【技术实现步骤摘要】
本专利技术涉及图像处理，具体涉及一种基于脑部的双能ct图像分解方法。
技术介绍
1、ct成像的基本原理是x射线光子束通过人体时的衰减。双能ct对两种不同物质的区分能力，一方面取决于两种物质本身原子序数的差别，另一方面取决于“双能”的两种能谱本身的重叠程度。理论上两种能量的峰值相差越远，重叠成分越少，物质区分能力就越强，哪怕原子序数相对接近的两种物质与能够被区分出来。早期ct扫描时间分辨率较低，两次扫描的图像难以达到精确配准，尤其是运动的脏器，如心脏、腹部脏器(随呼吸运动)等，令双能扫描失去意义。直到2006年，双能ct系统出现了突破性的技术进展。西门子公司研制出的双源ct(somatom definition)将两套不同能量的管球和探测器整合在同一ct系统当中，两套管球相互独立，互相垂直，能够几乎同时对患者进行扫描和图像采集，极大地提高了图像配准的精确度，使双能ct的“物质分离”理念从理想变为现实。
2、在现有技术中，最早实现双能ct成像的方法是基于级联神经网络的双能ct成像方法，虽然该方法能够在单能ct图像的基础上得到双能ct图像，但该方法的成像模型的成像精度较低，导致最终得到的双能ct图像不够精准。
技术实现思路
1、本专利技术的目的在于提供一种基于脑部的双能ct图像分解方法，解决上述技术问题：
2、本专利技术的目的可以通过以下技术方案实现：
3、一种基于脑部的双能ct图像分解方法，包括以下步骤:
4、获取双能ct投影数据，所述的
5、构建双能ct成像模型，获取低能ct图像和对应的高能ct图像以及合成权重图，所述合成权重图为对所述低能ct图像和所述高能ct图像合成得到的；
6、根据被测人体部位从人体模型中选取若干个不同特征的人体部位模型，并据此建立训练数据集，构建用于实现双能ct图像分解的迭代残差网络；
7、以所述低能ct图像为输入，以所述合成权重图为目标，对所述权重图合成子模型进行预训练，得到训练好的权重图合成子模型；
8、将所述低能ct图像分别输入所述双能ct成像模型的第一编码器和第二编码器，以所述高能ct图像为目标，对所述双能ct成像子模型的权重进行训练，得到训练好的双能ct成像子模型。
9、作为本专利技术进一步的方案：所述训练数据集包括卷积神经网络模型的输入数据和输出数据，所述输出数据为基材料图像，所述输入数据为根据基材料图像和对应能量信息得到的双能ct图像，所述双能ct图像包括高能ct图像和低能ct图像；将输出数据作为标签数据。
10、作为本专利技术进一步的方案：使用ge lightspeed型x射线探测构建的dect图像重建系统对选取的人体部位模型进行模拟扫描得到人体部位模型的双能投影数据，在双能投影数据中加入泊松噪声后，利用dect图像重建系统重建得到人体部位模型的高能ct图像和低能ct图像。
11、作为本专利技术进一步的方案：对所述低能ct图像和所述高能ct图像合成得到合成权重图，具体包括：
12、将所述低能ct图像和所述高能ct图像作差，得到高低能差值图像；
13、对所述高低能差值图像依次进行硬阈值处理和高斯滤波处理，得到降噪后的高低能差值图像；
14、对所述降噪后的高低能差值图像进行标准化处理，得到所述合成权重图。
15、作为本专利技术进一步的方案：所述的训练数据集的建立，具体包括：
16、根据被测人体部位从xcat人体模型中选取若干个不同特征的人体部位模型；
17、使用ge lightspeed型x射线探测构建dect图像重建系统对选取的人体部位模型进行模拟扫描重建得到人体部位模型的高能ct图像和低能ct图像；
18、将得到的高能ct图像、低能ct图像直接求逆分解得到基材料密度图像作为输入数据；
19、从xcat导出人体部位模型在不同能量下的两个理想单能图像，对这两个理想单能图像直接求逆分解得到的基材料密度图像作为标签数据，其中，在两个理想单能图像中，一个理想单能图像所对应的能量大于另一个理想单能图像所对应的能量；
20、将得到的输入数据和步骤s140得到的标签数据建立训练数据集。
21、作为本专利技术进一步的方案：对所述多能ct投影重建得到多能ct图像，并基于所述多能ct图像计算新的多能ct投影，并将所述新的多能ct投影替换所述多能ct投影，直至满足迭代结束条件，得到最终多能ct图像，并根据所述最终多能ct图像计算得到最终多能ct投影。
22、作为本专利技术进一步的方案：通过动态双能ct探测器进行ct扫描以获得双能ct投影数据。
23、作为本专利技术进一步的方案：基于重建算法，对所述多能ct投影重建得到多能ct图像；其中，所述重建算法为sart或sirt或art迭代重建算法，所述多能ct图像的初值为高低能窗投影叠加后重建的ct图像。
24、本专利技术的有益效果：通过动态双能ct探测器进行ct扫描以获得动态双能ct投影数据，并根据所述动态双能ct投影数据计算得到多能ct投影，并对所述多能ct投影重建得到多能ct图像，并基于所述多能ct图像计算新的多能ct投影，并将所述新的多能ct投影替换所述多能ct投影，直至满足迭代结束条件，得到最终多能ct图像，并根据所述最终多能ct图像计算得到最终多能ct投影，从动态双能ct数据中恢复出统计噪声更低的多能ct投影，进而重建出噪声更低的多能ct图像，解决了相关技术中人为构建的正则项难以真正体现多能ct图像的内在特性的问题，对于不同类型、不同扫描参数下获得的多能ct图像都能有效地降低噪声，且不会在图像中产生额外的伪影。
本文档来自技高网...【技术保护点】
1.一种基于脑部的双能CT图像分解方法，其特征在于，包括以下步骤:
2.根据权利要求1所述的一种基于脑部的双能CT图像分解方法,其特征在于，所述训练数据集包括卷积神经网络模型的输入数据和输出数据，所述输出数据为基材料图像，所述输入数据为根据基材料图像和对应能量信息得到的双能CT图像，所述双能CT图像包括高能CT图像和低能CT图像；将输出数据作为标签数据。
3.根据权利要求1所述的一种基于脑部的双能CT图像分解方法,其特征在于，使用GELightSpeed型X射线探测构建的DECT图像重建系统对选取的人体部位模型进行模拟扫描得到人体部位模型的双能投影数据，在双能投影数据中加入泊松噪声后，利用DECT图像重建系统重建得到人体部位模型的高能CT图像和低能CT图像。
4.根据权利要求1所述的一种基于脑部的双能CT图像分解方法,其特征在于，对所述低能CT图像和所述高能CT图像合成得到合成权重图，具体包括：
5.根据权利要求1所述的一种基于脑部的双能CT图像分解方法,其特征在于，所述的训练数据集的建立，具体包括：
6.根据权利要求1
7.根据权利要求1所述的一种基于脑部的双能CT图像分解方法,其特征在于，通过动态双能CT探测器进行CT扫描以获得双能CT投影数据。
8.根据权利要求1所述的一种基于脑部的双能CT图像分解方法,其特征在于，基于重建算法，对所述多能CT投影重建得到多能CT图像；其中，所述重建算法为SART或SI RT或ART迭代重建算法，所述多能CT图像的初值为高低能窗投影叠加后重建的CT图像。
...【技术特征摘要】
1.一种基于脑部的双能ct图像分解方法，其特征在于，包括以下步骤:
2.根据权利要求1所述的一种基于脑部的双能ct图像分解方法,其特征在于，所述训练数据集包括卷积神经网络模型的输入数据和输出数据，所述输出数据为基材料图像，所述输入数据为根据基材料图像和对应能量信息得到的双能ct图像，所述双能ct图像包括高能ct图像和低能ct图像；将输出数据作为标签数据。
3.根据权利要求1所述的一种基于脑部的双能ct图像分解方法,其特征在于，使用gelightspeed型x射线探测构建的dect图像重建系统对选取的人体部位模型进行模拟扫描得到人体部位模型的双能投影数据，在双能投影数据中加入泊松噪声后，利用dect图像重建系统重建得到人体部位模型的高能ct图像和低能ct图像。
4.根据权利要求1所述的一种基于脑部的双能ct图像分解方法,其特征在于，对所述低能ct图像和所述高能ct图像合成得到合成权重图，具体包括...
【专利技术属性】
技术研发人员：宋修峰，李杨，李洋，
申请(专利权)人：青岛市妇女儿童医院青岛市妇幼保健院，青岛市残疾儿童医疗康复中心，青岛市新生儿疾病筛查中心，
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。