一种基于深度学习算法的X射线光谱数据矫正方法及装置制造方法及图纸

本发明专利技术涉及一种基于深度学习算法的X射线光谱数据矫正方法及其装置，包含以下步骤：S1，采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；S2，通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；S3，建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；S4，将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。

【技术实现步骤摘要】
一种基于深度学习算法的X射线光谱数据矫正方法及装置
本专利技术涉及X射线光谱矫正领域，具体指有一种基于深度学习算法的X射线光谱数据矫正方法及装置。
技术介绍
近年来，X射线光子计数探测器发展迅速，它可以提高CT成像的空间分辨率，减少对患者的X射线辐射，降低图像噪声和伪影，成像质量更高，因此基于光子计数型X射线光谱技术应运而生。然而，X射线光子计数探测器CT系统目前受到技术及硬件方面的限制，特别是电荷共享效应、射束硬化效应和脉冲堆积效应，这会导致光谱数据质量严重下降。通过硬件改进来校正光谱数据是相当昂贵和复杂的并且传统光谱数据矫正算法效果有限。针对上述的现有技术存在的问题设计一种基于深度学习算法的X射线光谱数据矫正方法及装置是本专利技术研究的目的。
技术实现思路
针对上述现有技术存在的问题，本专利技术在于提供一种基于深度学习算法的X射线光谱数据矫正方法及装置，能够有效解决上述现有技术存在的问题。本专利技术的技术方案是：一种基于深度学习算法的X射线光谱数据矫正方法，包含以下步骤：S1，采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；S2，通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；S3，建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；S4，将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。所述步骤S3具体为：使用keras和/或TensorFlow数据库建立深度神经网络模型，基于对抗自编码器AAE算法，在监督学习模式下，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络。进一步地，所述参数值包括损失函数、激活函数、批次大小、学习率、训练轮数、网络层数、隐藏单元个数其中的一种或多种。进一步地，所述对抗自编码器AAE算法是自编码器网络和生成对抗网络的结合，所述生成对抗网络包含判别器，所述步骤S3具体为：S3.1，计算所述仿真光谱数据的均值和方差，使用编码器对所述仿真光谱数据进行降维得到隐含变量z；S3.2，输入所述隐含变量z和所述实测光谱数据至判别器，所述判别器对所述隐含变量z和所述实测光谱数据进行判断，训练所述判别器，通过所述判别器训练所述编码器；S3.3，训练完成后，得到合适的参数值，生成光谱矫正网络。进一步地，所述判别器的损失函数为交叉熵损失函数。进一步地，所述自编码器的损失函数是均方误差损失函数。进一步地，所述步骤S3.3中，训练完成后，所述判别器的判别方式为随机判定。所述步骤S3之后进一步包含以下步骤：采集X射线穿过新样本的光谱数据，计算得到X射线的新的实测光谱数据，通过数学软件模拟X射线穿过所述新的样本的光谱数据，计算得到X射线的新的仿真光谱数据；通过所述新的实测光谱数据验证所述光谱矫正网络，若所述新的矫正光谱数据与所述新的仿真光谱数据不匹配，则调整所述参数值。进一步提供一种基于深度学习算法的X射线光谱数据矫正装置，其特征在于：包含：实测光谱数据计算单元，用于采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；仿真光谱数据计算单元，用于通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；光谱矫正网络生产单元，用于建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；矫正单元，用于将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。因此，本专利技术提供以下的效果和/或优点：1、本专利技术通过建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络，可以对实测光谱数据进行矫正，使其逼近仿真光谱数据。提高了光谱数据的保真度，使光谱数据的应用价值得到提升。2、本专利技术对不同原因导致的光谱数据失真都有矫正效果，建立模型比较方便简单。将实测光谱数据映射到仿真光谱数据，较为准确的对失真的实测光谱数据进行恢复。仿真数据是没有外部原因影响的数据，矫正后的数据接近仿真数据，所以对不同原因导致的光谱失真都有矫正效果。3、本专利技术以对抗自编码器算法为理论依据，通过输入所述隐含变量z和所述实测光谱数据至判别器，所述判别器对所述隐含变量z和所述实测光谱数据进行判断，不断地训练所述判别器，再通过所述判别器不断地训练所述自编码器，最终得到判别器无法判定真假的网络，使其无限接近仿真光谱数据。应当明白，本专利技术的上文的概述和下面的详细说明是示例性和解释性的，并且意在提供对如要求保护的本专利技术的进一步的解释。附图说明图1为本专利技术的流程示意图。图2为抗自编码器AAE算法对应的模型架构示意图。图3是自编码器的结构示意图。图4为GAN网络从判别器的训练到最终达到纳什均衡的训练过程示意图。图5为光谱矫正网络训练五万轮后得到的矫正光谱数据。图6为光谱矫正网络训练二十万轮后得到的矫正光谱数据。具体实施方式为了便于本领域技术人员理解，现将实施例结合附图对本专利技术的结构作进一步详细描述：参考图1，一种基于深度学习算法的X射线光谱数据矫正方法，包含以下步骤：S1，采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据。本实施例中通过光子计数探测器采集X射线穿过大量样本的光谱数据，得到大量的实测光谱数据。S2，通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据。本实施例中，使用MATLAB软件结合美国国家标准与技术研究所NIST数据库中X射线穿过物质衰减系数来进行入射光谱和透射光谱的仿真，再通过计算得出仿真光谱数据。S3，使用keras和/或TensorFlow数据库建立深度神经网络模型，基于对抗自编码器AAE算法，在监督学习模式下，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；所述参数值包括损失函数、激活函数、批次大小、学习率、训练轮数、网络层数、隐藏单元个数其中的一种或多种。本实施例中，深度神经网络模型是用python语言设计的，采用keras和TensorFlow数据库编写，分别建立了编码器、解码器和判别器，该网络是基于对抗自编码器AAE算法进行改进，在监督学习模式下将实测光谱数据直接映射到仿真光谱数据上。所述对抗自编码器AAE算法是自编码器网络和生成对抗网络的结合，所述生成对抗网络包含判别器，所述步骤S3具体为：S3.1，计算所述仿真光谱数据的均值和方差，使用自编码器对所述仿真光谱数据进行降维得到隐含变量z；S3.2，输入所述隐含变量z和所述实测光谱数据至判别器，所述本文档来自技高网...

【技术保护点】
1.一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：包含以下步骤：/nS1，采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；/nS2，通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；/nS3，建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；/nS4，将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。/n

【技术特征摘要】
1.一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：包含以下步骤：
S1，采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；
S2，通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；
S3，建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；
S4，将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。


2.根据权利要求1所述的一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：所述步骤S3具体为：
使用keras和/或TensorFlow数据库建立深度神经网络模型，基于对抗自编码器AAE算法，在监督学习模式下，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络。


3.根据权利要求1-2任意一条所述的一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：所述参数值包括损失函数、激活函数、批次大小、学习率、训练轮数、网络层数、隐藏单元个数其中的一种或多种。


4.根据权利要求2所述的一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：所述对抗自编码器AAE算法是自编码器网络和生成对抗网络的结合，所述生成对抗网络包含判别器，所述步骤S3具体为：
S3.1，计算所述仿真光谱数据的均值和方差，使用自编码器对所述仿真光谱数据进行降维得到隐含变量z；
S3.2，输入所述隐含变量z和所述实测光谱数据至判别器，所述判别器对所述隐含变量z和所述实测光谱数据进行判断，训练所述判别器，通过所述判别器训练所述自编码器；...

【专利技术属性】
技术研发人员：方正，陈淮南，高逸飞，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建;35