神经网络的训练方法、消除金属伪影的方法及其装置制造方法及图纸

本发明专利技术提供一种神经网络的训练方法、消除金属伪影的方法及其装置，所述神经网络模型包括第一神经网络、快速滤波反投影算子和第二神经网络；第一神经网络用于接收含有伪影的投影数据S

【技术实现步骤摘要】
神经网络的训练方法、消除金属伪影的方法及其装置
本专利技术涉及电子计算机断层扫描
，尤其涉及一种神经网络的训练方法、消除金属伪影的方法及其装置。
技术介绍
CT(ComputedTomography，电子计算机断层扫描)技术利用精确准直的射线(例如：X射线、γ射线或超声波等)、以及高灵敏度的探测器一同围绕人体的某一部位作连续的断面扫描，并生成该部位的影像，具有扫描时间快且图像清晰等优点。其过程通常可以归纳为：以不同的角度向人体射出射线，在经过人体时，这些射线会被人体吸收并衰减，之后，探测器会接受到衰减后的射线，并得到原始投影数据，然后通过图像重建(例如：滤波反投影等)算法生成最终的影像学图像。在专利技术人的长期实践中，发现如果在CT成像视野范围内存在金属物体时，该金属物体会导致射线束硬化，同时噪声和散射效应被放大；甚至会导致射线完全衰减，没有光子达到接收器，导致没有有效信息用于重建。这些因素会导致或者加剧金属伪影。因此，设计一种去除金属伪影的方法，就成为一个亟待解决的问题。
技术实现思路
本专利技术的目的在于提供一种神经网络的训练方法、消除金属伪影的方法及其装置。为了实现上述专利技术目的之一，本专利技术一实施方式提供了一种神经网络的训练方法，包括以下步骤：获取投影数据Sma、二值图Xm和Sma对应的金属投影数据Mp，所述投影数据Sma包含金属伪影，在所述二值图Xm中，值为1的像素值用于表征金属的形状；创建神经网络模型，所述神经网络模型包括第一神经网络、快速滤波反投影算子和第二神经网络；第一神经网络用于接收Sma和Mp，减弱Sma上的金属伪影并得到投影Sse；所述快速滤波反投影算子用于对投影Sse进行重建处理并得到图像Xse，以及对投影Sma进行重建处理并得到图像Xma，并且滤波反投影算子是可微的，能够将第二神经网络的训练中的梯度前向传播至第一神经网络；第二神经网络用于在图像域上，结合金属二值图Xm对图像Xse和Xma进行减弱二次金属伪影的处理；基于若干投影数据Sma、以及每个Sma对应的金属投影数据Mp，对所述神经网络模型进行有监督的训练。作为本专利技术一实施方式的进一步改进，所述第一神经网络包括：第一编码器、第二编码器和第一解码器；第一编码器接收投影数据Sma，第一编码器包含有M个排成一列的编码层，其中，M为自然数；每个编码层均包含有卷积模块、激活模块和池化模块，编码层的输入经过卷积模块提取特征信息，再经过激活模块进行非线性变化，最后通过池化模块压缩高维的特征并输出所述特征；第二编码器接收金属投影数据Mp，第二编码器包含有N个排成一列的处理层，其中，N为自然数且N≤M，每个处理层都唯一对应到编码层；每个处理层均包含有池化模块，处理层的输入经过池化模块的平均池化处理、并得到池化结果；所述池化结果与对应的编码层的输出进行连接处理、并得到连接结果，所述连接结果作为对应的编码层的下一个编码层的输入；第一解码器包含有M个排成一列的解码层，解码层包含有卷积模块、激活模块和池化模块，编码层的输入经过卷积模块提取特征信息，再经过激活模块进行非线性变化，最后通过池化模块得到更高维的特征；第1个解码层接收第M个编码层的输出，第i个解码器接收第M-i+1编码层的输出和第i-1个解码层的输出的连接处理的结果；第一神经网络最后输出消除金属伪影的投影数据Sse。作为本专利技术一实施方式的进一步改进，所述“获取投影数据Sma”具体包括：获取不包含伪影的CT图Xgt；将Xgt分割为软组织图Xw以及骨组织图Xb，对Xw和Xb进行处理并分别得到X’w和X’b，所述处理具体包括：在确定所述二值图Xm中的第一像素的值为1时，则将Xw中的与第一像素对应的第二像素的值置为0，将Xb中的与第一像素对应的第三像素的值置为0；基于正投影算子分别对X’w、X’b和Xm分别进行处理，并分别得到若干投影数据Pw、若干投影数据Pb和若干投影数据Pm，其中，不同的Pw表征软组织在不同能级下的投影数据，不同的Pb表征骨组织在不同能级下的投影数据，不同的Pm表征金属在不同能级下的投影数据；基于不同组织在不同能级下的衰减密度曲线、对Pw、Pb和Pm进行能谱密度归一化处理，从而得到不含其它噪声的投影数据S*ma；对S*ma叠加泊松噪声和散射噪声，之后，进行射束硬化校正处理，从而得到投影数据Sma。作为本专利技术一实施方式的进一步改进，所述“将Xgt分割为软组织图Xw以及骨组织图Xb”具体包括：基于软阈值法，将Xgt分割为软组织图Xw以及骨组织图Xb。作为本专利技术一实施方式的进一步改进，第二神经网络包括：第一卷积器、第二卷积器、第三卷积器和U-Net网络，首先对图像Xma和二值图Xm进行堆叠处理并得到图像X’ma，对图像Xse和二值图Xm进行堆叠处理从而分别得到图像X’se；之后，第一卷积器获取图像X’ma的融合有金属位置的第一特征层，第二卷积器获取图像X’se的融合有金属位置的第二特征层；之后，对第一、第二特征层进行堆叠处理，并将堆叠处理输入到U-Net网络，U-Net网络得到包含有多个通道第三特征层；第三卷积器得到通道数据为1的减弱伪影的结果图Xout。本专利技术实施例提供了一种神经网络的训练装置，包括以下模块：数据获取模块，用于获取投影数据Sma、二值图Xm和Sma对应的金属投影数据Mp，所述投影数据Sma包含金属伪影，在所述二值图Xm中，值为1的像素值用于表征金属的形状；神经网络创建模块，用于创建神经网络模型，所述神经网络模型包括第一神经网络、快速滤波反投影算子和第二神经网络；第一神经网络用于接收Sma和Mp，减弱Sma上的金属伪影并得到投影Sse；所述快速滤波反投影算子用于对投影Sse进行重建处理并得到图像Xse，以及对投影Sma进行重建处理并得到图像Xma，并且滤波反投影算子是可微的，能够将第二神经网络的训练中的梯度前向传播至第一神经网络；第二神经网络用于在图像域上，结合金属二值图Xm对图像Xse和Xma进行减弱二次金属伪影的处理；训练模块，用于基于若干投影数据Sma、以及每个Sma对应的金属投影数据Mp，对所述神经网络模型进行有监督的训练。本专利技术实施例提供了一种电子设备，包括：存储器，用于存储可执行指令；处理器，用于执行所述存储器中存储的可执行指令时，实现上述的训练方法。本专利技术实施例提供了一种计算机可读存储介质，存储有可执行指令，用于引起处理器执行时，实现上述的训练方法。本专利技术实施例提供了一种消除金属伪影的方法，包括以下步骤：获取包含有金属伪影的CT图像Xma，通过阈值分割从Xma得到金属的二值图像Xm，将Xma和Xm通过正投影算子得到含金属伪影的投影数据Sma和金属投影数据Mp，并将Sma、Mp和Xm输入上述的神经网络模型，并得到减弱金属伪影的CT图像Xout。本专利技术实施例提供了一种消除金属伪影的装置，包括以下模块：处理模块，用于获取包含有金属伪影的CT图像Xma，通过阈值分割从Xma得到金属的二值图像Xm，将Xma和Xm通过正投影算子得到含金属伪影的投影数据Sma和金属投影数据Mp，并将Sma、Mp和Xm输入上述的本文档来自技高网...

【技术保护点】
1.一种神经网络的训练方法，其特征在于，包括以下步骤：/n获取投影数据S

【技术特征摘要】
1.一种神经网络的训练方法，其特征在于，包括以下步骤：
获取投影数据Sma、二值图Xm和Sma对应的金属投影数据Mp，所述投影数据Sma包含金属伪影，在所述二值图Xm中，值为1的像素值用于表征金属的形状；
创建神经网络模型，所述神经网络模型包括第一神经网络、快速滤波反投影算子和第二神经网络；第一神经网络用于接收Sma和Mp，减弱Sma上的金属伪影并得到投影Sse；所述快速滤波反投影算子用于对投影Sse进行重建处理并得到图像Xse，以及对投影Sma进行重建处理并得到图像Xma，并且滤波反投影算子是可微的，能够将第二神经网络的训练中的梯度前向传播至第一神经网络；第二神经网络用于在图像域上，结合金属二值图Xm对图像Xse和Xma进行减弱二次金属伪影的处理；
基于若干投影数据Sma、以及每个Sma对应的金属投影数据Mp，对所述神经网络模型进行有监督的训练。


2.根据权利要求1所述的训练方法，其特征在于，所述第一神经网络包括：
第一编码器、第二编码器和第一解码器；
第一编码器接收投影数据Sma，第一编码器包含有M个排成一列的编码层，其中，M为自然数；每个编码层均包含有卷积模块、激活模块和池化模块，编码层的输入经过卷积模块提取特征信息，再经过激活模块进行非线性变化，最后通过池化模块压缩高维的特征并输出所述特征；
第二编码器接收金属投影数据Mp，第二编码器包含有N个排成一列的处理层，其中，N为自然数且N≤M，每个处理层都唯一对应到编码层；每个处理层均包含有池化模块，处理层的输入经过池化模块的平均池化处理、并得到池化结果；所述池化结果与对应的编码层的输出进行连接处理、并得到连接结果，所述连接结果作为对应的编码层的下一个编码层的输入；
第一解码器包含有M个排成一列的解码层，解码层包含有卷积模块、激活模块和池化模块，编码层的输入经过卷积模块提取特征信息，再经过激活模块进行非线性变化，最后通过池化模块得到更高维的特征；第1个解码层接收第M个编码层的输出，第i个解码器接收第M-i+1编码层的输出和第i-1个解码层的输出的连接处理的结果；
第一神经网络最后输出消除金属伪影的投影数据Sse。


3.根据权利要求1所述的训练方法，其特征在于，所述“获取投影数据Sma”具体包括：
获取不包含伪影的CT图Xgt；
将Xgt分割为软组织图Xw以及骨组织图Xb，对Xw和Xb进行处理并分别得到X’w和X’b，所述处理具体包括：在确定所述二值图Xm中的第一像素的值为1时，则将Xw中的与第一像素对应的第二像素的值置为0，将Xb中的与第一像素对应的第三像素的值置为0；
基于正投影算子分别对X’w、X’b和Xm分别进行处理，并分别得到若干投影数据Pw、若干投影数据Pb和若干投影数据Pm，其中，不同的Pw表征软组织在不同能级下的投影数据，不同的Pb表征骨组织在不同能级下的投影数据，不同的Pm表征金属在不同能级下的投影数据；
基于不同组织在不同能级下的衰减密度曲线、对Pw、Pb和Pm进行能谱密度归一化处理，从而得到不含其它噪声的投影数据S*ma；
对S*ma叠加泊松噪声和散射噪声，之后...

【专利技术属性】
技术研发人员：吕元媛，林维安，廖昊夫，周少华，
申请(专利权)人：苏州工业园区智在天下科技有限公司，
类型：发明
国别省市：江苏;32