物质分解方法、装置和系统制造方法及图纸

本发明专利技术公开了一种物质分解方法、装置和系统。该物质分解方法包括：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，确定该标定模体与指定域的物质分解实现方式对应的多能数据；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；根据多能数据训练对应的神经网络，训练后的神经网络反映多能数据和理想单能数据之间的映射关系；基于待分解物质在指定能窗的投影数据和训练后的神经网络，分解待分解物质。根据本发明专利技术实施例提供的物质分解方法，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。

【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；根据多能数据训练对应的神经网络，训练后的神经网络反映多能数据和理想单能数据之间的映射关系；基于待分解物质在指定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。根据本专利技术实施例的另一方面，提供一种物质分解装置，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；理想单能数据获取模块，用于设置理想单能，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；神经网络训练模块，用于根据多能数据训练对应的神经网络，训练后的神经网络反映多能数据和理想单能数据之间的映射关系；物质分解模块，用于基于待分解物质在指定能窗的投影数据和训练后的神经网络，分解待分解物质。根据本专利技术实施例的再一方面，提供一种物质分解系统，包括：存储器和处理器；该存储器用于存储程序代码；该处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序，以用于执行上述的物质分解方法。根据本专利技术实施例中的物质分解方法、装置和系统，采集标定物体的多能数据作为神经网络的输入数据，并将标定物体的理想单能数据作为神经网络的目标值，训练人工神经网络，并使用训练得到的神经网络对物质进行分解，从而对识别物质以进行精确地图像重建。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例中所需要使用的附图作简单地介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是示出根据本专利技术一实施例的物质分解方法的流程图；图2是图1中得到理想单能数据的第一示例流程图；图3是图1中根据多能数据训练神经网络的第一示例流程图；图4是图1中得到理想单能数据的第二示例流程图；图5是图1中根据多能数据训练神经网络的第二示例流程图；图6是示出根据本专利技术一实施例提供的物质分解装置的结构示意图；图7是图6中理想单能数据获取模块的具体结构示意图；图8是图6中神经网络训练模块的具体结构示意图；图9是示出了根据本专利技术实施例的计算设备的示例性硬件架构的结构图。具体实施方式下面将详细描述本专利技术的各个方面的特征和示例性实施例，为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本专利技术，并不被配置为限定本专利技术。对于本领域技术人员来说，本专利技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本专利技术的示例来提供对本专利技术更好的理解。需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。为了更好的理解本专利技术，下面将结合附图，详细描述根据本专利技术实施例的物质分解方法、装置和系统，应注意，这些实施例并不是用来限制本专利技术公开的范围。图1是示出根据本专利技术实施例的物质分解方法的流程图。如图1所示，本实施例中的物质分解方法100包括以下步骤：步骤S110，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。步骤S120，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。步骤S130，根据多能数据训练对应的神经网络，训练后的神经网络反映多能数据和理想单能数据之间的映射关系。步骤S140，基于待分解物质在指定能窗的投影数据和训练后的神经网络，分解待分解物质。根据本专利技术实施例的物质分解方法，训练神经网络对物质进行分解，从而对物质进行识别，以进行精确的图像重建。在本专利技术实施例中，人工神经网络是一种大规模、多参数优化的工具，依靠大量的训练数据，神经网络能够学习出数据中难以总结的隐藏特征，从而完成物质分解的任务，人工神经网络也可以直接简称为神经网络或类神经网络。在步骤S110中，指定域的物质分解实现方式包括投影域物质分解和图像域物质分解。在多能分解中，常用的分解方式为双效应分解和基材料分解。能谱CT图像重建是基于上述两种分解方式，结合常规CT的空间结构信息重建获得分解系数的空间分布，进一步获取虚拟单能CT图像以及电子密度和等效原子序数分布图像。能谱CT图像重建具有非线性、多解性与高维数等特点，难以直接求解，现有的求解方法包括：投影域分解法和图像域分解法。投影域分解法是一种前处理方法，在投影域完成分解，具体地，利用投影数据求得分解系数后使用传统CT重建方法可得分解系数图像；图像域分解法是一种后处理方法，在图像域中进行分解，具体地，首先可以用传统CT重建方法重建不同能谱下的线性衰减系数图像，然后通过直接求解线性方程组求解分解系数。在本专利技术实施例中，可以不限制采集投影数据的能窗数量，也不限制标定模体的物质组成及浓度大小。具体地，标定模体至少包括两个基材料。下面通过具体的实施例分别详细描述根据本专利技术实施例的在投影域进行物质分解和在图像域进行物质分解的过程。在一些实施例中，步骤S110中指定域的物质分解本文档来自技高网...

【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