基于卷积神经网络的X射线计算机断层成像能谱估计方法技术

本发明专利技术提供一种基于卷积神经网络的X射线计算机断层成像能谱估计方法。该方法包括：步骤1、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络；步骤2、利用构建的训练数据集对所述卷积神经网络进行训练，得到训练好的卷积神经网络；步骤3、利用所述训练好的卷积神经网络对CT图像进行能谱估计，得到CT图像能谱信息。该方法主要从图像域的角度通过CT重建图像的特征来估计X射线能谱信息，不需要额外的硬件或专用工作流程，可以直接应用于现有CT扫描系统中，有利于提高效率。

【技术实现步骤摘要】
基于卷积神经网络的X射线计算机断层成像能谱估计方法
本专利技术涉及CT成像
，尤其涉及一种基于卷积神经网络的X射线计算机断层成像能谱估计方法。
技术介绍
X射线计算机断层成像(ComputedTomography，CT)是一种由物体的X射线投影来反求其衰减分布的技术，涵盖核物理、数学、计算机、精密仪器等多个学科。该技术利用物体在不同角度下的X射线透射信息，通过图像重建算法获取物体衰减特性分布，从而实现无损的前提下透视物体内部三维结构。自Hounsfield成功研制第一台CT以来，CT已在无损检测、医学诊断、材料分析等领域得到广泛应用，其中，常规CT中球管产生的X射线具有连续的能量分布，能谱CT成像就是利用物质在不同X射线能量下产生的不同的吸收来提供比常规CT更多的影像信息。而能谱估计是能谱CT图像重建的基础条件，能谱的估计在某种程度上依赖于能谱估计方法和用于能谱估计的数据，能谱估计的准确度也直接影响着图像重建质量的好坏。在实际应用中，由于不同射线源在不同管电压、管电流条件下发生射线的能谱分布不同，需要根据具体系统进行针对性的能谱测量。然而在CT扫描数据中的能谱信息不仅包括X射线源发出的初始能谱信息，还包括探测器的能量响应信息，因此很难通过带有光子能量分辨的仪器设备直接测量CT设备的能谱信息。现有的能谱估计方法可以分为两大类：基于模型的方法和基于测量的方法。基于模型的方法主要通过经验公式或者半经验物理模型来生成能谱，但是对于具体不同射线源、不同能量区间，模型法的适应性受限。基于测量的方法主要通过间接测量体模衰减信息来估计所用的射线能谱，该方法相对简单并且已经在大范围的X射线CT系统中实现，但是它需要辅助硬件，例如楔形模型，导致整个CT系统扫描需要增加专用的工作流程。2008年，张朋等人将能谱的间接测量问题归结为带正则化项的优化问题，但是模型中的正则化参数需要先验信息，否则对估计结果较大。2010年，杨莹等人提出了期望最大(ExpectationMaximization,EM)算法估计能谱信息，该方法估计能谱的准确性依赖于初始能谱估计。2017年，李磊等人提出了一种基于加权总变分正则化的X射线CT系统能谱估计方法，该方法相比EM算法，减少了初始能谱的影响，有效提高结果的准确性。但是该方法需要对辅助体模进行额外的扫描，使得能谱估计的过程较为复杂，不利于直接应用到现有成像系统中。
技术实现思路
为解决现有技术中存在的上述问题，本专利技术提供一种基于卷积神经网络的X射线计算机断层成像能谱估计方法，不需要额外的硬件或专用工作流程，提高了工作效率。本专利技术提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法，主要包括以下步骤：步骤1、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络；步骤2、利用构建的训练数据集对所述卷积神经网络进行训练，得到训练好的卷积神经网络；步骤3、利用所述训练好的卷积神经网络对CT图像进行能谱估计，得到CT图像能谱信息。进一步地，所述用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络具体为：包含9层卷积层的单输入、单输出的网络结构模型；其中，第一层卷积层具有64个滤波器内核通道，每个滤波器内核通道的大小为9×9，重叠步长为4×4；第二层卷积层具有128个滤波器内核通道，每个滤波器内核通道的大小为7×7，重叠步长为4×4；第三层至第五层卷积层每层均具有256个滤波器内核通道，每个滤波器内核通道的大小为5×5，第三层和第四层卷积层滤波器内核通道的重叠步长为1×1，第五层卷积层滤波器内核通道的重叠步长为4×4；第六层至第八层卷积层每层均具有512个滤波器内核通道，每个滤波器内核通道的大小为3×3，第六层和第七层卷积层滤波器内核通道的重叠步长是1×1，第八层卷积层滤波器内核通道的重叠步长是2×2；第九层卷积层具有100个滤波器内核通道，每个滤波器内核通道的大小为1×1。进一步地，还包括构建训练数据集，具体为：获取骨骼和组织的衰减系数，并利用SpekCalc软件生成N个归一化的X射线能谱；基于物体的连续能谱投影原理，根据所述衰减系数和N个X射线能谱生成连续能谱投影数据；利用滤波反投影解析重建算法在生成的所述连续能谱投影数据上重建CT图像；将得到的CT重建图像作为训练卷积神经网络的输入数据，将所述N个归一化的X射线能谱作为训练卷积神经网络的标签。本专利技术的有益效果：本专利技术提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法，主要从图像域的角度通过CT重建图像的特征来估计X射线能谱信息，不需要额外的硬件或专用工作流程，因此本专利技术可以直接应用于现有CT扫描系统中，提高了工作效率；并且通过各种实验证明本专利技术与现有技术中的能谱估计方法相比，具有实用性和精确性。附图说明图1为本专利技术实施例提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法的流程示意图；图2为本专利技术实施例提供的不同X射线能谱下的CT重建图像示意图；图3为本专利技术又一实施例提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法的流程示意图；图4为本专利技术实施例提供的用于能谱估计的卷积神经网络结构图；图5为本专利技术实施例提供的利用本专利技术方法对实际数据进行估计得到的能谱信息示意图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1为本专利技术实施例提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法的流程示意图。如图1所示，该方法包括以下步骤：S101、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络；S102、利用构建的训练数据集对所述卷积神经网络进行训练，得到训练好的卷积神经网络；S103、利用所述训练好的卷积神经网络对CT图像进行能谱估计，得到CT图像能谱信息。本专利技术实施例提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法，首先设计卷积神经网络模型，作为描述CT图像与能谱中光子分布概率之间耦合关系的模型，然后通过卷积神经网络模型和训练数据集对卷积神经网络进行训练，通过更新网络参数获取训练后的卷积神经网络模型，进而利用训练后的卷积神经网络模型对CT图像进行能谱估计，得到X射线CT系统能谱信息。本专利技术创新性地提取CT重建图像的图像域特征来估计每个能级中光子的统计分布，仅从重建图像中估计能谱，这大大减少了对于辅助硬件和专用成像流程的依赖，因此可以较为方便地应用在各种CT成像系统中。CT图像与X射线能谱有着紧密的耦合关系。物体的连续能谱投影可以表示为：其中p表示通过线性衰减μ(x,y,E)和总路径长度L的投影数据；I0和I分别是射入物体前和透射物体后的光子强度，Emax是最大光子能量。考虑到射线源的能谱Ω(E)以及探测器的光谱响应η(E)，因此通常称S(E)为检测光谱。另外，从标准化条件可以得到：通过转换式(1)的指数函数在0点的一阶泰勒展开式，可以得到：进一步转换为对数函数在0点处的一阶泰勒展开，可以得到：然后，平均有效衰减系数可表示为本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的X射线计算机断层成像能谱估计方法，其特征在于，包括：步骤1、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络；步骤2、利用构建的训练数据集对所述卷积神经网络进行训练，得到训练好的卷积神经网络；步骤3、利用所述训练好的卷积神经网络对CT图像进行能谱估计，得到CT图像能谱信息。

【技术特征摘要】
1.基于卷积神经网络的X射线计算机断层成像能谱估计方法，其特征在于，包括：步骤1、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络；步骤2、利用构建的训练数据集对所述卷积神经网络进行训练，得到训练好的卷积神经网络；步骤3、利用所述训练好的卷积神经网络对CT图像进行能谱估计，得到CT图像能谱信息。2.根据权利要求1所述的方法，其特征在于，所述用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络具体为：包含9层卷积层的单输入、单输出的网络结构模型；其中，第一层卷积层具有64个滤波器内核通道，每个滤波器内核通道的大小为9×9，重叠步长为4×4；第二层卷积层具有128个滤波器内核通道，每个滤波器内核通道的大小为7×7，重叠步长为4×4；第三层至第五层卷积层每层均具有256个滤波器内核通道，每个滤波器内核通道的大小为5×5，第三层和第...

【专利技术属性】
技术研发人员：李磊，张文昆，李子恒，王林元，蔡爱龙，唐超，梁宁宁，闫镔，孙艳敏，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：河南,41