【技术实现步骤摘要】
基于深度学习的双能谱CT投影域基材料分解方法及装置
本专利技术涉及X射线多能谱CT成像
，具体而言，涉及一种基于深度学习的多能谱CT基材料图像分解方法。
技术介绍
X射线CT成像技术是一种利用X射线与物质的相互作用原理，对被扫描物体内部信息进行成像的一种技术。常规CT射线源发出的X射线具有不同的波长和频率，像可见光一样服从一定的连续多色能谱分布。常规CT采集的是X射线能谱穿过被测物体的多色投影，而不是理想的单能X射线的投影。利用传统单能CT重建算法重建的图像不仅有显著的硬化伪影，而且不同物质可能具有相同或相近的CT值，难以区分。能谱CT分别使用多个能谱的X射线对被测物体进行扫描，能够测得比传统单能谱CT更多的被扫描物体信息，基于这些信息可以重建出多个特定基材料成分的密度图像，还可以合成消除了硬化伪影的单能量图像，或者计算出被测物体的等效原子序数和电子密度图像用于对物质进行区分。基于多色投影的CT图像重建问题从数学角度来看是一个非线性反问题，具有不适定性的特点。基材料分解方法用多种基材料的关于不同能量X射线的质量衰减系数组合被测物体各处的衰减系数，减少了未知数...
【技术保护点】
1.一种基于深度学习的多能谱CT投影域基材料分解方法，其特征在于，所述方法包括：S1、获取被测物体通过CT扫描后获得的多能谱多色投影；S2、将所述多能谱多色投影输入训练后的深度神经网络，分解出所述被测物体的多基材料CT图像的线积分；S3、基于所述线积分，重建被测物体的多基材料密度图像。
【技术特征摘要】
1.一种基于深度学习的多能谱CT投影域基材料分解方法，其特征在于，所述方法包括：S1、获取被测物体通过CT扫描后获得的多能谱多色投影；S2、将所述多能谱多色投影输入训练后的深度神经网络，分解出所述被测物体的多基材料CT图像的线积分；S3、基于所述线积分，重建被测物体的多基材料密度图像。2.根据权利要求1所述的方法，其特征在于，所述S2中，所述深度神经网络的训练方法如下：S2-1、获取已知的标定模体经多能谱CT扫描后得到的多能谱多色投影；S2-2、选用任一能谱下的多色投影直接重建所述标定模体的CT图像，并将标定模体的CT图像分割为多个基材料图像，分别求出所述多个基材料图像沿着每条射线的线积分，获得标定模体的基材料图像的线积分；S2-3、将所述标定模体的多能谱多色投影作为输入，将标定模体的基材料图像的线积分作为输出标签，训练深度神经网络。3.根据权利要求2所述的方法，其特征在于，所述S2-1中，所述多能谱CT包括用两种及两种以上X射线能谱扫描的CT，以及用光子计数型探测器的能谱CT。4.根据权利要求2所述的方法，其特征在于，所述S2-2中，选用任一能谱下的多色投影直接重建所述标定模体的CT图像通过如下方式实现：在多个能谱中，选用一较高能谱的多色投影，重建标定模体的CT图像：其中，qm表示所选用的第m种能谱的多色投影数据；R-1是Radon逆变换算子，表示单能CT图像重建方法；表示所重建的该种能谱...
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。