一种锥束CT散射投影比估计的散射校正方法技术

本发明专利技术提供一种锥束CT散射投影比估计的散射校正方法，该方法利用神经网络模型估计不同材质、结构检测对象的散射投影比分布，自适应获取散射场信息，通过减影消除散射引起的模糊伪影实现投影图像优化。本发明专利技术方法能够通过预先训练网络快速输出散射投影比信息，提升了投影优化的效率，同时改善散射抑制一致性差等问题，方法的可靠性、稳定性、通用性好，在很大程度上减少局部伪影和图像模糊，明显提升锥束CT投影质量。CT投影质量。CT投影质量。

【技术实现步骤摘要】
一种锥束CT散射投影比估计的散射校正方法


[0001]本专利技术涉及一种锥束CT散射投影比估计的散射校正方法，属于医学CT成像和工业CT无损检测


技术介绍

[0002]锥束CT(Cone
‑
Beam Computed Tomography,CBCT)作为一种先进的医学成像和工业无损检测技术，可以在不破坏物体的前提下以二维或三维断层图像的形式清晰、准确地展现被检测物体的内部结构，进而探测其内部缺陷或者测量内部尺寸，其成像直观、分辨率高，在复杂构件的无损检测方面具有独特的优势，包括用于医学诊断和治疗、安全检查以及产品质量检测控制等。
[0003]实际的X射线成像过程受各种因素影响，散射信息与投影信息耦合呈现低分辨图像，是制约成像质量的重要因素。尤其是在工业无损检测方面，高密度物体的散射信息严重影响并淹没图像细节，使得重建切片对比度低，造成对象轮廓及边界难以识别，为锥束CT无损检测缺陷识别带来困扰，因此实现锥束CT投影质量优化，提升重建切片质量尤为重要。
[0004]通常散射信息以低频分量的形式耦合在投影信息中，可借助硬件方法和软件方法对其进行抑制。硬件方法以通过物理作用及运算得到散射信息，主要包括准直器、空气隙、滤线器、扫描狭缝、不透射线铅条等。软件方法以投影图像为依据，利用数字图像处理方法实现图像分析和被照物体估计，获得散射分布规律，主要包括卷积法、反卷积法、蒙特卡罗模拟法等。单一硬件或软件校正方法均难以达到理想效果，因此出现了硬件与软件组合的混合校正方法。散射校正板(Beam Stop Array，BSA)方法是一种软硬件结合的投影校正方法，其将散射板放置于探测器前，认为探测器上铅条对应位置的光强都是由散射光子产生。因此通过对相应铅块位置输出值进行二维插值，扩展到整个平面，得到散射强度分布图，从而实现投影的散射校正。基于互补光栅的散射校正方法，通过高斯滤波方法补光栅散射图像的缺失数据，然后对交错狭缝扫描获得的部分散射进行拼接，利用两个光栅互补的方法得到整体散射场，进而完成散射校正，该方法有一定的效果，但拼接准确性较难把握。混合散射模型通过散点插值方法结合散点卷积模型实现投影边界区域上的投影散射估计，但是投影散射校正不彻底，丢失原始图像信息，导致图像分辨率下降，实际应用中散射抑制主要技术缺点包括：
[0005](1)散射场受较多不确定因素影响，基于模型的散射场分布精度差；
[0006](2)散射硬件校正过程复杂，需要通过多个扫描与投影运算来实现，扫描代价高；
[0007](3)不同结构的扫描对象表现出非一致性散射分布，单一模型导致图像局部细节丢失。
[0008]综上所述，目前的散射校正方法没有充分反映检测对象结构和材料对散射场影响，导致投影校正不足，模糊伪影信息不一致，不能满足CT高精准医学成像实际应用要求和工业内视无损检测需求。

技术实现思路

[0009]针对锥束CT投影图像校正精度低，散射场估计偏差大，重建模糊伪影信息不一致等实际问题，本专利技术提供一种锥束CT散射投影比估计的散射校正方法，该方法利用神经网络模型估计不同材质、结构检测对象的散射投影比分布，自适应获取散射场信息，通过减影消除散射引起的模糊伪影实现投影图像优化。本专利技术方法能够通过预先训练网络快速输出散射投影比信息，提升了投影优化的效率，同时改善散射抑制一致性差等问题。
[0010]本专利技术解决其技术问题所采用的技术方案包括以下步骤：
[0011]步骤1：采集不同类型扫描投影数幅，获取散射场；
[0012]步骤2：计算得到散射投影比图像，使用扫描投影与散射投影比图像构建样本训练集；
[0013]步骤3：通过搭建神经网络模型，设置网络参数，完成锥束CT投影
‑
散射投影比神经网络模型训练；
[0014]步骤4：利用训练完成的神经网络模型对检测对象投影进行散射投影比估计，获得散射场分布；
[0015]步骤5：对实际采样投影进行散射校正，并通过重建算法完成校正投影的高质量重建。
[0016]在上述步骤1中：获取不同类型扫描投影数幅，其包括：单个光栅投影A、物体投影B、单光栅+物体投影C。
[0017]在上述步骤1中：获取散射场的具体步骤包括：
[0018](1)采集一幅光栅投影图像A，对光栅投影信息进行统计，以统计中出现的两个峰值作为光栅栅格区域和狭缝区域划分阈值，记为τ1和τ2；
[0019](2)按照阈值对光栅+被测物体投影C的栅格区域和狭缝区域进行提取，数值小于τ1的区域为栅格区域，数值大于τ2的区域为狭缝区域，分别对栅格区域图像和狭缝区域图像进行插值和高斯滤波得到栅格区域的光栅散射图像(称为图像C1)和狭缝区域的物体+光栅散射图像(称为图像C2)；
[0020](3)用图像C2减去图像C1得到纯投影图像，称为图像D，用扫描投影B减去图像D，得到散射场E。
[0021]在上述步骤2中：计算得到散射投影比图像，使用扫描投影与散射投影比图像构建样本训练集的具体步骤包括：
[0022](1)将步骤1中获得的散射场E与扫描投影B作比值，记为散射投影比图像R，其中
[0023](2)将扫描投影B与散射投影比图像R对应成组，设置样本集训练块大小为L
×
L,滑动步长记为T,使用旋转、翻转、叠加组合的方式扩增数据集，得到训练样本集。
[0024]在上述步骤4中：利用训练完成的神经网络模型对检测对象投影进行散射投影比估计，获得散射场分布的具体步骤包括：
[0025]1)将检测对象的投影记为B
n
作为网络输入，使用步骤3中训练完成的神经网络模型，得到与投影对应的散射投影比图像记为R
g
作为网络输出；
[0026]2)将网络输出得到的散射投影比图像按照模型E
g
＝B
n
×
R
g
进行计算得到散射场估
计。
[0027]在上述步骤5中：对实际采样投影进行散射校正，通过将实际投影B
n
与散射场E
g
做减影处理完成投影校正，即B
c
＝B
n
‑
E
g
。
[0028]本专利技术的有益效果是：本专利技术提供的神经网络散射投影比预测的锥束CT投影质量优化方法，适用于任意复杂结构、不同密度被测对象的散射场估计，方法的可靠性、稳定性、通用性好，在很大程度上减少局部伪影和图像模糊，明显提升锥束CT投影质量。
[0029]下面结合附图和具体实施方式对本专利技术进行详细说明。
附图说明
[0030]图1为本专利技术算法流程图。
[0031]图2为锥束CT散射校正前后投影重建切片相同位置的线性灰度比较。
具体实施方式
[0032]通过现有的工业锥束CT设备(X射线源为Comet的MXR
‑
451HP/11，平板探测器为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锥束CT散射投影比估计的散射校正方法，其特征在于包括下述步骤：步骤1：采集不同类型扫描投影数幅，获取散射场；步骤2：计算得到散射投影比图像，使用扫描投影与散射投影比图像构建样本训练集；步骤3：通过搭建神经网络模型，设置网络参数，完成锥束CT投影
‑
散射投影比神经网络模型训练；步骤4：利用训练完成的神经网络模型对检测对象投影进行散射投影比估计，获得散射场分布；步骤5：对实际采样投影进行散射校正，并通过重建算法完成校正投影的高质量重建。在所述步骤2中，以步骤1中获得的散射场E与扫描投影B作比值，记为散射投影比图像R，其中然后将扫描投影B与散射投影比图像R对应成组，设置样本集训练块大小为L
...

【专利技术属性】
技术研发人员：杨富强，黄魁东，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：