【技术实现步骤摘要】
一种基于深度学习的单能CT能谱成像方法
本专利技术涉及医学工程
，具体涉及一种基于深度学习的单能CT能谱成像方法。
技术介绍
目前，现代X射线CT成像广泛应用于医学临床诊断与治疗应用中，具有巨大的社会价值与意义。近些年，随着各种CT成像新模态的不断涌现，能谱CT及其材料分解的特性表现出巨大的临床潜力。目前能谱CT成像技术被广泛应用于病变器官轮廓勾画、虚拟单能成像、虚拟非增强成像、肝纤维化定量、痛风诊断和动脉CT血管造影成像等临床诊断中。目前的能谱CT成像技术主要有多次扫描、快速kVp切换技术、双层板探测器技术、光子计数探测器技术以及双源CT成像技术。多次扫描很容易实现但是会增加辐射剂量和扫描时间。快速kVp切换技术可在单次扫描中生成双能量数据，但是由于难以控制在不同管电压下的曝光，这种方案的实施很有挑战性。双层探测器方案将两个重叠的探测器对入射的X射线光子具有不同的能量响应，以生成双能投影数据。该方法可以在单次扫描中生成一致的双能量投影数据，其缺点是在获取的高能量和低能量投影之间没有足够的能量储备。光子计数探测...
【技术保护点】
1.一种基于深度学习的单能CT能谱成像方法，其特征在于，所述方法包括以下步骤：/n以单能CT图像和标签高能CT图像作为一个训练样本，组成训练集；/n基于深度学习网络构建用于根据输入的单能CT图像预测输出高能CT图像的图像转换模型，并利用训练集训练该图像转换模型以确定图像转换模型的模型参数；/n将需要成像的单能CT图像输入至模型参数确定的图像转换模型中，进计算输出高能CT图像。/n
【技术特征摘要】
1.一种基于深度学习的单能CT能谱成像方法，其特征在于，所述方法包括以下步骤：
以单能CT图像和标签高能CT图像作为一个训练样本，组成训练集；
基于深度学习网络构建用于根据输入的单能CT图像预测输出高能CT图像的图像转换模型，并利用训练集训练该图像转换模型以确定图像转换模型的模型参数；
将需要成像的单能CT图像输入至模型参数确定的图像转换模型中，进计算输出高能CT图像。
2.如权利要求1所述的基于深度学习的单能CT能谱成像方法，其特征在于，所述图像转换模型采用监督学习网络经优化网络参数获得。
3.如权利要求2所述的基于深度学习的单能CT能谱成像方法，其特征在于，所述图像转换模型以深度卷积神经网络作为网络基础，利用训练集训练该深度卷积神经网络的网络参数，在训练过程中，采用联合残差学习框架来学习输入的单能CT图像和标签高能CT图像之间的残差补偿图像，残差学习框架的映射函数为：
fspectral＝M(fsingle)+fsingle
其中，fspectral是高能CT图像，fsingle是单能CT图像，M(·)为端到端的用来训练残差补偿图像的映射函数，M(fsingle)是残差补偿图像。
4.如权利要求3所述的基于深度学习的单能CT能谱成像方法，其特征在于，在训练过程中，最小化损失函数为：
其中，N是训练集中训练样本总个数，fspectral是高能CT图像，fsingle是单能CT图像，是优化的映射函数结果；
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。