用于基于双能量或多能量X射线的成像中的材料分解的方法和系统技术方案

一种用于从基于多能量X射线的成像生成材料分解图像的方法和系统，该方法包括：通过利用深度学习神经网络从多个图像组合地学习特征以及从多个图像中的一个或多个图像单独地学习特征来对多个图像之间的空间关系和频谱关系进行建模；使用空间关系和频谱关系生成一个或多个基础材料图像；以及从基础材料图像生成一个或多个材料专用图像或材料分解图像。神经网络具有编码器

【技术实现步骤摘要】
用于基于双能量或多能量X射线的成像中的材料分解的方法和系统
[0001]相关申请的交叉引用
[0002]本申请要求于2022年6月14日提交的第2022204142号澳大利亚专利申请的申请日的权益，该申请的内容通过引用整体并入本文。


[0003]本专利技术涉及一种用于在基于多能量(即双能量或更多能量)X射线的成像中进行材料分解的深度学习方法和系统，该基于多能量X射线的成像包括冷阴极X射线CT或放射照相、双能量CT或放射照相、多能量CT或放射照相以及光子计数CT或放射照相。

技术介绍

[0004]CT自问世以来，已被广泛应用于医学诊断和治疗领域。尽管CT技术已经取得了许多进步，但其基本原理是相同的：它使用旋转的X射线管和放置在机架中的一排探测器来测量由体内的不同组织造成的X射线衰减。与其他图像模态相比，CT具有很多优点：扫描速度快、空间分辨率高、可用性广等。每年进行数百万次CT检查，使CT成为用于患者护理的最重要和最广泛的成像模态之一。
[0005]尽管CT技术取得了显著的成功，但它也有几个局限性。最实质性的局限性之一是其低对比度分辨率。它不能可靠地区分具有低固有对比度的材料，例如病理组织和健康组织。低对比度分辨率是由于不同组织之间的X射线衰减的微小差异造成的。例如，很难可靠地评估非钙化斑块，因为富含脂质和缺乏脂质的非钙化斑块之间的衰减差异很小。由于软骨与周围软组织的对比度低，从膝部CT扫描中分割出诸如软骨的软组织结构也是具有挑战性的。
[0006]在临床成像中，造影剂增强了CT扫描中的材料对比度。造影剂吸收外部X射线，导致X射线探测器上的曝光减少。诸如碘化剂的造影剂可能导致肾脏损伤并引发过敏反应。
[0007]在传统CT中，每个体素的衰减值是多种材料的组合衰减。双能量CT使用两种独立的X射线光子能谱，而不是传统CT中使用的单能量技术。它允许查询在不同能量下具有不同衰减特性的材料。然而，由于两个能量仓(energy bin)的限制，组织辨别仍然是次优的。多能量CT具有两种以上的能量和较窄的能量范围，可以同时识别多种材料，并提高准确性。
[0008]光子计数CT是一项新兴技术，在过去十年中取得了巨大的进步。对于光子计数探测器，入射X射线的每个光子撞击探测器元件，并产生高度与单个光子所沉积的能量成比例的电脉冲。光子计数CT固有地允许在单个源、单个管、单次采集、单个探测器和单个滤波器处进行双能量或多能量采集。此外，用户定义的能量阈值选择允许选择适用于特定能量诊断任务的合适能量阈值。这种任务驱动的能量阈值选择有助于用最佳成像设置解决不同的组织类型，以实现最佳图像质量或最低辐射剂量。
[0009]对于多能量CT或光子计数CT，材料分解的基本原理是相同的：它确定了扫描的每个体素中的衰减曲线的完全能量依赖性。假设就X射线衰减特性而言，任何人体组织都近似
等于两种或更多种基础材料的组合。尽管任何材料都可以用作基础材料，但通常使用水、钙、碘或脂肪作为基础材料。因此，材料分解也被称为基础材料分解。一般工作流程如下。通过使用多能量CT或光子计数CT，由多能量仓产生能量选择性(或能量特定)图像。从能量选择性图像生成一组基础材料图像。每个基础材料图像表示扫描中的每个体素的基础材料的等效浓度。基础图像可以用于通过基础图像的线性变换来获得诸如骨骼、肌肉和脂肪的人体组织的图像。为了找到一块人体组织的变换公式，对每种基础材料的浓度进行计算。
[0010]已经开发了材料分解方法。最简单的方法是反演将衰减值与材料浓度关联的矩阵。还提出了其他方法，如用正则化进行优化。然而，在假设基础材料的类型和数量的情况下，材料分解是一个非线性的不适定问题，而不准确的分解是当前方法中的一个问题。
[0011]最近，机器学习(特别是深度学习方法)在解决图像重建、图像分辨率增强和语音识别等不适定问题方面显示出了前景。在本专利技术中，专利技术了一种深度学习方法和系统来呈现能量选择性图像和材料特异图像之间的映射。

技术实现思路

[0012]本专利技术的一个目的是提供一种从基于多能量X射线的成像生成材料分解图像的方法。
[0013]根据本专利技术的第一方面，提供了一种从使用基于多能量X射线的成像获得的多个图像生成材料分解图像的方法，所述多个图像对应于基于多能量X射线的成像的各个能量，该方法包括：
[0014]利用深度学习神经网络通过从多个图像组合地学习特征以及从多个图像中的一个或多个图像单独地学习特征来对多个图像之间的空间关系和频谱关系进行建模；
[0015]使用空间关系和频谱关系生成一个或多个基础材料图像；以及
[0016]从基础材料图像(例如通过基础材料图像的线性变换)生成一个或多个材料特异图像或材料分解图像；
[0017]其中所述神经网络具有编码器
‑
解码器结构(例如包括编码器网络和解码器网络)并且包括多个编码器分支；
[0018]多个编码器分支中的一个或多个中的每一个对多个图像中的两个或更多图像进行组合(例如一起、并置/级联(concatenate)或串联)编码；并且
[0019]多个编码器分支中的一个或多个中的每一个对多个图像中的各个单独图像进行编码。
[0020]空间关系和频谱关系分别是空间信息(即图像中的物体、材料和结构)和光谱信息(即由不同光子能量引起的不同材料衰减)之间的关系。
[0021]应该注意的是，使用基于多能量X射线的成像获得的多个图像可以是合成的，这意味着它们可能不是同时或在单个扫描中获得的，而是从多个扫描中编译的。
[0022]对多个图像中的两个或更多图像进行组合编码的一个或多个编码器分支可以接收被组合、并置等的相应两个或更多个图像，或者在对它们进行编码之前对相应的两个或更多图像进行组合、并置等。
[0023]在一个实施例中，编码器分支中的两个或更多个中的每一个对多个图像中的各个不同的单独图像进行编码。
[0024]在一些实施例中，第一编码器分支对多个图像中的两个或更多图像的第一组合进行编码，并且第二编码器分支对多个图像中的两个或更多图像的第二组合进行编码，其中第一组合不同于第二组合(尽管这些组合可能包括公共图像)。
[0025]基于多能量X射线的成像可以包括例如冷阴极X射线放射照相、双能量放射照相、多能量放射照相、光子计数放射照相、冷阴极X射线CT、双能量CT、多能量CT或光子计数CT。
[0026]有利地，在一些实施例中，对各个单独图像进行编码的编码器分支总共编码由对两个或更多图像进行编码的编码器分支总共编码的所有图像。
[0027]然而，在一些其他实施例中，对各个单独图像进行编码的编码器分支总共接收的图像比由对两个或更多图像进行编码的编码器分支总共编码的图像少(例如，通过省略一个或多个低能图像)。例如，这样做可以减少计算时间。
[0028]在另一些实施例中，对各个单独图像进行编码的编码器分支总共编码的图像比由对两个或更多图像进行编码的编码器分支总共编码的图像多。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种从使用基于多能量X射线的成像获得的多个图像生成材料分解图像的方法，所述多个图像对应于所述基于多能量X射线的成像的各个能量，所述方法包括：利用深度学习神经网络通过从所述多个图像组合地学习特征以及从所述多个图像中的一个或多个图像单独地学习特征来对所述多个图像之间的空间关系和频谱关系进行建模；使用所述空间关系和所述频谱关系生成一个或多个基础材料图像；以及从所述基础材料图像生成一个或多个材料特异图像或材料分解图像；其中所述神经网络具有编码器
‑
解码器结构并且包括多个编码器分支；所述多个编码器分支中的一个或多个中的每一个对所述多个图像中的两个或更多图像进行组合编码；并且所述多个编码器分支中的一个或多个中的每一个对所述多个图像中的各个单独图像进行编码。2.根据权利要求1所述的方法，其中：i)所述编码器分支中的两个或更多中的每一个对所述多个图像中的各个不同的单独图像进行编码以作为输入；和/或ii)第一编码器分支对所述多个图像中的两个或更多图像的第一组合进行编码，并且第二编码器分支对所述多个图像中的两个或更多图像的第二组合进行编码，其中所述第一组合不同于所述第二组合。3.根据权利要求1或2所述的方法，其中所述基于多能量X射线的成像包括冷阴极X射线放射照相、双能量放射照相、多能量放射照相、光子计数放射照相、冷阴极X射线CT、双能量CT、多能量CT或光子计数CT。4.根据前述权利要求中任一项所述的方法，其中：a)对各个单独图像进行编码的编码器分支总共接收由对两个或更多图像进行编码的编码器分支总共接收的所有图像；或b)对各个单独图像进行编码的编码器分支总共编码的图像比由对两个或更多图像进行编码的编码器分支总共编码的图像少；或c)对各个单独图像进行编码的编码器分支总共编码的图像比由对两个或更多图像进行编码的编码器分支总共编码的图像多。5.根据前述权利要求中任一项所述的方法，其中所述深度学习神经网络是用真实或模拟的训练图像训练的已训练神经网络，所述训练图像是用真实或模拟的基于多能量X射线的成像以及基础材料图像获得的。6.根据权利要求5所述的方法，其中所述基础材料图像包括任何一个或多个(i)羟基磷灰石图像、(ii)钙图像、(iii)水图像、(vi)脂肪图像、(v)碘图像和(vi)肌肉图像。7.根据前述权利要求中任一项所述的方法，其包括生成(i)骨髓分解图像、(ii)膝关节软骨分解图像、(iii)碘造影分解图像、(iv)肿瘤分解图像、(v)肌肉和脂肪分解图像、(vi)金属伪影减少图像和(vii)束硬化减少图像中的任何一个或多个。8.根据前述权利要求中任一项所述的方法，其包括：生成一个或多个骨髓图像，并使用所述一个或多个骨髓图像诊断、识别或监测骨髓相关疾病；和/或
生成一个或多个膝关节软骨图像，并使用所述一个或多个骨髓图像诊断、识别或监测骨关节炎或类风湿性关节炎；和/或生成一个或多个碘造影图像，并诊断、识别或监测肿瘤；和/或生成一个或多个肌肉图像，并诊断、识别或监测肌肉减少症；和/或生成任何一个或多个(a)骨髓图像、(b)膝关节软骨图像、(c)碘造影图像和(d)肌肉图像，生成一个或多个金属伪影图像和/或一个或多个束硬化减少图像，并使用所述金属伪影图像和/或束硬化减少图像来改善所述骨髓图像、膝关节软骨图像、碘造影图像和/或肌肉图像的图像质量。9.一种从使用基于多能量X射线的成像获得的多个图像生成材料分解图像的系统，所述多个图像对应于所述基于多能量X射线的成像的各个...

【专利技术属性】
技术研发人员：彭宇，
申请(专利权)人：科弗比姆人工智能有限公司，
类型：发明
国别省市：