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