基于深度学习的双能谱CT投影域基材料分解方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度学习的多能谱CT投影域基材料分解方法及装置，该方法包括：网络训练过程，利用多能谱CT采集已知标定模体的多能谱多色投影；用一个能谱下的多色投影直接重建模体CT图像，并分割为多个基材料图像，分别求出这些基材料图像沿着每条射线的线积分；设计用于多色投影分解的深度神经网络，用标定模体的多能谱多色投影作为网络输入，标定模体的基材料图像的线积分作为输出标签，完成训练；网络应用过程，将被测物体的多能谱多色投影输入神经网络，分解出多基材料图像的线积分；再由这些线积分重建出被测物体的多基材料密度图像。本发明专利技术抗噪性能好，对标定模体和被测物体的形态结构相关性无严格要求，无需预先测定能谱信息。

Material Decomposition Method and Device in Projection Domain of Dual-Energy Spectrum CT Based on Deep Learning

【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，使能谱CT重建问题变得适定。目前能谱CT基材料分解方法可以分为两大类：投影域分解法和图像域分解法，每类方法又可进而分为直接分解方法和迭代分解方法。目前常用的直接分解方法包括查找表法、多项式标定法、有理分式标定法等；常用的迭代方法包括惩罚加权最小二乘法、扩展的代数迭代法、在直接分解图像基础上的迭代修正方法等。传统直接分解法步骤简单，但由于参数较少且反馈修正的机制缺失，重建图像中有较强的伪影。迭代分解法虽然能重建较好质量的图像，但要求预先知道射线源的能谱信息、基材料的物质衰减系数、散射信息等，且收敛速度慢，计算量大，难以在实际能谱CT系统中使用。近几年来，随着深度学习技术在众多领域应用的巨大成功，引起了研究热潮。在CT重建方面，当前的研究主要集中于将卷积神经网络技术用于低剂量CT重建、有限角CT重建的图像后处理等。在能谱CT图像重建方面的研究包括将卷积神经网络用于单能量图像的重建，以及在图像域的能谱CT多材料分解等。卷积神经网络在处理图像的每个像素时，利用了大量邻域信息，具有去噪性能好的优点，但同时造成了一个缺点，即训练网络的样本和网络要处理的被测物体图像之间在形态结构上必须非常接近。由于在很多情况下难以预先获取待处理图像的大量信息去训练卷积神经网络，使得该类方法的适用范围受到了严重的限制。为此需要提出一种灵活性强，既能充分利用深度神经网络的优点，又对训练图像的形态结构没有严格要求的基于深度神经网络的能谱CT基材料分解方法。
技术实现思路
本专利技术提出了一种基于深度学习的多能谱CT投影域基材料分解方法及装置，以提高能谱CT的基材料图像的重建质量。本专利技术方法包括两个过程：网络训练过程与网络应用过程。网络训练过程用于训练深度神经网络以实现多能谱CT基材料分解函数功能。具体而言，本专利技术提供了以下技术方案：一方面，本专利技术提供了一种基于深度学习的多能谱CT投影域基材料分解方法，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。优选地，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。优选地，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。优选地，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下的被测物体的图像。优选地，所述S2-2中，将所述基材料图像的物质部分像素值设置为1。优选地，所述S2-2中，标定模体的基材料图像的线积分获取方式如下：对基材料图像沿着每条射线计算线积分，得到所述基材料图像的单色投影：pm(L)＝∫Lfm(x)dl,L∈Ωm,m＝1,2,…M其中，fm(x)表示第m种物质的等效密度空间分布，即基材料图像；pm(L)表示沿着射线L穿过fm(x)的线积分，M表示X射线能谱种类数；Ωm为第m个能谱的所有X射线路径的集合。优选地，所述深度神经网络为深度前馈神经网络；当多能谱投影几何参数不一致时，将在几何参数一致处插值出的多色投影作为深度神经网络的输入值。优选地，所述S3中，重建被测物体的多基材料密度图像采用单能CT图像重建算法；所述单能CT图像重建算法包括解析方法或迭代重建方法。优选地，所述标定模体所含基材料种类与被测物体所含基材料种类相同，基材料的形状和结构相同或不同。另一方面，本专利技术还提供了一种基于深度学习的多能谱CT投影域基材料分解装置，所述装置包括存储器，以及处理器，所述处理器可以访问所述存储器，调用所述存储器中的指令，并执行所述指令，以执行如上所述的多能谱CT投影域基材料分解方法。综上所述，与现有技术相比，本专利技术具有以下有益效果：1)利用了深度神经网络可调参数多，能充分反映训练数据中信息量的优点，用标定模体对深度神经网络进行训练，抗噪性能好，所重建的基材料图像质量高；2)在投影域进行分解，点对点映射，使得训练模体简单，对标定模体和被测物体之间的形态结构相关性没有严格要求，灵活性强；还可用多组不同尺寸的简单模体训练；3)不需要预先测定能谱信息，且既适用于高、低能谱几何参数一致的情况，也适用于几何参数不一致的情况。附图说明下面是对实施例或现有技术描述中所使用的附图的简单介绍：图1为本专利技术的基于深度神经网络的多能谱CT投影域基材料分解方法流程图；图2为实验所用的X射线源分别在80kV和140kV管电压下发出的低能谱和高能谱示意图；图3为实验用标定模体——阴阳模体的图像，其中白色部分填充骨组织材料，灰色部分填充水；图4a为用高X射线能谱扫描阴阳模体时产生的多色投影；图4b为用低X射线能谱扫描阴阳模体时产生的多色投影；图5a为阴阳模体的水基材料图像的线积分；图5b为阴阳模体的骨基材料图像的线积分；图6为本专利技术方法所采用的深度前馈神经网络结构图；图7为用标定模体训练神经网络时其均方差损失函数值随着迭代次数增加而变化的曲线图；图8为实验中用作测试模体的FORBILD胸腔模型断层图像；图9a为用高X射线能谱扫描测试模体时产生的多色投影；图9b为用低X射线能谱扫描测试模体时产生的多色投影；图10a为将测试模体的多色投影输入训练好的神经网络后，计算出的测试模体的水基材料的线积分图像；图10b为将测试模体的多色投影输入训练好的神经网络后，计算本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：赵星，马根炜，
申请(专利权)人：首都师范大学，
类型：发明
国别省市：北京,11