一种基于深度学习的X射线光子计数探测器一致性校准方法技术

本发明专利技术公开一种基于深度学习的X射线光子计数探测器一致性校准方法，包括步骤：1、坏像素定位：使用聚类算法分析投影图像得出坏像素坐标；2、坏像素分类和补偿：使用相关性分析对坏像素进行分类得出探测器坏点位置并进行校准。3、投影图像噪声消除：使用标签数据训练卷积神经网络使消除投影图像中的噪声，完成对X射线光子计数探测器的一致性校准。本发明专利技术通过对后端投影图像进行分析得出探测器坏点坐标并校准，能更为精确地确定探测器坏像素位置，较为完整的消除投影图像中的量子噪声，比现有的前端校准方便快捷。

A Consistency Calibration Method for X-ray Photon Counting Detectors Based on Deep Learning

【技术实现步骤摘要】
一种基于深度学习的X射线光子计数探测器一致性校准方法
本专利技术属于探测器的校准技术,具体涉及X射线光子计数探测器的一致性校准技术。
技术介绍
X射线与可见光类似，是一种电磁波，根据波长或频率差异可以分为不同的能谱。不同能量的X射线有着不同的衰减特性，这些衰减特性可以反映被检物材料的不同物理性质。传统医学CT(ComputedTomography)探测器采用的是X射线能量积分探测方式，将不同能量的X射线光子整合接收，反映的是X射线的平均衰减特性，因此，医学CT重建后的图像，往往难于区分不同软组织的成像对比度差异。近年来，X射线探测领域出现了一种新型的X射线光子计数探测器技术，这种探测器技术能够分辨普通X射线源产生的多色X射线能谱，细分并记录不同能量的X射线光子。类似于菱镜分光原理，X射线能量分辨光子计数探测器可以将不同能量的X射线光子按照不同能量段进行探测(微分测量技术)。该技术的出现，使得X射线探测器技术有了质的飞跃，而基于X射线能量分辨光子计数探测器的新型CT技术——X射线能谱CT(SpectralCT)技术应运而生。无疑，X射线能谱CT的问世为解决医学CT图像不同软组织对比度低的问题提供了可能，其对X-CT成像技术的发展具有革命性意义。尽管目前在X射线光子计数探测器技术研究上已取得了长足的进步，但部分关键问题尚待解决。尤其是其技术核心——X射线光子计数探测器仍然存在诸多不足，特别是一致性差问题，即线阵或面阵的X射线能量分辨光子计数探测器的探测单元一致性差，造成所探测的X射线光子强度存在着差异，不利于CT图像重建分析。目前常用的一致性校正方法是在探测器空载的情况下(即入射光子在不经过物体直接照射探测器)，在放大器增益一致的情况下测得探测器的响应，对探测器的响应进行归一化处理，得到对应每个探测器模块的响应的调整，通过调整探测器系统放大器的增益来实现探测器的均匀性校正。但通过调整放大器增益等针对前端的一致性校准方法需进行多次试验以确定调整参数，且在产品出厂后需要进行校准时仍需厂家操作，增加了维护难度，影响了后续的分析处理。除探测器坏点会对系统响应的一致性有影响外，X射线光子探测过程中产生的量子噪声也对系统响应的一致性有影响，光子计数探测器在特定X射线能量范围所探测的X射线光子数目有限，投影图像中含有较多的量子噪声，对成像效果影响较大，为此需要一种快速高效的方法以消除投影图像中的量子噪声。因此，设计一种能够有效的对X射线光子计数探测器进行一致性校准的方法就成了本专利技术所关注的问题。
技术实现思路
本专利技术需要解决的是如何快速有效的对X射线光子计数探测器进行一致性校准，为此提出一种不同于对X射线探测系统进行前端校准的方法，通过对后端投影图像进行分析以完成探测器的一致性校准。本专利技术将影响探测系统响应一致性的因素做如下分类：探测器在均匀光照下各像元输出的信号应具有相同的幅度，但传感器部分单元损坏或缺失会导致输出信号不一致，将此类坏像素称为固定坏像素，该像素值不会随能量阈值的变化而变化；因为电子电路的损坏等原因，探测器通道增益会改变，该通道对应的像素值会偏离正常水平，但该通道对应的不同能量阈值下的像素值组成的向量与正常像素组成的向量线性相关，将此类坏像素称为随机坏像素；因光子计数探测器在特定的能量范围所探测的X射线能谱数据的光子数有限，导致各像素的输出信号略有偏差，不同像素点之间的此类偏差是随机的，将此类偏差归为量子噪声。为对X射线光子计数探测器进行一致性校准，本专利技术提出如下技术方案：一种对X射线光子计数探测器进行一致性校准的方法，包括步骤：步骤1：坏像素定位：使用聚类算法定位坏像素；步骤2：坏像素分类和校准：分析坏像素对应向量与正常像素向量之间的相关性，得出探测器坏点位置并补偿；步骤2：量子噪声消除：使用训练后的卷积神经网络消除投影噪声。对于步骤1，具体地，所述使用聚类算法定位坏像素的方法是：利用改进的DBSCAN算法对不同能量范围下的投影图像中的区域方差进行分类，将方差分为正常方差和对应包含坏像素区域的异常方差以确定投影图像中坏像素所在区域，将坏像素区域像素依次与正常像素区域像素交换，若正常像素区域的方差变为异常方差，则认为交换中的坏像素区域像素为坏像素，将在不同能量范围的投影图像中得出的坏像素坐标进行整合防止随机现象对判断结果产生影响，由此得出坏像素坐标位置集合。对于步骤1，具体地，所述改进的DBSCAN算法是从方差的最小值建立一个新簇开始聚类，并将满足条件的方差归入正常方差类别，当第一类聚类结束时结束整个聚类过程，剩余的方差即属于异常方差，由此得出坏像素所在区域。以下对步骤1做进一步详细说明：由前述影响探测系统响应一致性的因素分类可知，坏像素与周围探测点的像素值有较大偏差，该点周围区域内的方差会较大。由此若用小窗口，如3×3大小的窗口，遍历投影图像并计算每个小区域的方差，就可以根据方差确定坏像素所在区域。因此，本专利技术使用DBSCAN聚类算法(基于密度的聚类算法)对方差进行分类以确定坏像素所在区域。DBSCAN算法主要有以下重点内容：特征空间D中的一个点p的Eps邻域NEps(p)定义为：NEps(p)＝{q∈D|dist(p，q)＜Eps}若点p的Eps邻域内至少有MinPts个点，那么称点p为一个核心点；若特征空间D中的点p，q满足：p∈NEps(q)，点p是核心点，那么称点p对点q关于Eps和MinPts直接密度可达。DBSCAN聚类算法的原理可以表述为：对任一核心点p，特征空间中所有p的密度可达点o组成的集合和p一起构成一个完整的聚类C。本专利技术是对方差进行聚类，方差是一个一维特征，且仅分为正常方差和异常方差两类。因此，针对该聚类问题可以进行如下改进以使其具有更高的效率：从方差的最小值建立一个新簇开始聚类，并将满足条件的方差归入正常方差类别，当第一类聚类结束时结束整个聚类过程，剩余的点即属于异常方差类别；由此可认为聚类结果中的异常方差对应的区域中含有坏像素。然后通过交换正常区域与坏像素区域的像素以确定坏像素的坐标。对于步骤2，具体地，所述分类和校准的方法是：将不同能量范围的投影图像中坏像素所在位置的像素值组合成坏像素向量，随机选取正常像素并根据其坐标以同样方法组合成正常像素向量，计算两者之间的相关系数以将坏像素分为固定坏像素和随机坏像素并分别进行补偿；所述补偿是指以坏像素周围的像素值的平均值作为坏像素点的像素值以完成对坏像素的补偿。以下对步骤2做进一步详细说明：本专利技术采用的数据均为X射线能谱数据，将不同能量阈值下坏像素坐标位置的像素值组合成向量，根据不同类别的坏像素对应的向量与正常像素对应的向量之间的相关性可以对坏像素进行分类。经判定，向量数据符合正态分布，此处使用Pearson相关系数计算向量间的相关系数ρ：其中，X、Y为两个不同的向量，利用上述公式求解正常像素与固定坏像素和随机坏像素之间的相关系数，利用聚类算法对相关系数进行聚类，将相关系数分为两类，系数较小的一类即固定坏像素，系数较大的一类即为随机坏像素，由此得出固定坏像素点坐标。随后以坏像素周围的像素值的平均值作为坏像素点的像素值以完成对坏像素的补偿。对于步骤3，因光子计数探测器在特定的能量范围所探测的X射线光子数有限，投影图中的量子噪声对本文档来自技高网...

【技术保护点】
1.一种基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，包括步骤：(1)坏像素定位：使用聚类算法定位坏像素；(2)坏像素分类和校准：分析坏像素对应向量与正常像素向量之间的相关性，得出探测器坏点位置并补偿；(3)量子噪声消除：使用标签数据训练卷积神经网络使其可以消除投影噪声。

【技术特征摘要】
1.一种基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，包括步骤：(1)坏像素定位：使用聚类算法定位坏像素；(2)坏像素分类和校准：分析坏像素对应向量与正常像素向量之间的相关性，得出探测器坏点位置并补偿；(3)量子噪声消除：使用标签数据训练卷积神经网络使其可以消除投影噪声。2.如权利要求1所述的基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，所述步骤(1)中使用聚类算法定位坏像素的方法是：利用改进的DBSCAN算法分别对不同能量范围的投影图像的区域方差进行分类，将方差分为正常方差和对应包含坏像素区域的异常方差以确定投影图像中坏像素所在区域，将坏像素区域像素依次与正常像素区域像素交换，若正常像素区域的方差变为异常方差，则认为交换中的坏像素区域像素为坏像素，将在不同能量范围的投影图像中得出的坏像素坐标进行整合防止随机现象对判断结果产生影响，由此得出坏像素坐标位置集合。3.如权利要求2所述的基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，所述改进的DBSCAN算法是从方差的最小值建立一个新簇开始聚类，并将满足条件的方差归入正常方差类别，当第一类聚类结束时结束整个聚类过程，剩余的方差即属于异常方差，由此得出坏像素所在区域。4.如权利要求1所述的基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，所述步骤(2)中分类和校准的方法是：将不同能量范围的投影图像中坏像素所在位置的像素值组合成坏像素向量，随机选取正常像素并根据其坐标以同样方法组合成正常像素向量，计算两者之间的相关系数以将坏像素分为固定坏像素和随机坏像素并...

【专利技术属性】
技术研发人员：任学智，何鹏，冯鹏，杨博文，魏彪，龙邹荣，郭晓东，吴晓川，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆,50