【技术实现步骤摘要】
本专利技术涉及x射线成像领域，特别是涉及一种基于调制滤波器以及神经网络的x射线散射估计系统、方法及终端。
技术介绍
1、x射线用于各种医疗成像设备，如ct、c臂、x射线摄影和乳房x光摄影。其中，c臂提供了高质量的无创、快速的患者体内成像，无论是在普通诊断还是在高级手术中都发挥着重要作用。然而，由于x射线对患者和医生或技术人员的累积暴露所造成的风险越来越被人们所认识，alara(as low as reasonably achievable)已经成为一个全球标准，以最大限度地提高辐射风险的临床效益。
2、尽管最近有管理和减少x射线照射的趋势，但c臂在用于干预时，会引起最高的x射线照射。与胸部x线检查的有效剂量0.02msv或ct检查的2-16msv相比，介入透视检查的有效剂量要高得多，达到5-70msv(mettler et al.2008)。在最坏的情况下，干预期间的有效剂量比标准放射检查的有效剂量高出1000倍以上。这会增加患者的各种风险，包括癌症(picao etal.2007)。虽然医生或操作人员不会直接受到x光照射，但他们也会受到散射x光的影响。由于他们通常会多次使用c臂，他们累积的x射线暴露也不容忽视。
3、c臂还有一个关键影响叫做散射x射线。探测到的x射线通过患者的身体传输(以下称为初级x射线)，但散射到患者身体或周围环境的x射线也会在其探测器上被探测到，并形成显著的背景。它的强度有时甚至与一次x光相当，图像对比度明显降低。基于硬件的准直器方法一方面可以直接去除散射x射线，但也可以去除初级x射
4、近年来，利用神经网络的深度学习，研究了一种减少散射x射线的新方法(ep3688723b1,us11380025b2)。它基本上有输入图像供神经网络读取，模型估计散射x射线图像。
5、在大多数使用深度学习的研究中，x射线探测器检测到的x射线强度被用作神经网络的输入数据。然而，这些数据并没有包含足够的关于x射线散射强度的信息。当考虑一个平面形状的均匀水，不同厚度覆盖整个视场时，当它接近x射线发射焦点时，这几乎是微不足道的。
6、在任意厚度下，初级x射线和散射x射线都能形成均匀的图像，但散射x射线与初级x射线的比例不同。因此，采用基于软件的算法(包括神经网络)很难从相同的均匀图像中分辨出散射和一次x射线。
7、最近还有一项研究用分析方法估计散射x射线(zhu 2016)。zhu 2016在x射线发射焦点和患者身体之间放置了一个高频模式的薄过滤器。它使投射到病人身体上的x光强度调节。利用散射x射线图像受x射线强度调制的影响较弱，而一次x射线受x射线强度调制的影响较强这一事实，可以解析区分这两个分量(us5602895a)。散射x射线也可以通过部分和完全停止x射线(us10722205b2,ep0689047b1)，以类似的分析方式进行估计。在zhu 2016年，他们成功地用高频模式的滤波器估计散射x射线，但该方法需要在扫描患者之前进行扫描，以获取滤波器的投影模式。从临床现场实际使用的角度来看，有两大挑战。一个是c型臂的形状会随着臂的角度而变化。因此，在对患者进行扫描之前总是需要进行校准扫描，从而降低了工作流程。另一个挑战是，如果校准扫描在患者、医生和技术人员身边进行，则可能会因散射x射线而造成额外剂量。
技术实现思路
1、鉴于以上所述现有技术的缺点，本专利技术的目的在于提供一种基于调制滤波器以及神经网络的x射线散射估计系统、方法及终端，用于解决以上现有技术问题。
2、为实现上述目的及其他相关目的，本专利技术提供一种基于调制滤波器以及神经网络的x射线散射估计系统，所述系统包括：x射线成像系统以及与x射线成像系统通信连接的图像处理装置；其中，所述x射线成像系统包括：沿相同光轴依次设置的x射线发生器、调制滤波器以及x射线探测器；所述x射线发生器，用于发射x射线；所述调制滤波器，设置于x射线发生器以及检测对象之间，用于对由所述x射线发生器发射的x射线进行调制，并向检测对象传输；所述x射线探测器，用于检测依次经过调制滤波器以及检测对象的x射线获得投影图像；图像处理装置，用于基于训练的神经网络模型，根据所述投影图像预测散射x射线图像，以获得去除散射x射线的投影图像。
3、于本专利技术的一实施例中，基于训练的神经网络模型，根据所述投影图像预测散射x射线图像，以获得去除散射x射线的投影图像包括：对所述投影图像进行预处理；其中，预处理的方式包括：依次进行信号放大、增益校正、偏移校正、图像滞后校正以及下采样处理；基于训练的神经网络模型，对预处理后的投影图像进行散射校正，获得去除散射x射线的投影图像。
4、于本专利技术的一实施例中，基于训练的神经网络模型，对预处理后的投影图像进行散射校正，获得去除散射x射线的投影图像包括：对预处理后的投影图像进行图像块分割处理，获得多个图像块；基于选择的经过训练的神经网络模型，对各图像块进行散射图像预测，获得各图像块对应的散射预测结果；基于各图像块对应的散射预测结果，获得散射x射线图像；基于散射x射线图像，在增益校正后的投影图像中减去散射x射线，获得去除散射x射线的投影图像。
5、于本专利技术的一实施例中，图像块分割处理包括：对预处理后的投影图像进行修补，并制作图像分块获得多个图像块；将每个图像块采用设定归一化系数进行归一化。
6、于本专利技术的一实施例中，基于各图像块对应的散射预测结果，获得散射x射线图像包括：采用设定归一化系数的倒数对各图像块进行反归一化；将预测为散射图像的图像块进行合并和求和，得到一张散射图像；对散射图像的重叠区域除以重叠区域的数量，以获得处理散射图像；对处理散射图像进行平滑处理，并进行上采样，获得散射x射线图像。
7、于本专利技术的一实施例中，神经网络模型由训练数据集训练获得；其中，训练数据集的生成方式包括：对由x射线探测器检测依次经过调制滤波器以及检测对象的x射线获得的多个投影图像进行预处理；对预处理后的投影图像分别进行图像块分割处理，获得分别对应各投影图像的多个图像块；基于对应各投影图像的具有散射图像标签的各图像块生成训练数据集。
8、于本专利技术的一实施例中，基于生成的x射线光谱以及采用的调制滤波器在投影图像的图案选择不同种神经网络模型对投影图像各位置的图像块进行散射预测。
9、于本专利技术的一实施例中，可通过调整调制滤波器的厚度分布和/或材料分布调整x射线衰减系数，来调整调制滤波器在投影图像的图案位置，以避免出现半影以及半暗带效应。
10、于本专利技术的一实施例中，所述x射线成像系统还包括：设置于x射线发生器以及调制滤波器之间的准直器。
11、为实现上述目的及本文档来自技高网...
【技术保护点】
1.一种基于调制滤波器以及神经网络的X射线散射估计系统，其特征在于，所述系统包括：
2.根据权利要求1中基于调制滤波器以及神经网络的X射线散射估计系统，其特征在于，基于训练的神经网络模型，根据所述投影图像预测散射X射线图像，以获得去除散射X射线的投影图像包括：
3.根据权利要求2中基于调制滤波器以及神经网络的X射线散射估计系统，其特征在于，基于训练的神经网络模型，对预处理后的投影图像进行散射校正，获得去除散射X射线的投影图像包括：
4.根据权利要求3中基于调制滤波器以及神经网络的X射线散射估计系统，其特征在于，图像块分割处理包括：
5.根据权利要求4中基于调制滤波器以及神经网络的X射线散射估计系统，其特征在于，基于各图像块对应的散射预测结果，获得散射X射线图像包括：
6.根据权利要求4中基于调制滤波器以及神经网络的X射线散射估计系统，其特征在于，神经网络模型由训练数据集训练获得；
7.根据权利要求3中基于调制滤波器以及神经网络的X射线散射估计系统，其特征在于，基于生成的X射线光谱以及采用的调制滤波器在投影图像
8.根据权利要求3中基于调制滤波器以及神经网络的X射线散射估计系统，其特征在于，可通过调整调制滤波器的厚度分布和/或材料分布调整X射线衰减系数，来调整调制滤波器在投影图像的图案位置，以避免出现半影以及半暗带效应。
9.根据权利要求1中基于调制滤波器以及神经网络的X射线散射估计系统，其特征在于，所述X射线成像系统还包括：设置于X射线发生器以及调制滤波器之间的准直器。
10.一种基于调制滤波器以及神经网络的X射线散射估计方法，其特征在于，应用于X射线成像系统，包括：沿相同光轴依次设置的X射线发生器、调制滤波器以及X射线探测器，所述方法包括：
11.一种基于调制滤波器以及神经网络的X射线散射估计终端，其特征在于，包括：一或多个存储器及一或多个处理器；
...【技术特征摘要】
1.一种基于调制滤波器以及神经网络的x射线散射估计系统，其特征在于，所述系统包括：
2.根据权利要求1中基于调制滤波器以及神经网络的x射线散射估计系统，其特征在于，基于训练的神经网络模型，根据所述投影图像预测散射x射线图像，以获得去除散射x射线的投影图像包括：
3.根据权利要求2中基于调制滤波器以及神经网络的x射线散射估计系统，其特征在于，基于训练的神经网络模型，对预处理后的投影图像进行散射校正，获得去除散射x射线的投影图像包括：
4.根据权利要求3中基于调制滤波器以及神经网络的x射线散射估计系统，其特征在于，图像块分割处理包括：
5.根据权利要求4中基于调制滤波器以及神经网络的x射线散射估计系统，其特征在于，基于各图像块对应的散射预测结果，获得散射x射线图像包括：
6.根据权利要求4中基于调制滤波器以及神经网络的x射线散射估计系统，其特征在于，神经网络模型由训练数据集训练获得；
7.根据权利要求3...
【专利技术属性】
技术研发人员：小野光，
申请(专利权)人：上海电气控股集团有限公司智惠医疗装备分公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。