的X射线差分相位衬度成像方法获得的相位衬度图像为输入图像,传统X射线差分相位衬度成像方法所获得的相位衬度图像为真值,计算网络输出图像及输入图像的结构相似度,并以此构造损失函数对卷积神经网络进行更新;输入图像、输出图像、真值均进行归一化处理,并将灰度值拉伸至0-255;卷积神经网络参数采用Xavier初始化方法,初始学习率设置为0.001,采用Nadam优化器对神经网络参数进行更新。
S104、使用已训练的卷积神经网络模型对基于横向错位吸收光栅的相位衬度图像进行校正。
将基于横向错位吸收光栅的X射线差分相位衬度成像方法获得的相位衬度图像输入已训练的卷积神经网络,达到伪影去除及提高图像空间分辨率的目的。
本发明相比于现有的基于横向错位吸收光栅的X射线光栅差分相位衬度成像技术,能够解决因位置近似所导致的空间分辨率降低及伪影问题,提高重建图像的质量;避免了吸收光栅的高精度步进,显著降低了成像时间,提高了成像过程的效率和最终的成像质量。
为了证明上述实施例的效果,本发明实施例进行了如下实验,实验步骤如下:
(1)获取数据集。对传统X射线相位衬度成像方法得到的投影图进行重排得到横向错位吸收光栅的投影图,并进行解析及重建得到最终的重建结果图。重建相位衬度图像共有195层,图像大小为341×341,采用其中95层进行训练,另外100层进行测试。
(2)训练卷积神经网络。以基于横向错位吸收光栅的X射线差分相位衬度成像方法获得的95层相位衬度图像为输入图像,传统X射线差分相位衬度成像方法所获得的对应的相位衬度图像为真值,采用Nadam优化器对神经网络参数进行更新,初始学习率设置为0.001。
(3)使用测试集进行测试。将另外100层基于横向错位吸收光栅的X射线差分相位衬度成像方法获得的相位衬度图像输入已训练的卷积神经网络进行测试。
图7为传统X射线差分相位衬度成像方法、基于横向错位吸收光栅的X射线差分相位衬度成像方法及本发明实施例提供的基于深度学习的单步X射线光栅差分相位衬度成像方法相位衬度图像结果对比图。
由图7可知,本发明实施例能够有效地消除基于横向错位吸收光栅的X射线差分相位衬度成像方法所产生的伪影,提高了图像的空间分辨率。本发明实施例提供的基于深度学习的单步X射线光栅差分相位衬度成像方法通过一次曝光即可实现成像过程,极大减少成像时间,显著降低成像时的辐射剂量,解决了横向错位吸收光栅所导致的伪影及空间分辨率降低的问题,提高了图像的最终重建质量。
图8为本发明实施例提供的基于深度学习的单步X射线光栅差分相位衬度成像装置图。如图8所示,基于深度学习的单步X射线光栅差分相位衬度成像装置包括图像采集模块81、图像解析模块82、图像重建模块83和图像校正模块84。其中,图像采集模块81采用基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置,使用探测器集二维投影图像;图像解析模块82依据差分相位衬度信号提取算法对所述二维投影图像进行图像解析;图像重建模块83使用滤波反投影重建算法对所述差分相位衬度成像信号进行重建得到相位衬度图像;图像校正模块84使用卷积神经网络对基于横向错位吸收光栅的X射线光栅差分相位衬度成像方法得到的相位衬度图像进行校正,达到消除伪影及提高图像空间分辨率的目的。
本发明实施例提供的基于深度学习的单步X射线光栅差分相位衬度成像装置能够有效地消除基于横向错位吸收光栅的X射线差分相位衬度成像方法所产生的伪影,提高图像的空间分辨率,同时通过一次曝光即可实现成像过程,极大减少成像时间,显著降低成像时的辐射剂量。
图像采集模块81包括:通过探测器采集未放置测试物体时的二维投影图像;将样品放置于成像光路中,保证样品被X射线全部覆盖;通过探测器采集放置样品后的二维投影图像。成像光路各参数如公式(1)-(4)所示:
kg1=2g2, (2)
g0=g2·L/d, (3)
s<g2·L/2d, (4)
其中,d为相位光栅G1和横向错位吸收光栅G2之间的距离,m为整数表示m倍的分数Talbot距离,k=(L+d)/L为放大比,g1为相位光栅G1的周期,λ为所用X射线的波长,g2为吸收光栅G2的周期,g0为源光栅G0的周期,L为源光栅G0与相位光栅G1直接的距离,s为源光栅中在每个周期下允许X射线透过的宽度;
图像解析模块82依据公式(5)-(10)对所述的二维投影图像进行图像解析:
I1(x,z)=I(x-1,z), (5)
I2(x,z)=I(x,z), (6)
I3(x,z)=I(x+1,z), (7)
I4(x,z)=I(x+2,z), (8)
phase(x,z)=φs(x,z)-φr(x,z), (10)
其中,x为二维投影图点的横坐标;z为二维投影图点的纵坐标;I(x,z)为二维投影图中点(x,z)的强度值;I1(x,z)、I2(x,z)、I3(x,z)、I4(x,z)分别表示点(x,z)的4个不同的强度值,模拟传统光栅差分相位衬度图像中点(x,z)当吸收光栅在4个不同的步进位置时的强度值;M为探测器探元(x,z)中不同的强度值的个数,在本发明中M=4;φ(x,z)为点(x,z)的4个不同的强度值拟合出的正弦曲线的相位值;φr(x,z)表示不放测试物体时的φ(x,z)值,φs(x,z)表示放置测试物体时的φ(x,z)值;phase(x,z)为点(x,z)解析得到的差分相位衬度信号;
图像重建模块83依据公式(11)-(12)对所述差分相位衬度信号进行重建:
其中,δ(x,y)为待重建相位衬度图像,U为几何加权因子,phaseθ为解析得到的差分相位衬度信号,h(v)为Hilbert滤波器,θ为旋转角度;
图像校正模块84使用已训练的卷积神经网络模型对基于横向错位吸收光栅的相位衬度图像进行校正,将基于横向错位吸收光栅的X射线差分相位衬度成像方法获得的相位衬度图像输入已训练的卷积神经网络,达到伪影去除及提高图像空间分辨率的目的。
本发明实施例提供的基于深度学习的单步X射线光栅差分相位衬度成像装置可以具体用于执行上述图1所提供的方法实施例,具体功能此处不再赘述。
本发明实施例提供的基于深度学习的单步X射线光栅差分相位衬度成像装置能够有效地消除基于横向错位吸收光栅的X射线差分相位衬度成像方法所产生的伪影,提高图像的空间分辨率,同时通过一次曝光即可实现成像过程,极大减少成像时间,提高了成像效率并显著降低成像时的辐射剂量。
图9为本发明实施例提供的基于深度学习的单步X射线光栅差分相位衬度成像设备。如图9所示,针对基于深度学习的单步X射线光栅差分相位衬度成像设备包括91存储器、92中央处理单元、93图形处理单元。其中储存器,用于存储计算机程序;中央处理单元,用于执行所述计算机程序,以实现前述公开的基于深度学习的单步X射线光栅差分相位衬度成像方法;图形处理单元,用于加速所述计算机程序,以对前述公开的基于深度学习的单步X射线光栅差分相位衬度成像方法进行加速。
下面对本发明实施例提供的一种可读存储介质进行介绍,所述可读存储介质用于保存计算机程序,其中,所述计算机程序在被中央处理单元及图形处理单元执行时实现前述实施例公开的基于深度学习的单步X射线光栅差分相位衬度成像方法。
综上所述,本发明能够有效地消除基于横向错位吸收光栅的X射线差分相位衬度成像方法所产生的伪影,提高了图像的空间分辨率;同时成像过程通过一次曝光实现,极大地减少了成像时间,显著降低了成像时的辐射剂量。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部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各实施例技术方案的范围。
Claims (3)
1.一种基于深度学习的单步X射线光栅差分相位衬度成像方法,其特征在于,包括以下步骤:
步骤一:使用基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置获取样品的相位衬度图像,所述X射线光栅差分相位衬度成像需要在各采样角进行4次采集,使成像时间和射线剂量的增加,所述横向错位吸收光栅是探测器的探元对应的吸收光栅部分的相位出现横向周期性错位,使得探测器横向相邻4个探元的强度能够近似成在差分相位衬度成像中一个探元当吸收光栅在4个不同的步进位置时的强度,通过对探测器相邻4个探元的强度进行解析提取相应的近似差分相位衬度信号,并针对解析得到的近似差分相位衬度信号进行重建得到样品的相位衬度图像,所述近似差分相位衬度信号是由于横向错位吸收光栅通过单步采集的邻域像素替换代替4次采集,与实际相位衬度真值存在误差,导致重建图像产生伪影;
步骤二:基于残差学习及多尺度特征融合技术,构建卷积神经网络模型,卷积神经网络模型输入与输出图像尺寸相同,所述卷积神经网络的作用是修正步骤一解析出的近似差分相位衬度信号与差分相位衬度信号真值之间的误差,提高重建图像的质量;
步骤三:训练卷积神经网络模型,以基于横向错位吸收光栅获取的样品相位衬度图像为网络输入,相位衬度成像方法所获得的相位衬度图像为标签,计算卷积神经网络输出图像和标签图像的结构相似度,并以此构造损失函数对卷积神经网络进行更新,其中输入图像、输出图像和标签均进行归一化处理,并将灰度值拉伸至0-255;卷积神经网络参数采用Xavier初始化方法,初始学习率设置为0.001,采用Nadam优化器对参数进行更新;
步骤四:使用已训练的卷积神经网络模型对基于横向错位吸收光栅的相位衬度图像进行校正,将基于横向错位吸收光栅的相位衬度图像输入已训练的卷积神经网络,达到伪影去除及提高图像空间分辨率的目的;
所述步骤一中,针对解析得到的近似差分相位衬度信号进行重建得到样品的相位衬度图像时采用横向错位吸收光栅,使用一次曝光完成相位衬度成像,依据公式(11)-(12)实现:
其中,δ(x,y)为待重建相位衬度图像,U为几何加权因子,phaseθ为解析得到的差分相位衬度信号,h(v)为Hilbert滤波器,θ为旋转角度;
所述步骤二中,构建卷积神经网络模型为:以卷积层及激活函数为基本单元;卷积神经网络由多个分支组成,存在下采样和上采样操作,输入图像尺寸与输出图像尺寸相同;采用多尺度特征融合思想对网络所提取的各个层级特征进行融合;使用残差学习思想避免训练过程中出现的梯度消失问题;卷积神经网络的输入和标签分别采用步骤一得到的近似差分相位衬度信号和四步法得到的准确信号衬度信号,经过训练,卷积神经网络学习了两者间的误差并进行修正,输出高质量的信号衬度信号。
2.根据权利要求1所述的基于深度学习的单步X射线光栅差分相位衬度成像方法,其特征在于:所述步骤一中,基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置一共包括六个部分:X射线源、源光栅G0、样品、相位光栅G1、吸收光栅G2和探测器;
其中,源光栅G0用以产生相干X射线;相位光栅G1为50%的占空比,使X射线产生值为π的相位移动;吸收光栅G2采用横向错位吸收光栅,占空比为50%,其中一部分能够完全吸收X射线,另一部分能够透过X射线;
基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置的光栅设置如公式(1)-(4)所示:
kg1=2g2, (2)
g0=g2·L/d, (3)
s<g2·L/2d, (4)
其中,d为相位光栅G1和横向错位吸收光栅G2之间的距离,m为整数表示m倍的分数Talbot距离,k=(L+d)/L为放大比,g1为相位光栅G1的周期,λ为所用X射线的波长,g2为吸收光栅G2的周期,g0为源光栅G0的周期,L为源光栅G0与相位光栅G1直接的距离,s为源光栅中在每个周期下允许X射线透过的宽度。
3.根据权利要求1所述的基于深度学习的单步X射线光栅差分相位衬度成像方法,其特征在于:所述步骤一中,基于横向错位吸收光栅的X射线光栅差分相位衬度成像装置通过邻域探元的近似替换实现近似差分相位衬度信号的提取的过程为:X射线光栅差分相位衬度成像需要4次吸收光栅步进获取不同相位下的射线图像,p1—p4分别对应吸收光栅在不同步进位置时各探元的强度,并以此解析该探元的相位衬度信息,所述横向错位吸收光栅的作用是通过横向周期性的光栅网格错位,将p1、p3、p4三个点的值近似为p2点的值,对于p2这个点,其中p1对应吸收光栅步进到位置1的值、p2对应吸收光栅步进到位置2的值、p3对应吸收光栅步进到位置3的值、p4对应吸收光栅步进到位置4的值;
对相邻4个探元的强度进行解析提取相应的近似差分相位衬度信号实现为:
通过探测器对二维投影图像进行采集,并依据公式(5)-(10)对二维投影图像进行解析:
I1(x,z)=I(x-1,z), (5)
I2(x,z)=I(x,z), (6)
I3(x,z)=I(x+1,z), (7)
I4(x,z)=I(x+2,z), (8)
phase(x,z)=φs(x,z)-φr(x,z), (10)
其中,x为二维投影图点的横坐标;z为二维投影图点的纵坐标;I(x,z)为二维投影图中点(x,z)的强度值;I1(x,z)、I2(x,z)、I3(x,z)、I4(x,z)分别表示点(x,z)的4个不同的强度值,模拟传统光栅差分相位衬度图像中点(x,z)当吸收光栅在4个不同的步进位置时的强度值;M为探测器的探元(x,z)中不同的强度值的个数,M=4;φ(x,z)为点(x,z)的4个不同的强度值拟合出的正弦曲线的相位值;φr(x,z)表示不放测试物体时的φ(x,z)值,φs(x,z)表示放置测试物体时的φ(x,z)值;phase(x,z)为点(x,z)解析得到的差分相位衬度信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296166.9A CN114018961B (zh) | 2021-11-03 | 2021-11-03 | 基于深度学习的单步x射线光栅差分相位衬度成像方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111296166.9A CN114018961B (zh) | 2021-11-03 | 2021-11-03 | 基于深度学习的单步x射线光栅差分相位衬度成像方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114018961A CN114018961A (zh) | 2022-02-08 |
CN114018961B true CN114018961B (zh) | 2023-08-18 |
Family
ID=80060682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111296166.9A Active CN114018961B (zh) | 2021-11-03 | 2021-11-03 | 基于深度学习的单步x射线光栅差分相位衬度成像方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114018961B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010146503A1 (en) * | 2009-06-16 | 2010-12-23 | Koninklijke Philips Electronics N. V. | Correction method for differential phase contrast imaging |
WO2013014083A1 (en) * | 2011-07-28 | 2013-01-31 | Paul Scherrer Institut | Method for image fusion based on principal component analysis |
CN107144581A (zh) * | 2017-05-05 | 2017-09-08 | 北京航空航天大学 | 基于横向错位吸收光栅的x射线光栅差分相位衬度成像方法及装置 |
CN108469443A (zh) * | 2018-04-18 | 2018-08-31 | 北京航空航天大学 | 基于二维错位吸收光栅的x射线光栅差分相位衬度成像方法及装置 |
CN108680589A (zh) * | 2018-05-31 | 2018-10-19 | 北京航空航天大学 | 基于横向错位光栅的x射线光栅差分相位衬度三维锥束计算机层析成像方法及装置 |
CN112568923A (zh) * | 2020-12-10 | 2021-03-30 | 中国科学院深圳先进技术研究院 | X射线相位衬度图像提取方法、装置、终端及存储介质 |
-
2021
- 2021-11-03 CN CN202111296166.9A patent/CN114018961B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010146503A1 (en) * | 2009-06-16 | 2010-12-23 | Koninklijke Philips Electronics N. V. | Correction method for differential phase contrast imaging |
WO2013014083A1 (en) * | 2011-07-28 | 2013-01-31 | Paul Scherrer Institut | Method for image fusion based on principal component analysis |
CN107144581A (zh) * | 2017-05-05 | 2017-09-08 | 北京航空航天大学 | 基于横向错位吸收光栅的x射线光栅差分相位衬度成像方法及装置 |
CN108469443A (zh) * | 2018-04-18 | 2018-08-31 | 北京航空航天大学 | 基于二维错位吸收光栅的x射线光栅差分相位衬度成像方法及装置 |
CN108680589A (zh) * | 2018-05-31 | 2018-10-19 | 北京航空航天大学 | 基于横向错位光栅的x射线光栅差分相位衬度三维锥束计算机层析成像方法及装置 |
CN112568923A (zh) * | 2020-12-10 | 2021-03-30 | 中国科学院深圳先进技术研究院 | X射线相位衬度图像提取方法、装置、终端及存储介质 |
Non-Patent Citations (1)
Title |
---|
X射线光栅相位成像的理论和方法;陈博;朱佩平;刘宜晋;王寯越;袁清习;黄万霞;明海;吴自玉;;物理学报(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114018961A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11120582B2 (en) | Unified dual-domain network for medical image formation, recovery, and analysis | |
EP3608877B1 (en) | Iterative image reconstruction framework | |
US11039805B2 (en) | Deep learning based estimation of data for use in tomographic reconstruction | |
US20180293762A1 (en) | Tomographic reconstruction based on deep learning | |
CN111429379B (zh) | 一种基于自监督学习的低剂量ct图像去噪方法及*** | |
US11589834B2 (en) | Deep neural network for CT metal artifact reduction | |
CN103098095B (zh) | 微分相位对比成像中的规则化的相位恢复 | |
CN106683144A (zh) | 一种图像迭代重建方法及装置 | |
CN116503507B (zh) | 基于预训练模型的磁粒子图像重建方法 | |
Bao et al. | Undersampled MR image reconstruction using an enhanced recursive residual network | |
EP4071720A1 (en) | System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector | |
CN116091636A (zh) | 基于双域增强的x射线差分相衬成像不完备数据重建方法 | |
Zhao et al. | Localized motion artifact reduction on brain MRI using deep learning with effective data augmentation techniques | |
CN114018961B (zh) | 基于深度学习的单步x射线光栅差分相位衬度成像方法及装置 | |
CN114137002B (zh) | 一种基于衬度间增强的低剂量x射线差分相位衬度成像方法 | |
CN116485925A (zh) | 一种ct图像环状伪影抑制方法、装置、设备和存储介质 | |
KR102329938B1 (ko) | 뉴럴 네트워크를 이용한 콘빔 단층촬영 영상 처리 방법 및 그 장치 | |
CN110264536B (zh) | 一种在平行束超分重建中计算高低分辨率投影关系的方法 | |
CN115578263B (zh) | 一种基于生成网络的ct超分辨重建方法、***及装置 | |
Deep Learning Based CT Image Reconstruction | ||
Lin et al. | DdeNet: A dual-domain end-to-end network combining Pale-Transformer and Laplacian convolution for sparse view CT reconstruction | |
CN117830187A (zh) | 医学图像处理方法、装置以及医疗设备 | |
Sha et al. | Removing ring artifacts in CBCT images via Transformer with unidirectional vertical gradient loss | |
CN112862913A (zh) | 一种多尺度带孔密集重建网络及其有限角ct成像方法 | |
CN117582204A (zh) | 一种基于***矩阵超分辨率网络的mpi加速校准方法 |
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 |