【技术实现步骤摘要】
物质分解方法、装置和系统
本专利技术涉及断层影像重建领域,尤其涉及物质分解方法、装置和系统。
技术介绍
随着X光探测器和成像系统的发展,使用双能或多能的能谱CT能谱CT(ComputedTomography,电子计算机断层成像技术)得到广泛的应用。相比于传统的单能CT,使用2个或2个以上能窗或能量通道的X光穿过待测物体形成的信号进行成像的能谱CT可以克服谱硬化和对比度不足等缺点,从成像的底层物理基础出发打破了传统CT成像在很多应用领域的发展瓶颈,提高了X光CT图像区分物质能力和提高物质成分定量分析能力。光子计数探测器具有良好的能量分辨特性和能谱分辨能力,它可以对不同能量的入射光子分别进行计数,识别光子的能量信息,同时得到不同光子能量下的投影数据,从而进行不同光子能量下的CT重建。通过引入能谱信息,能谱CT可通过物质分解方法进行物质鉴别、识别物质组成,从而进行精确图像重建。例如,能谱CT通过多个能窗的数据可提供被检测物质的电子密度、等效原子序数信息。但是,由于光子计数探测器的非理想物理效应,比如电荷共享、脉冲堆积和k-逃逸等,会造成能谱变形,给分解模型带来误差,影响物质分解的准确性。
技术实现思路
本专利技术实施例提供物质分解方法、装置和系统,通过人工神经网络进行物质分解,提高了物质分解的准确性。根据本专利技术实施例的一方面,提供一种物质分解方法,包括:采集标定模体在两个或两个以上能窗的投影数据,根据投影数据和指定域的物质分解实现方式,确定与指定域的物质分解实现方式对应的该标定模体的多能数据;设置理想单能,通过预设的方法得到标定模体在该理想单能下的理想单能数据; ...
【技术保护点】
1.一种物质分解方法,其特征在于,所述物质分解方法包括:采集标定模体在两个或两个以上能窗的投影数据,根据所述投影数据和指定域的物质分解实现方式,确定与所述指定域的物质分解实现方式对应的所述标定模体的多能数据;设置理想单能,通过预设的方法得到所述标定模体在所述理想单能下的理想单能数据;根据所述多能数据训练对应的神经网络,所述训练后的神经网络反映所述多能数据和所述理想单能数据之间的映射关系;基于待分解物质在所述能窗的投影数据和所述训练后的神经网络,分解所述待分解物质。
【技术特征摘要】
1.一种物质分解方法,其特征在于,所述物质分解方法包括:采集标定模体在两个或两个以上能窗的投影数据,根据所述投影数据和指定域的物质分解实现方式,确定与所述指定域的物质分解实现方式对应的所述标定模体的多能数据;设置理想单能,通过预设的方法得到所述标定模体在所述理想单能下的理想单能数据;根据所述多能数据训练对应的神经网络,所述训练后的神经网络反映所述多能数据和所述理想单能数据之间的映射关系;基于待分解物质在所述能窗的投影数据和所述训练后的神经网络,分解所述待分解物质。2.根据权利要求1所述的物质分解方法,其特征在于,所述指定域的物质分解实现方式为投影域物质分解,所述多能数据为所述标定模体在所述能窗的投影数据,所述理想单能数据为理想单能投影数据;所述设置理想单能,通过预设的方法得到所述标定模体在所述理想单能下的理想单能数据,包括:使用所述投影数据,通过单能断层影像CT重建方法得到所述标定模体在所述能窗的重建图像;获取设置的所述理想单能,通过图像配准得到所述理想单能下的理想单能重建图像;对所述理想单能重建图像进行投影,得到所述理想单能投影数据,将所述理想单能投影数据作为所述理想单能数据。3.根据权利要求1所述的物质分解方法,其特征在于,所述多能数据为所述标定模体在所述能窗的投影数据,所述理想单能数据为理想单能投影数据,所述神经网络为投影域神经网络,所述投影域神经网络包括一个输入层、一个输出层和隐含层;所述根据所述多能数据训练对应的神经网络,包括:获取所述标定模体在所述能窗的投影数据中投影点的h×g邻域,将所述h×g邻域中投影点的投影值作为所述投影域神经网络的输入数据,其中,所述h为指定的所述投影点相邻的探测器单元的数量,所述g为指定的所述投影点相邻的投影角度的数量;将所述理想单能投影数据中与所述h×g邻域中中心投影点对应的理想投影值作为所述投影域神经网络的目标值;设置所述投影域神经网络的隐含层层数、隐含层激活函数、输出层激活函数和目标函数,通过预设的神经网络算法和学习速率训练所述投影域神经网络。4.根据权利要求1所述的物质分解方法,其特征在于,所述神经网络为投影域神经网络;所述基于待分解物质在所述能窗的投影数据和所述训练后的神经网络,分解所述待分解物质,包括:获取所述待分解物质在所述能窗的投影数据中投影点的h×g邻域,将所述待分解物质在所述h×g邻域中投影点的投影值作为所述投影域神经网络的输入数据,使用所述训练后的投影域神经网络,得到所述待分解物质的理想单能投影值,其中,所述h为指定的所述投影点相邻的探测器单元的数量,所述g为指定的所述投影点相邻的投影角度的数量;对所述待分解物质的理想单能投影值进行单能CT重建,得到所述待分解物质的理想单能重建图像。5.根据权利要求1所述的物质分解方法,其特征在于,所述指定域的物质分解实现方式为图像域物质分解,所述多能数据为所述标定模体在所述能窗的重建图像,所述重建图像是使用所述投影数据通过单能CT重建方法得到的,所述理想单能数据为理想单能重建图像;所述设置理想单能,通过预设的方法得到所述标定模体在所述理想单能下的理想单能数据,包括:获取设置的所述理想单能;根据所述理想单能的能量值,通过查表的方法得到所述理想单能下的理想单能重建图像,将所述理想单能重建图像作为所述理想单能数据。6.根据权利要求1所述的物质分解方法,其特征在于,所述多能数据为所述标定模体在所述能窗的重建图像,所述理想单能数据为理想单能重建图像,所述神经网络为图像域神经网络,所述图像域神经网络包括一个输入层、一个输出层和隐含层;所述根据所述多能数据训练对应的神经网络,包括:获取所述标定模体在所述能窗的重建图像中像素点的n×n邻域,将所述n×n邻域中像素点的重建值作为所述图像域神经网络的输入数据,其中,所述n为指定的所述像素点的邻域尺寸;将所述理想单能重建图像中与所述n×n邻域中中心像素点对应的理想重建值作为所述图像域神经网络的目标值;设置所述图像域神经网络的隐含层层数、隐含层节点数、隐含层激活函数、输出层激活函数和目标函数,通过预设的神经网络算法和学习速率训练所述图像域神经网络。7.根据权利要求1所述的物质分解方法,其特征在于,所述神经网络为图像域神经网络;所述基于待分解物质在所述能窗的投影数据和所述训练后的神经网络,分解所述待分解物质,包括:根据所述待分解物质在所述能窗的投影数据,通过所述单能CT重建方法得到所述待分解物质在所述能窗的重建图像;获取所述待分解物质在所述能窗的重建图像中像素点的n×n邻域,将所述待分解物质在所述n×n邻域中像素点的重建值作为所述图像域神经网络的输入数据,使用所述训练后的图像域神经网络,得到所述待分解物质的理想单能重建值,其中,所述n为指定的所述像素点的邻域尺寸;根据所述待分解物质的理想单能重建值,得到所述待分解物质的理想单能重建图像。8.根据权利要求1所述的物质分解方法,其特征在于,所述投影数据还包括采集的空气在所述两个或两个以上能窗的投影数据;所述多能数据还包括所述空气在所述能窗的多能数据,所述空气在所述能窗的多能数据是根据所述空气在所述能窗的投影数据和所述指定域的物质分解实现方式确定的。9.一种物质分解装置,其特征在于,所述物质分解装置包括:多能数据获取模块,用于采集标定模体在两个或两个以上能窗的投影数据,根据所述投影数据和指定域的物质分解实现方式,确定与所述指定...
【专利技术属性】
技术研发人员:邢宇翔,冯初晴,张丽,陈志强,沈乐,
申请(专利权)人:清华大学,同方威视技术股份有限公司,
类型:发明
国别省市:北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。