一种基于3D全卷积神经网络的能谱CT图像域材料识别方法技术

本发明专利技术公开了一种基于3D全卷积神经网络的能谱CT图像域材料识别方法，包括:S1、获取不同能量段的包括待识别材料的能谱CT图像；S2、将所述不同能量段的包括待识别材料的能谱CT图像转化为三维图像数据；S3、将所述三维图像数据输入3D全卷积神经网络材料识别模型，得到各能量段的能谱CT图像的材料识别结果；S4、将各能量段的能谱CT图像的材料识别结果进行图像融合得到综合材料识别图像。本发明专利技术使用3D全卷积神经网络，学习不同能量段之间CT图像信息以及卷积过程中不同层之间的特征。输出的图像经过特征融合的方法得到综合各能段清晰特征的能谱CT图像，进而可以获得准确而且客观的材料识别结果。

【技术实现步骤摘要】
一种基于3D全卷积神经网络的能谱CT图像域材料识别方法
本专利技术涉及图像识别领域，具体涉及一种基于3D全卷积神经网络的能谱CT图像域材料识别方法。
技术介绍
X-CT(X-rayComputedTomography)，即X射线计算机层析或断层扫描成像技术，它是一种核成像技术，利用X射线物理特性能够无损检测出被测物体内部的结构状况及材料组成，已在很多领域得到了广泛的应用。而X射线能谱CT，即是借助于X射线能量分辨光子计数探测器，利用不同能量的入射X射线与被检测物体作用后的透射X射线所携带的信息而进行计算机断层扫描成像的一种技术。能谱CT使用光子计数探测器,在一次扫描中可以收集多个能量段的能谱信息,在低剂量CT成像、造影剂成像、K-edge成像以及材料识别等方面中具有潜在用途。然而,光子计数探测器在探测X射线光子时,受康普顿散射、电荷共享、脉冲堆积效应以及光子噪声等影响,导致CT重建图像的信噪比和材料分解的精度降低。无论在投影域还是在图像域都很难区分密度相近的材料特性，进而无法实现多种软组织材料的精确识别。目前分析CT图像主要是通过医生人为去分析大量采集得到的CT图像，众所周知，分析大量CT图像是一项繁重的工作，且存在一定的主观性，容易造成误诊。因此，如何在不同重建图像质量中获得准确而且客观的材料识别结果，成为了本领域技术人员急需解决的问题。
技术实现思路
针对现有技术存在的上述不足，本专利技术实际需要解决的问题是：如何在不同重建图像质量中获得准确而且客观的材料识别结果。r>本专利技术采用了如下的技术方案：一种基于3D全卷积神经网络的能谱CT图像域材料识别方法，包括:S1、获取不同能量段的包括待识别材料的能谱CT图像；S2、将所述不同能量段的包括待识别材料的能谱CT图像转化为三维图像数据；S3、将所述三维图像数据输入3D全卷积神经网络材料识别模型，得到各能量段的能谱CT图像的材料识别结果；S4、将各能量段的能谱CT图像的材料识别结果进行图像融合得到综合材料识别图像。优选地，步骤S3中，3D全卷积神经网络材料识别模型的构建及训练方法包括:S301、获取包括不同能量段的能谱CT图像的训练集及其对应的标签；S302、基于识别材料的不同将训练集转化为三维图像数据训练集；S303、构建待训练的3D全卷积神经网络材料识别模型；S304、利用三维图像数据训练集对待训练的3D全卷积神经网络材料识别模型进行训练，并通过损失函数反向更新卷积参数，完成训练，损失函数表达式如下：式中，LossCE()表示交叉熵损失函数，GD()表示梯度密度函数，gi表示第i种材料的梯度模长，N表示待识别材料种类，pi表示预测为第i种材料的概率，pi*表示第i种材料的标签，取值为0或1。优选地，步骤S302中，所述待训练的3D全卷积神经网络材料识别模型由三维稠密模块组成，还包括下采样路径与上采样路径中的两个过渡层，所述稠密模块包含3层，每层通过稠密连接，第l层的数学表达式为xl＝Hl([x0,x1,x2…xl-1])，[x0,x1,x2…xl-1]表示将0到l-1层的输出特征图做通道的合并,Hl()表示非线性变换；三维卷积公式如下：式中，表示第i层第k个尺寸为l1×l2×l3的卷积核，表示对应的三维映射，x,y,z分别表示表示待卷积三维数据的层数、行数、列数，i,j分别表示三维数据集的层数和对应序数，K,k分别表示卷积的通道数和第k个通道，l1,l2,l3分别表示表示卷积核的长、宽、高尺寸，L1,L2,L3分别表示待卷积核的层、行、列，bi,j表示偏置。优选地，步骤S4包括：S401、分别对各能量段的能谱CT图像的材料识别结果进行小波变换，得到各能量段的能谱CT图像的材料识别结果的低频和高频图像；S402、基于局部方差准则分别融合高频图像和低频图像；S403、对融合后的图像进行小波逆变换得到综合材料识别图像。优选地，步骤S4中，小波变换公式如下：式中，Al-1(i,j)，分别表示低频近似图像、水平高频图像、垂直高频图像、对角高频图像，分别表示正交镜像滤波器对，Z表示整数集，(i,j)表示图像像素坐标；融合高频图像和低频图像的过程中，当时，当时，为局部区域的方差，确定融合系数后通过小波逆变换得到综合材料识别图像，M，N分别表示像素中心范围尺寸，xi,j表示像素点值，表示局部区域像素的平均值，表示图像A在分解尺度j上方向上的局部区域方差，表示融合图像F的融合系数，A表示图像A，B表示图像B，F表示融合图像F，取1，2，3分别代表水平，垂直，对角三个方向，(x,y)表示图像像素坐标。与现有技术相比，本专利技术具有以下技术效果：(1)使用3D全卷积神经网络，学习不同能量段之间CT图像信息以及卷积过程中不同层之间的特征。输出的图像经过特征融合的方法得到综合各能段清晰特征的能谱CT图像，进而可以获得准确而且客观的材料识别结果。(2)神经模型训练过程中，3D网络能够提取相同部位不同能谱段图片特征，计算误差值后，更新网络参数。实现综合不同成像质量图片的材料识别。附图说明为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本申请作进一步的详细描述，其中：图1为本专利技术公开的一种基于3D全卷积神经网络的能谱CT图像域材料识别方法的流程图；图2为本专利技术中3D全卷积神经网络材料识别模型的结构示意图；图3为本专利技术中小波变换融合各能段识别信息的流程图。具体实施方式下面结合附图对本申请作进一步的详细说明。如图1所示，本专利技术公开了一种基于3D全卷积神经网络的能谱CT图像域材料识别方法，包括:S1、获取不同能量段的包括待识别材料的能谱CT图像；S2、将所述不同能量段的包括待识别材料的能谱CT图像转化为三维图像数据；S3、将所述三维图像数据输入3D全卷积神经网络材料识别模型(如图2所示)，得到各能量段的能谱CT图像的材料识别结果；S4、将各能量段的能谱CT图像的材料识别结果进行图像融合得到综合材料识别图像。与现有技术相比，本专利技术使用3D全卷积神经网络，学习不同能量段之间CT图像信息以及卷积过程中不同层之间的特征。输出的图像经过特征融合的方法得到综合各能段清晰特征的能谱CT图像，进而可以获得准确而且客观的材料识别结果。具体实施时，步骤S3中，3D全卷积神经网络材料识别模型的构建及训练方法包括:S301、获取包括不同能量段的能谱CT图像的训练集及其对应的标签；以小鼠能谱CT图像为例，可将CT图像中骨骼、肺、软组织作为需要识别的材料。在获取训练集的过程中，可采集总共包含2450张图像的训练集。其中，包括25～90、30～90、35～90、40～90、45～90、50～90、55～90、60～90本文档来自技高网...

【技术保护点】
1.一种基于3D全卷积神经网络的能谱CT图像域材料识别方法，其特征在于，包括:/nS1、获取不同能量段的包括待识别材料的能谱CT图像；/nS2、将所述不同能量段的包括待识别材料的能谱CT图像转化为三维图像数据；/nS3、将所述三维图像数据输入3D全卷积神经网络材料识别模型，得到各能量段的能谱CT图像的材料识别结果；/nS4、将各能量段的能谱CT图像的材料识别结果进行图像融合得到综合材料识别图像。/n

【技术特征摘要】
1.一种基于3D全卷积神经网络的能谱CT图像域材料识别方法，其特征在于，包括:
S1、获取不同能量段的包括待识别材料的能谱CT图像；
S2、将所述不同能量段的包括待识别材料的能谱CT图像转化为三维图像数据；
S3、将所述三维图像数据输入3D全卷积神经网络材料识别模型，得到各能量段的能谱CT图像的材料识别结果；
S4、将各能量段的能谱CT图像的材料识别结果进行图像融合得到综合材料识别图像。


2.如权利要求1所述的基于3D全卷积神经网络的能谱CT图像域材料识别方法，其特征在于，步骤S3中，3D全卷积神经网络材料识别模型的构建及训练方法包括:
S301、获取包括不同能量段的能谱CT图像的训练集及其对应的标签；
S302、基于识别材料的不同将训练集转化为三维图像数据训练集；
S303、构建待训练的3D全卷积神经网络材料识别模型；
S304、利用三维图像数据训练集对待训练的3D全卷积神经网络材料识别模型进行训练，并通过损失函数反向更新卷积参数，完成训练，损失函数表达式如下：



式中，LossCE()表示交叉熵损失函数，GD()表示梯度密度函数，gi表示第i种材料的梯度模长，N表示待识别材料种类，pi表示预测为第i种材料的概率，pi*表示第i种材料的标签，取值为0或1。


3.如权利要求2所述的基于3D全卷积神经网络的能谱CT图像域材料识别方法，其特征在于，步骤S302中，所述待训练的3D全卷积神经网络材料识别模型由三维稠密模块组成，还包括下采样路径与上采样路径中的两个过渡层，所述稠密模块包含3层，每层通过稠密连接，第l层的数学表达式为xl＝Hl([x0,x1,x2…xl-1])，[x0,x1,x2…xl-1]表示将0到l-1层的输出特征图做通道的合并,Hl(...

【专利技术属性】
技术研发人员：潘家浩，胡逸雯，龙晓静，何鹏，郭晓东，龙邹荣，苏元国，
申请(专利权)人：重庆市云迈科技有限公司，
类型：发明
国别省市：重庆;50