CN108030502A

CN108030502A - 用于空气校正的系统和方法

Info

Publication number: CN108030502A
Application number: CN201711229793.4A
Authority: CN
Inventors: 张笛儿
Original assignee: Shenzhen Union Medical Technology Co Ltd
Current assignee: Shanghai United Imaging Healthcare Co Ltd
Priority date: 2017-07-12
Filing date: 2017-11-29
Publication date: 2018-05-15
Anticipated expiration: 2037-11-29
Also published as: US20190019317A1; US10204427B2; WO2019010648A1; CN108030502B; US20190216419A1; US10980505B2

Abstract

本发明公开了一种成像系统中空气校正的方法。通过获取数据和构造神经网络获取参考值，实现空气校正。扫描时，获取第一组数据，第一组数据与扫描区域内的空气相关；获取第二组数据，第二组数据与扫描区域内的物体相关；基于神经网络模型生成的一组参考值，利用第一组数据校正第二组数据；基于校正过的第二组数据产生第三组数据；以及基于所述第三组数据产生物体的CT图像。采用本发明的空气校正方法，在扫描过程中，可以在没有参考探测器的情况下进行空气校正，利用神经网络构造参考值替代参考探测器，并可以对每排检测器可产生不同的参考检测器替代估计值，从而达到排归一化校正。

Description

用于空气校正的系统和方法

技术领域

本申请涉及图像重建，尤其涉及用于医学图像重建的方法和系统。

背景技术

X射线计算机断层扫描(CT，Computed Tomography)常用于现代医学技术。计算机断层扫描(CT)系统可以包括X射线管和探测器阵列，所述X射线管和探测器阵列围绕个体所处的台架旋转。从X射线管发出的X射线在被X射线探测器阵列接收之前，穿过物体时可能衰减。X射线探测器阵列可以将接收的X射线转换为电信号，所述电信号可由CT系统用于进行图像重建。

由X射线探测器阵列产生的电信号可能需要进行空气校正。在现有技术中，可以利用X射线管一侧的参考探测器进行空气校正。然而，在CT系统中部署参考探测器可能是麻烦的，成本也较高。近年来，人工智能(AI)的发展可以提供一种代替参考探测器进行空气校正的方案。

发明内容

一种成像系统中空气校正的方法，所述方法包括:获取第一组数据，所述第一组数据与扫描区域内的空气相关；获取第二组数据，所述第二组数据与扫描区域内的物体相关；基于神经网络模型生成的一组参考值，利用所述第一组数据校正所述第二组数据；基于所述校正过的第二组数据产生第三组数据；以及基于所述第三组数据产生物体的CT图像。

在本发明中，所述神经网络模型包括深度学习神经网络模型。

在本发明中，所述神经网络模型基于至少与CT成像系统一个探测器相关的训练数据进行训练。

在本发明中，所述训练数据通过至少一个与扫描协议相关的探测器获取。

在本发明中，所述神经网络模型包括至少3层。

在本发明中，所述神经网络模型生成的所述一组参考值是视图相关的。

在本发明中，所述神经网络模型生成的所述一组参考值是排相关的。

在本发明中，所述基于神经网络模型利用第一组数据校正第二组数据进一步包括：对第一组数据和第二组数据进行排归一化；以及基于排归一化结果，利用第一组数据校正第二组数据。

一个CT成像系统，其特征在于具体包括：数据获取单元、校正单元和校正图像生成单元；所述数据获取单元用于获取扫描数据：获取第一组数据，所述第一组数据与扫描区域内的空气相关；获取第二组数据，所述第二组数据与扫描区域内的物体相关；所述校正单元用于进行校正：基于神经网络模型生成的一组参考值，利用第一组数据校正第二组数据；基于上述校正过的第二组数据产生第三组数据；以及所述校正图像生成单元用于产生CT图像：基于第三组数据产生物体的CT图像。

附图说明

根据示例性实施例对本申请进行进一步描述。所述实施例将通过详细附图描述进一步解释。所述实施例是非限制性的示例性实施例，其中相同的附图标记在附图的多个视图中表示相似的结构，并且其中：

图1-A和图1-B是根据本申请的一些实施例所示的示例性CT系统的原理图；

图2是根据本申请的一些实施例所示的一个计算设备的硬件和/或软件结构示意图；

图3是根据本申请的一些实施例所示的交互设备的软件/硬件结构示意图；

图4是表示根据本申请的一些实施例所示的示例性图像生成过程的流程图；

图5是根据本申请的一些实施例所示的示例性校正引擎的框图；

图6是根据本申请的一些实施例所示的示例性校正模块的框图；

图7是根据本申请的一些实施例所示的空气校正的示例性流程图；

图8是根据本申请的一些实施例所示的示例性神经网络的框图；

图9是根据本申请的一些实施例所示的基于所述神经网络获取参考值的示例性流程图。

图10是根据本申请的一些实施例所示的神经网络的示例性流程图。

图11是根据本申请的一些实施例所示的排归一化校正的示例性流程图。

具体实施方式

为了更清楚地说明本申请的实施例的技术方案，下面通过一些实施例阐述了许多具体细节。显而易见的，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，可以在不采用某些细节的条件下实现本申请中的技术方案。换而言之，本申请中的众所周知的方法、过程、系统、组件和/或电路采用较大范围的描述，以避免本申请中出现不必要的模糊概念。本领域技术人员可能会对本申请进行各种修改、改进和修正，本申请中定义的一般性原理可以应用于其它实施例中，该类修改、改进、修正、应用仍属于本申请示范实施例的精神和范围。因此，本申请中的实施例并不构成对本申请的限定，而是在不脱离权利要求的情况下扩大本申请的范围。

本申请中所使用的术语仅仅是为了描述具体实施例，并不对本申请构成限制。如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“所述”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的整体、设备、行为、特征、步骤、元素、操作和/或组份，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其他的整体、设备、行为、特征、步骤、元素、操作、组份和/或其中一个或多个的组合。

本申请中使用的“系统”、“模块”、“单元”和/或“数据块”等词仅仅是用于区分由大到小顺序排列的不同组件、元件、部件、部分或其它装置。如果可以达到相同的目的，这些词可以被其它词取代。

本申请中的“模块”、“单元”和/或“子单元”指的是存储在硬件、固件中的逻辑或一组软件指令。这里所指的“模块”、“单元”和/或“子单元”能够通过软件和/或硬件模块执行，也可以被存储于任何一种计算机可读的非临时媒介或其他存储设备中。在某些实施例中，一个软件模块可以被编译并连接到一个可执行的程序中。这里的软件模块可以对自身或其他模块传递的信息作出回应，并且/或者可以在检测到某些事件或中断时作出回应。可以在一个计算机可读媒介上提供一个被设置为可以在计算设备上(例如图2中的处理器210)执行操作的软件模块，这里的计算机可读媒介可以是光盘、数字光盘、闪存盘、磁盘或任何其他种类的有形媒介；也可以通过数字下载的模式获取软件模块(这里的数字下载也包括存储在压缩包或安装包内的数据，在执行之前需要经过解压或解码操作)。这里的软件代码可以被部分的或全部的储存在执行操作的计算设备的存储设备中，并应用在计算设备的操作之中。软件指令可以被植入在固件中，例如可擦可编程只读存储器(erasableprogrammable read only memory，EPROM)。显然，硬件模块可以包含连接在一起的逻辑单元，例如门、触发器，以及/或包含可编程的单元，例如可编程的门阵列或处理器。这里所述的模块或计算设备的功能优选的作为软件模块实施，但是也可以被表示在硬件或固件中。一般情况下，这里所说的模块是逻辑模块，不受其具体的物理形态或存储器的限制。一个模块、单元和/或子单元能够与其他的模块、单元和/或子单元组合在一起，或被分隔成为一系列子模块和/或子单元。

在本申请中除非上下文明确提示例外情形，当一个单元、模块或数据块被“连通”、“连接到”或“耦合到”另一单元、模块或数据块时，所述单元、模块或数据块可以直接连通或通过中间单元、模块或数据块连接或耦合到另一个单元、模块或数据块。如本说明书和权利要求书中所示，术语“和/或”包括相关列出的项目中的一个或多个的组合。

本申请的这些和其他特征以及特点，和结构相关的操作方法和功能以及生产的零件和经济的结合，通过参考以下附图描述会更加清楚，以上所述都是本申请的一部分。应当理解，所述附图仅用于说明的目的，而并非以任何方式限制本发明的范围。所述图纸未按照实物比例进行绘制。

本申请提供了用于非侵入性成像(例如，用于疾病诊断或研究)的系统和组件。在一些实施例中，成像系统可以是计算机断层成像(CT)系统、发射型计算机断层成像(ECT)系统、X射线摄影系统、核磁共振成像(MRI)系统、超声波系统、正电子发射断层成像(PET)系统等中的一种或几种的组合。

本申请提供的方法和系统可以用于在扫描对象时执行自动和完善的校正。所述校正可以基于神经网络。在一些实施例中，所述校正可以基于深度学习类型的神经网络。例如，校正可以基于深度信念网络(DBN)。与现有技术相比，本申请提供的方法可能更准确，更快。本申请的方法在处理大量CT原始数据方面是可扩展的，同时保持数据处理的效率。神经网络内的建模可以是个性化的或分类的。换言之，神经网络内的建模可以包括与对象相关的个人信息，从而根据个人特征进行修正。在一些其他实施例中，神经网络内的建模可以集中于一组对象内的共同特征，从而根据组的分类特征进行校正。此外，在训练神经网络之后，可以显著地减少计算时间。

本申请提供的方法和系统可以应用于重建其他类型的图像，包括例如CT图像，ECT图像，磁共振(MR)图像，PET图像等。为了说明目的而不是限制，本申请涉及CT图像重建。所述系统可以基于统计图像重建算法重建CT图像。所述统计图像重建算法可以包括可以用于在统计图像重建期间减少阶梯伪影的正则化项。

以说明为目的，本申请描述了用于CT图像数据处理的系统和方法。本申请中使用的术语“图像”可以指2D图像、3D图像或4D图像。本申请中使用的术语“图像数据”可以指CT数据和对应于CT数据的投影数据。这些并不构成对本申请的限定。对于具有本领域普通技能的人，在本申请的指导下可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

图1-A和1-B是根据本申请的一些实施例所示的示例性CT系统的原理图。所述成像系统100可以包括一个成像设备110、网络120、一个或多个终端130、一个处理设备140和一个存储设备150。

成像设备110可以包括一个机架111、一个探测器112、探测区域113、工作台114、放射性扫描源115。机架111可以支持探测器112和放射性扫描源115。目标物体可以被放置在工作台114上用于扫描。放射性扫描源115可以向目标物体发射放射性射线。探测器112可以探测由探测区域113发射的放射物(例如，γ光子)。在一些实施例中，探测器112可以包括一个或多个探测器单元。所述探测器单元可以包括闪烁探测器(例如，碘化铯探测器)和气体探测器等。所述探测器单元可以包括单行探测器和/或多行探测器。

网络120可以包括促进CT系统100中信息和/或数据交换的任何合适的网络。在一些实施例中，CT系统100中的一个或多个组件(例如，CT扫描仪110、终端130、处理设备140和数据库150等)可以经由网络120与CT系统100中的一个或多个其它组件通讯信息和/或数据。例如，处理设备140可以由网络120从CT扫描仪110处获取图像数据。又例如，处理设备140可以由网络120从终端130处获取用户指令。网络120可以是公共网络(例如，因特网)、专用网络(例如，局域网(LAN)、广域网(WAN))、有线网络(例如，以太网)、无线网络(例如，802.11网络、Wi-Fi网络)、蜂窝网络(例如，长期演进(LTE)网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、交换机、服务器计算机等中的一种或几种的组合。仅作为示例，网络120可以包括有线电视网络、有线网络、光纤网络、电信网络、内联网、无线局域网(WLAN)、城域网(MAN)、公共电话交换网络(PSTN)、Bluetooth^TM网络、ZigBee^TM网络、近场通信(NFC)网络等中的一种或几种的组合。在一些实施例中，网络120可以包括一个或多个网络接入点。例如，网络120可以包括有线和/或无线网络接入点，例如基站和/或互联网交换点，CT系统100中的一个或多个组件可以通过所述网络接入点连接到网络120交换数据和/或信息。

终端130可以包括移动设备130-1、平板计算机130-2、手提计算机130-3等中的一种或几种的组合。在一些实施例中，移动设备130-1可以包括智能家居设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等中的一种或几种的组合。在一些实施例中，所述智能家居设备可以包括智能照明设备、智能电气设备的控制设备、智能监控设备、智能电视、智能摄像机、对讲机等中的一种或几种的组合。在一些实施例中，所述可穿戴设备可以包括手环、鞋类、眼镜、头盔、手表、衣服、背包、智能配件等中的一种或几种的组合。在一些实施例中，所述移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、笔记本电脑、平板电脑、台式机等中的一种或几种的组合。在一些实施例中，所述虚拟现实设备和/或增强现实设备可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实补丁、增强现实头盔、增强现实眼镜、增强现实补丁等中的一种或几种的组合。例如，所述虚拟现实设备和/或增强现实设备可以包括Google Glass^TM、Oculus Rift^TM、Hololens^TM、GearVR^TM等。在一些实施例中，终端130可以是处理设备140的一部分。

处理设备140可以处理从CT扫描仪110、终端130和/或数据库150处获取的数据和/或信息。例如，处理引擎140可以处理图像数据并确定可以用于修改图像数据的正则化项目。在一些实施例中，处理设备140可以是单个服务器或服务器组。所述服务器组可以是集中式的或分布式的。在一些实施例中，处理设备140可以是本地的或远程的。例如，处理设备140可以通过网络120存取存储在CT扫描仪110、终端130和/或数据库150中的信息和/或数据。又例如，处理设备140可以直接连接到CT扫描仪110、终端130和/或数据库150访问存储的信息和/或数据。在一些实施例中，处理设备140可以在云平台上执行。仅作为示例，所述云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间、多云等中的一种或几种的组合。在一些实施例中，处理设备140可以由计算设备200中的一个或多个组件执行，如图2所示。

数据库150可以存储数据、指令和/或任何其它信息。在一些实施例中，数据库150可以存储从终端130和/或处理设备140处获取的数据。在一些实施例中，数据库150可以存储数据和/或指令，处理设备140可以执行或使用所述数据和/或指令完成本申请中描述的示例性方法。在一些实施例中，数据库150可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等中的一种或几种的组合。示例性大容量存储器可以包括磁盘、光盘、固态驱动器等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。示例性易失性读写存储器可以包括随机存取存储器(RAM)。示例性RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。示例性ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。在一些实施例中，数据库150可以在云平台上实现。仅作为示例，云平台可以包括私有云、公共云、混合云、社区云、分布式云、云间、多云等中的一种或几种的组合。

在一些实施例中，数据库150可以通过连接到网络120与CT系统100中的一个或多个其它组件(例如，处理设备140、终端130)进行通信。CT系统100中的一个或多个组件可以通过网络120访问存储在数据库150中的数据或指令。在一些实施例中，数据库150可以直接与CT系统100中的一个或多个其它组件连接或通信(例如，处理设备140、终端130)。在一些实施例中，数据库150可以是处理设备140的一部分。所述CT系统100中的组件之间的连接可以是可变的。仅作为示例，如图1所示。如图1-A所示，CT扫描器110可以通过网络120连接到处理引擎140。如图1-B所示，CT扫描器110可以直接连接到处理引擎140。

图2是基于本申请一些实施例中示例计算机设备的硬件和/或软件组件的示意图。如图2所示，计算设备200可以包括处理器210、存储器220、输入/输出界面(I/O)230和通信端口240。

处理器210可以根据本申请所描述的技术执行计算机指令(例如，程序代码)并完成处理设备140的功能。所述计算机指令可以包括，例如，执行本申请描述的特定功能的例程、程序、对象、组件、数据结构、规程、模块和功能。例如，处理器210可以处理从CT扫描仪110、终端130、数据库150和/或CT系统100中的任何其它组件处获取的图像数据。在一些实施例中，处理器210可以包括一个或多个硬件处理器，例如，微控制器、微处理器、精简指令集计算机(reduced instruction set computer，RISC)、专用集成电路(applicationspecific integrated circuits，ASIC)、专用指令集处理器(application-specificinstruction-set processor，ASIP)、中央处理单元(central processing unit，CPU)、图形处理单元(graphics processing unit，GPU)、物理处理单元(physics processingunit，PPU)、微控制器单元、数字信号处理器(digital signal processor，DSP)、现场可编程门阵列(field programmable gate array，FPGA)、高级RISC机(advanced RISCmachine，ARM)、可编程逻辑器件(programmable logic device，PLD)、能够执行一种或多种功能的任何电路或处理器等中的一种或几种的组合。

仅为了说明，本申请仅描述了在计算设备200中一个处理器。然而，需要注意的是，本申请中的计算设备200可以包括多个处理器，因此本申请中描述的一个处理器所执行的操作和/或方法步骤可以由多个处理器联合或单独执行。例如，在本申请中计算设备200的处理器执行操作A和操作B，则应当理解，操作A和操作B也可以由计算设备200中的两个或多个不同的处理器共同地或单独地执行(例如，第一处理器执行操作A，第二处理器执行操作B或第一和第二处理器共同执行操作A和操作B)。

存储器220可以存储从CT扫描仪110、终端130、数据库150和/或CT系统100中的任何其它组件处获取的数据/信息。在一些实施例中，存储器220可以包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等中的一种或几种的组合。例如，所述大容量存储器可以包括磁盘、光盘、固态驱动器等。所述可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。所述易失性读写存储器可以包括随机存取存储器(RAM)。所述RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容RAM(Z-RAM)等。所述ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。在一些实施例中，存储器220可以通过存储一个或多个程序和/或指令，执行本申请中描述的示例性方法。例如，存储器220可以存储处理设备140用于确定正则化项目的程序。

输入/输出界面(I/O)230可以输入和/或输出信号、数据和信息等。在一些实施例中，I/O 230可以使用户与处理设备140之间相互作用。在一些实施例中，I/O 230可以包括输入设备和输出设备。示例性输入设备可以包括键盘、鼠标、触摸屏、麦克风等中的一种或几种的组合。示例性输出设备可以包括显示设备、扬声器、打印机、投影仪等中的一种或几种的组合。示例性显示装置可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、弯曲屏幕、电视设备、阴极射线管(CRT)、触摸屏幕等中的一种或几种的组合。

通信端口240可以连接到网络(例如，网络120)以便于数据通信。通信端口240可以在处理设备140和CT扫描仪110、终端130和/或数据库150之间建立连接。所述连接可以是有线连接、无线连接、任何其它可以实现数据传输和/或接收的通信连接和/或这些连接的任何组合。所述有线连接可以包括，例如，电缆、光缆、电话线等中的一种或几种的组合。所述无线连接可以包括，例如，Bluetooth^TM链接、Wi-Fi^TM链接、WiMax^TM链接、WLAN链接、ZigBee链接、移动网络链接(例如，3G、4G、5G等)等中的一种或几种的组合。在一些实施例中，通信端口240可以是和/或包括标准化通信端口，例如RS232、RS485等。在一些实施例中，通信端口240可以是专门设计的通信端口。例如，通信端口240可以根据医学数字成像和通信(DICOM)协议进行设计。

图3是移动设备300的硬件和/软件示例图。在一些实施例中，交互设备130可以应用于移动设备300中。如图3所示，移动设备300可以包括一个通信平台310、一个显示器320、一个图形处理单元330、一个中央处理单元340、一个输入/输出350、一个记忆卡360和一个存储器390。在一些实施例中，移动设备300中可以包括一个总线或者一个控制器。在一些实施例中，移动操作系统370和一个或多个应用程序380可以从存储器390加载到记忆卡360中，并由中央处理单元340执行。所述应用程序380可以包括浏览器。在一些实施例中，应用程序380可以接收和系显示与数据处理引擎140有关的图像处理或其他信息的信息。输入/输出350可以实现用户与成像系统100的交互，并将交互相关信息通过网络120提供给成像系统100中的其他部件，如数据处理引擎140。

为了实现在本申请中描述的各种模块，单元及其功能，可以将计算机硬件平台用作本申请所描述的一个或多个元件的硬件平台。具有用户界面元件的计算机可以被用作个人计算机(PC)或任何其他类型的工作站或终端设备。如果适当编程，计算机也可以充当服务器。

图4是根据本申请的一些实施例所示的示例性图像生成过程的流程图；流程图400可以通过系统100中的处理引擎140和/或终端130的非暂时性存储介质中以一组指令的形式被实施。处理引擎140和/或终端130可以执行所述指令，并且可以相应地执行流程图400中的步骤。

在401中，处理引擎140和/或终端130可以设置一个或多个扫描参数。所述参数可以通过扫描方案确定。在一些实施例中，对于不同的扫描物体可以生成对应的扫描方案。仅作为例子，所述扫描方案可以是与准直器孔径、探测器孔径、X射线管电压和/或电流、扫描模式、表索引速度、台架速度、重建视场(FOV)、内核等相关的，或其任何组合。在一些实施例中，所述扫描模式可以进一步包括扫描时间间隔、目标位置信息、机架的位置等。作为例子，床架114可以旋转到一个位置。作为另一个例子，机架111可以移动到一个位置。在一些实施例中，所述位置可以由用户(例如，医生、护士)设置。基于待扫描的物体不同，所述位置可以不同。

在步骤403中，可以基于所述一个或多个参数对物体进行扫描，获取生数据。仅作为例子，物体可以包括物质、组织、器官、样本、身体等，或其任何组合。在一些实施例中，物体可以包括患者或患者的一部分。所述物体可以包括头部、乳房、肺、胸膜、纵膈、腹部、长肠、小肠、膀胱、胆囊、三焦、骨盆腔、脊柱、四肢、骨骼、血管等，或其任何组合。所述生数据可以包括X射线的强度。作为例子，X射线穿过物体后衰减，从而生数据可以由探测器接收。

在405中，可以基于所述生数据重建一个或多个图像。在一些实施例中，405可以通过图像处理引擎140实现。重建图像可以包括一个MRI图像、一个CT图像、一个PET图像或上述图像的任何组合。在其他实施例中，重建图像可以包括一个二维(2D)图像或一个三维(3D)图像。在一些实施例中，重建过程可以包括图像滤波去噪、空气校正、排归一化校正等。所述重建可以通过多个算法实现。仅作为例子，图像重建可以基于傅里叶切片定理、滤波反投影算法、扇形波束重建、迭代重建等方法。

需要注意的是，为了说明的目的提供上述流程图，并不旨在限制本申请的范围。对于本领域的技术人员来说，可以在本申请的指导下对流程图做出多种变化和修改。然而，所述变化和修改不会背离本申请的保护。

图5是根据本申请的一些实施例所示的示例性校正引擎的框图。在一些实施例中，校正引擎500可以通过处理引擎140和/或终端130上实施。校正引擎500可以包括一个数据接收模块510、一个校正模块520、一个图像重建模块530和一个存储模块540。

数据接收模块510可以用于获取与扫描过程相关的数据(例如，扫描物体的一个扫描过程)和/或与成像系统相关的数据。与扫描过程相关的数据可以包括物体的一般信息，例如年龄，身高和体重、性别、病史等，或其任何组合。在一些实施例中，与成像系统相关的数据可以包括扫描方案、生数据、探测器温度、校正参数、X射线的强度等，或其任何组合。在一些实施例中，数据接收模块510可以从探测器112获取数据，例如探测器温度。在一些实施例中，操作者(例如，医生、护士)可以在终端130处设置一个温度测量装置(未示出)以获取探测器温度，并将探测器温度从终端130传输到数据接收模块510。在一些实施例中，放射性扫描源115可以向物体发射X射线。所述X射线可以穿过物体，并且在穿透过程中可衰减。所述衰减的X射线可以通过探测器112检测，并将其传输到数据接收模块510。在一些实施例中，所获取的数据可以被传输到存储模块540以被存储。在一些实施例中，通过数据接收模块510获取的数据可以传输到图像重建模块530以构建图像，并且可以进一步传输到图像校正模块520以校正所述数据。例如，数据接收模块510可以将接收的校正参数传输到图像校正模块520以进行伪影校正和/或更新校正表。

校正模块520可以用于在图像重建的过程中进行校正。在一些实施例中，校正可以包括气体校正(空气校正)、中心校正、水校正、排归一化校正等，或其任何组合。空气校正和水校正可以基于在空气或水切片呢的扫描(例如，CT扫描)，产生预扫描数据。之后，可以在后续扫描中从物体的扫描数据中减去所述预扫描数据，以获取物体的校正扫描数据。中心校正或其他类型的系统校正也可以用于监测X射线管的位置或笛卡尔坐标。可以基于空气校正进行排归一化校正。仅作为例子，空气校正可能无法校正由探测器的每排之间的差异引起的伪影。之后，可以在随后扫描中从物体的扫描数据中减去通过排归一化校正的数据以及空气校正数据。在一些实施例中，校正模块520可以从数据接收模块510和存储模块540获取生数据并校正生数据。在其他实施例中，校正模块520可以进行空气扫描。所述空气扫描可以在图像系统100中的床架114无物体的情况下进行。例如，校正模块520可以通过空气扫描生成空气校正表。所述空气校正表可以包括一个或多个空气校正参数。在一些实施例中，可以基于多个参考值更新空气校正表。所述参考值可以通过神经网络生成。所述参考值的数据类型可以与校正表中的一个或多个空气校正参数的数据类型相同。附加地或可替代地，空气校正表可以存储在存储模块540中。在一些实施例中，校正模块520可以将数据传输至图像重建模块530以重建图像。

图像重建模块530可以用于重建扫描物体的CT图像。在一些实施例中，图像重建模块530可以通过从数据接收模块510获取的生数据和/或来自校正模块520的校正数据重建图像。在一些实施例中，图像重建模块530可以根据来自存储模块540的数据生成图像。在一些实施例中，图像重建模块530可以处理所述重建后的图像。所述处理可以包括平滑化、灰度归一化等、及其任何组合。例如，在图像重建期间，图像中的组织的表面可以被平滑化。在一些实施例中，图像重建模块530可以根据重建参数来重建图像。重建参数可以包括重建视野、重建矩阵、卷积核/重建滤波器等，或其任何组合。仅作为例子，图像重建可以基于利用傅里叶切片定理、滤波反投影算法、扇形波束重建、迭代重建等的方法。

存储模块540可以用于存储从数据接收模块510、校正模块520和/或图像重建模块530接收的信息。所述信息可以包括扫描方案、扫描参数、生数据、神经网络、空气校正表、空气校正参数、排归一化校正表、重建后的图像、参考值等，或其任何组合。在一些实施例中，存储模块540可以存储一个或多个程序和/或指令，所述程序和/或指令可以由处理引擎140的(多个)处理器进行，以进行在本申请中描述的示例性方法。例如，存储模块530可以存储(多个)程序和/或指令，所述程序和/或指令可以由处理引擎140的(多个)处理器获取生数据，基于生数据重建CT图像，和/或显示任何中间结果或合成图像。在一些实施例中，存储模块540可以包括一个或多个组件，所述组件可以包括硬盘驱动器、磁带、可移动存储驱动器(例如，相变可重写光盘驱动器、磁光驱动器、USB可移动硬盘等)、微驱动器等，或其组合。

需要注意的是，仅为了说明的目的提供对处理模块的上述描述，并不旨在限制本申请的范围。对于本领域的技术人员来说，可以在本申请的指导下对流程图做出多种变化和修改。然而，那些变化和修改不会背离本申请的范围。例如，校正模块530中的一个或多个单元可以分别包括校正表生成单元(未示出)。作为另一个例子，任何两个或两个以上单元可以组合为一个独立单元，用于实现多个功能。作为另一个例子，存储模块540的功能可以在数据接收模块510或图像重建模块530、或其组合上实现。作为另一个例子，可以将任何一个所述单元划分为两个或两个以上个子单元。

图6是表示根据本申请的一些实施例的一个示例性校正模块的框图。校正模块520可以包括一个数据获取单元610、一个空气校正单元620、一个排归一化校正单元630、一个神经网络单元640、一个校正表单元650、一个参考值生成单元660和一个校正数据获取单元670。

数据获取单元610可以用于获取与成像系统相关的数据。所述数据可以包括扫描数据、扫描方案、图像数据、生数据、探测器温度、校正参数、X射线的强度等，或其任何组合。在一些实施例中，数据获取单元610可以从数据接收模块510、图像重建模块530和/或存储模块540获取数据。在一些实施例中，数据获取单元610可以从与成像系统100相关的任何外部设备(例如数据库，终端)获取数据。在一些实施例中，数据获取单元610可以从用户(例如医生、患者)处获取数据。

空气校正单元620可以用于进行空气校正。所述空气校正可以基于不同类型的数据进行。不同类型的数据可以包括空气扫描数据、生数据、扫描数据、参考值和空气校正表。所述空气扫描数据可以通过在扫描区域中扫描空气获取。在一些实施例中，所述空气扫描可以在成像系统100中的无物体的床架114上进行。在一些实施例中，所述参考值可以包括X射线的强度值。仅仅作为一个例子，参考值可以在成像系统100的参考探测器中生成，并且所述参考值可以用于在重建图像过程中进行空气校正。在一些实施例中，所述参考值可以通过神经网络生成。在一些实施例中，所述空气校正表可以在不同的扫描方案下获取。空气校正表可能受多个因素的影响。所述因素可以包括探测器间增益、系统运行状况、季节、环境温度。例如，如果在工作期间探测器的温度发生变化，则空气校正表可能会改变。在一些实施例中，空气校正可能需要几分钟到多于半小时的时间来完成，并且在扫描患者之前通常每天只进行一次空气校正。空气校正单元620可以基于从数据获取单元610和神经网络单元640获取的数据进行空气校正。

排归一化校正单元630可以用于对图像重建进行排归一化校正。在一些实施例中，排归一化校正是空气校正的补充校正。作为一个例子，如果空气校正不能区分探测器的每排之间的差异，则可以进行排归一化校正。每排探测器的增益可能不同，这可能会导致空气校正中的伪影。伪影可以包括环形伪影、条纹伪影等。所述排归一化校正也可以基于由参考探测器产生的参考值进行。在一些实施例中，成像系统中的参考探测器可以包括一个探测器阵列。所述探测器阵列具有多行相邻的探测器，并且成像系统的扇形光束被制成足够“厚”以照射到每行的探测器。探测器阵列可以用于测量X射线的通量、空间分布、光谱和/或其他性质，或其任何组合。在一些实施例中，参考探测器位于探测器的两侧。参考值可以通过神经网络单元640中的神经网络生成。排归一化校正单元630可以基于从数据获取单元610、空气校正单元620和神经网络单元640获取的数据进行空气校正。

神经网络单元640可以用于生成用于空气校正和排归一化校正的参考值。参考值可以与空气扫描数据、扫描数据、空气校正表、排归一化校正表、X射线的强度、扫描方案、温度等或其任何组合相关。在一些实施例中，神经网络单元640可以包括多个神经网络。神经网络可以用一组通用的数据进行训练，所述数据可以作为一个机器或者处理过程的通用模型的输入数据组。所述神经网络可以用一组训练数据进行测试/训练。神经网络可以根据不同的领域和问题来确定。神经网络可以包括人造神经网络。在一些实施例中，人造神经网络可以包括神经网络模型，例如长短期存储器(LSTM)神经网络、深度信念网络(DBN)、生成对抗网络(GAN)、渐变增强决策树(GBDT)、反向传播、Hopfield、Kohonen、Perceptron、Elmman、Jordan等，或其任何组合。神经网络单元640可以包括深度学习神经网络模型。在一些实施例中，学习方法可以包括无监督学习和监督学习。

校正表生成单元650可以用于获取一个校正表。校正表可以包括一个空气校正表和/或一个排归一化校正表。校正表可以包括一个或多个参数。所述一个或多个参数可以包括X射线的强度。所述一个或多个参数可以通过一个参考探测器(例如，一个边缘探测器)生成。在一些实施例中，边缘探测器可以位于探测器的两侧。可以通过边缘探测器获取在每个角度X射线的强度。在一些实施例中，校正表可以基于参考探测器生成。附加地或可替代地，校正表可以存储在存储模块540中。在一些实施例中，校正表生成单元650可以将数据传输至图像重建模块530以重建图像。参考值生成单元660可以用于获取用于校正的参考值。校正可以利用从神经网络单元640生成的参考值来进行。校正数据获取单元670可以接收来自校正表生成单元650和参考值生成单元660的数据。

需要注意的是，仅为了说明的目的提供对处理模块的上述描述，并不旨在限制本申请的范围。对于本领域的技术人员来说，可以在本申请的指导下对流程图做出多种变化和修改。然而，那些变化和修改不会背离本申请的范围。例如，排归一化校正单元630可以被集成到空气校正单元620中。作为另一个例子，任何两个或两个以上单元可以组合为一个独立单元，用于实现多个功能。作为另一个例子，神经网络单元540可能是必需的，并且可以被整合到空气校正单元620和排归一化校正单元630两者中。作为另一个例子，可以将任何一个所述单元划分为两个或两个以上子单元。

图7是表示根据本申请的一些实施例的空气校正的一个示例性过程的流程图。在一些实施例中，过程700的至少一部分可以由图1所示的X射线成像系统100的一个或多个组件进行或实现。

在701中,基于CT成像系统生成空气校正表。在一些实施例中，空气校正表可以通过校正表生成单元650获取。空气校正表可以在扫描方案下生成。扫描方案可以包括多个参数。仅作为例子，参数可以是与准直器孔径、探测器孔径、X射线管电压和/或电流、扫描模式、表索引速度、台架速度、重建视场(FOV)、内核等或其任何组合相关的。在一些实施例中，空气校正表通过进行空气扫描生成，也就是在扫描时台架上没有物体。在患者的扫描过程中，探测器暴露于来自X射线源的一束或多束X射线，并且当只有空气位于X射线源和探测器之间时，产生响应于一束或多束X射线的信号。在一些实施例中，生成空气校正表以消除探测器间增益的不一致。探测器间增益的不一致受探测器的多个因素的影响。所述因素可以包括像素单元的尺寸、表面平滑度、像素单元之间的反射、光电转换器件响应以及电子系统的数据采集过程中的噪声。在其他实施例中，探测器间增益可以随时间和温度变化。这些变化可能包括温度变化、辐射损伤、通信链路的变化，所述通信链路将数据从安装在台架的转子的探测器上传输到台架的转子上。探测器间增益的不一致可能在图像重建期间产生环状伪影。在一些实施例中，空气校正表在预设温度和预设扫描方案下生成。在不同的温度和扫描方案下，空气校正表可能不同。空气校正表可以在一段时间内定期或随机更新。在一些实施例中，空气校正表包括空气校正参数，例如探测器的返回值、X射线的强度等。

在703中，获取第一组数据，所述第一组数据与扫描区域内的空气相关。在一些实施例中，所述第一组数据可以通过空气校正单元620获取。所述第一组数据可以在空气扫描中生成。空气扫描可以在台架上无物体的情况下进行。所述第一组数据可以包括探测器的返回值、X射线的强度等。在一些实施例中，所述第一组数据可以与空气校正表和/或生数据相关。

在705中，获取第二组数据，所述第二组数据与扫描区域内的物体相关。在一些实施例中，所述第二组数据可以通过空气校正单元620获取。所述第二组数据可以在CT扫描中生成，所述CT扫描是基于与空气扫描相同的扫描方案。所述CT扫描是在台架上有物体的情况下进行的。在其他实施例中，所述物体可以包括物质、组织、器官、样本、身体等，或其任何组合。在一些实施例中，物体可以包括患者或患者的一部分。物体可以包括头部、乳房、肺、胸膜、纵膈、腹部、长肠、小肠、膀胱、胆囊、三焦、骨盆腔、脊柱、四肢、骨骼、血管等，或其任何组合。所述第二组数据可以包括探测器穿过物体的返回值、X射线穿过物体的强度等。

(μD)_obj＝(A_{DTC_obj}-A_{ALT_obj})-(A_{DTC_air}-A_{ALT_air}) (1)

A_ALT＝f(A_{DTC_obj},A_{DTC_air},mA,…) (2)

在707中，基于神经网络模型和空气校正表生成的一组参考值，利用所述第一组数据来校正所述第二组数据。通过参考值生成单元660进行校正。在一些实施例中，校正可以通过如下所示的算法来实现：

(μD)_obj＝(A_{DTC_obj}-A_{ALT_obj})-(A_{DTC_air}-A_{ALT_air}) (3)

A_ALT＝f(A_{DTC_obj},A_{DTC_air},mA,…) (4)

其中A_{DTC_obj}是探测器穿过物体的返回值，A_{DTC_air}是空气校正表，A_{ALT_air}是表示探测器穿过空气的返回值的参考值，A_{ALT_obj}是表示探测器穿过物体的返回值的参考值，mA是球管的毫安值，f是深度学习神经网络。

A_ALT(:,j)＝f(A_{DTC_obj}(:,j-p:j+q),A_{DTC_air},mA(j-p:j+

q),…) (5)

在一些实施例中，校正可以通过如下所示的算法来实现：

A_ALT(:,j)＝f(A_{DTC_obj}(:,j-p:j+q),A_DTC__air,mA(j-p:j+q),…) (6)

其中j是指示探测器的第j个视图的索引，A_{DTC_obj}(:,j-p:j+q)包含来自穿过物体的第j个视图探测器之前的p个视图探测器和第j个视图探测器之后的q个视图探测器的生数据，A_{DTC_air}是空气校正表，mA(j-p:j+q)包含来自第j个视图探测器之前的p个视图探测器和第j个视图探测器之后的q个视图探测器的X射线的强度，A_ALT(:,j)是表示第j个视图探测器的返回值的替代参考值，f是深度学习神经网络。

在一些实施例中，神经网络可以包括至少三层(例如，一个或多个输入层、一个或多个隐藏层、一个或多个输出层)。输入层可以用于输入数据。数据可以包括探测器A_{DTC_obj}的返回值、空气校正表A_{DTC_air}、X射线的强度和/或其他的扫描数据。隐藏层可以用于处理来自输入层的数据。输出层可以用于输出来自隐藏层的处理过的数据。输出数据可以包括参考值(例如，A_{ALT_obj}、A_{ALT_air})。神经网络可以包括深度学习神经网络模型。可以利用与CT成像系统的至少一个探测器相关的多个训练数据来训练深度学习神经网络模型。所述多个训练数据包括一组数据，该组数据覆盖所需的每个扫描方案下的期望的参考探测器的返回值。在一些实施例中，可以通过实验和/或计算模拟来获取所述多个训练数据。可以将期望的参考探测器波动值添加到所述多个训练数据中，以形成一组新的数据。所述新的一组数据可以是用于神经网络的新训练数据。深度学习神经网络的目标是最小化min‖{y_i}-{y_i}₀‖的值，其中{y_i}₀是期望的参考探测器的返回值，{y_i}是表示神经网络输出的参考值。

在709中，基于上述校正过的第二组数据生成第三组数据。在一些实施例中，通过校正数据获取单元670，可以生成所述第三组数据。可以将在扫描区域中的与空气相关的所述第一组数据从与物体相关的所述第二组数据中减去，以获取所述第三组数据(例如，(μD)_obj)。

在711中，基于所述第三组数据，生成物体的CT图像。所述物体可以是人体(例如，患者)、人体的一部分、内部结构需要非侵入性或非破坏性地成像的X射线安全物品(例如，古董、仪器等)等。仅作为示例，第二组数据可以通过CT扫描获取或者通过其他的资源(例如，计算机模仿扫描)获取。在一些实施例中，根据重建算法生成的CT图像可以生成与从第三组数据的转换获取的物体有关的CT图像。这样的重建算法的例子可以包括那些基于Feldkamp-Davis-Kress(FDK)重建、最大后验概率(MAP)、最大似然(ML)、代数重建技术(ART)、基于熵的优化、最小二乘法(LS)、或惩罚加权最小二乘法(PWLS)等，或其组合的例子。所述算法可以执行一次，或者可以迭代地执行。另外，获取的第三组数据可以进行噪声估计。可以通过噪声估计获取噪声模型。噪声估计可以通过将一个或多个噪声模型拟合到噪声估计中来估算第三组数据中的噪声。如本文所使用的，噪声可以包括可由电子设备(例如，传感器、扫描仪的电路等)或其组合产生的电子噪声。(多个)噪声模型可以指图像的噪声分布、图像的(多个)相应的点的噪声振幅等，或其组合。所述CT图像的生成可以包括一个迭代重建过程，所述迭代重建过程可以包括一个基于计算机的迭代处理。上述模型的例子是为了说明的目的而提供的，并不旨在限制本申请的范围。示例性重建参数可以是排厚度、与体素模型(例如，矩形体素模型、立方体素模型、球形体素模型等)相关的参数等，或其组合。如本文所使用的，重建参数可以由用户基于不同的条件设置。在一些实施例中，可以减小噪声方差。用于减小噪声方差的方法可以包括通过扫描一个物体获取所述第二组数据，通过空气校正来校正所述第二组数据以获取所述第三组数据，基于所述第三组数据生成校正的噪声方差，以及减小校正后的噪声方差以产生减小的噪声方差。

需要注意的是，仅为了说明的目的提供上述描述，并不旨在限制本申请的范围。对于本领域的技术人员来说，可以根据本申请的指导进行多种变化或修改。然而，那些变化和修改不会背离本申请的范围。例如，步骤701可以是非必要的，并且可以基于更多的数据来生成所述第三组数据。

图8是表示根据本申请的一些实施例的一个示例性神经网络的框图。神经网络可以通过处理引擎140和/或终端130上实现。神经网络可以包括一个训练单元810、一个测试单元820和一个决策单元830。训练单元810可以用于获取一组训练数据。测试单元820可以用于测试由训练单元810训练的神经网络。决策单元830可以用于根据不同技术领域和待解决的问题来确定适当的神经网络。

图9是表示根据本申请的一些实施例的基于所述神经网络获取一个参考值的一个示例性过程的流程图。

在901中，获取至少与CT成像系统的一个探测器相关的多个训练数据。多个训练数据可以通过训练单元810获取。所述多个训练数据包括一组数据，该组数据覆盖所需的每个扫描方案下的期望的参考探测器的返回值。在一些实施例中，可以通过实验和/或计算模拟来获取所述多个训练数据。可以将期望的参考探测器波动值添加到所述多个训练数据中进行模拟，以形成一组新的数据。所述波动可以包括一个参数、一个功能等。在一些实施例中，所述训练数据可以根据多个算法预处理。预处理可以包括降噪、降维、样品选择等，或其任何组合。算法可以包括因子分析、聚类分析等。

在903中，基于所述数据训练神经网络，以获取所述数据的特征。所述神经网络可以通过训练单元810和测试单元820训练。基于训练数据的所述神经网络可以作为一般模型。可以根据技术区域和待解决的问题来确定多个特征。所述神经网络可具有非线性、非凸性、非局部性、非平稳性、适应性、容错等性质，或其他任何组合。在一些实施例中，训练所述神经网络可以与多个算法和参数相关。算法可以包括非线性计算、积分变换、梯度计算、迭代等。参数可以包括误差函数、加权系数、收敛速度等。

在905中，基于所述训练数据和所述特征，确定神经网络。可以通过决策单元830确定神经网络。在一些实施例中，神经网络可以根据算法中迭代次数达到阈值时进行确定。神经网络可以通过多个测试数据来验证。测试数据可以用于评估神经网络的性能。在一些实施例中，测试数据包括输入和从多个实验数据获得的预期输出。可以将神经网络的实际输出与预期输出相比较。所述输出之间的差值可以在一个范围内。当与预期输出和实际输出相关的误差函数在预定范围内变化时，可以确定所述神经网络。

在907中，基于所述神经网络获取一组参考值。神经网络作为具有输入过程的一般模型。所述参考值可以通过决策单元830确定。所述输入可以包括期望的参考探测器的返回值、A_{DTC_obj}、空气校正表A_{DTC_air}、X射线的强度和/或其他的扫描数据。神经网络的输出可以是一组参考值。所述参考值的数据类型可以与空气校正表的数据类型相同。

需要注意的是，仅为了说明的目的提供上述描述，并不旨在限制本申请的范围。对于本领域的技术人员来说，可以在本申请的指导下做出多种变化和修改。然而，那些变化和修改不会背离本申请的范围。例如，903和905可以放在一个步骤中。

图10是表示根据本申请的一些实施例的一个神经网络的一个示例性图示的流程图。根据本申请，所述神经网络包括与神经网络连接的多个神经元。如图10所示，根据它们的功能，神经网络的多个神经元可以被分成三种不同类型的分类(例如，层)。第一类型的层可以是用于接收表示输入模式的一组数据的输入层，第二类型的层可以是用于提供表示输出模式的一组数据的输出层，并且具有任意数量神经元的第三类型的层可以是将输入模式转换为输出模式的隐藏层。由于可以任意确定每层中的神经元数量，所以输入层和输出层可以包括一个或多个单元，以分别表示待解决的问题的输入模式和输出模式。神经网络已被用于实现对区分对象的计算或对事件分类方法。神经网络首先通过与物体或事件分类相关的已知数据表示进行训练，然后用于区分未知物体或事件类别。然后，神经网络通过包含该组通用的数据的一组数据进行训练。训练网络将起到通用神经网络模型的作用。在一些实施例中，利用特定的一组训练数据和部分依赖于一般神经网络模型的功能来实现局部神经网络模型。

图11是表示根据本申请的一些实施例的排归一化校正的一个示例性过程的流程图。

在1101中，生成排归一化校正表。排归一化校正表可以通过校正表生成单元650生成。在一些实施例中，排归一化校正可以基于与空气校正相同的扫描方案中生成。所述扫描方案可以包括多个参数。仅作为例子，所述参数可以是与准直器孔径、探测器孔径、X射线管电压和/或电流、扫描模式、表索引速度、台架速度、重建视场(FOV)、内核等或其任何组合相关的。在一些实施例中，排归一化校正表通过执行空气扫描生成。在一些实施例中，生成排归一化校正表以消除每排探测器之间的差异。每排探测器的之间的差异受探测器的多个因素的影响。所述因素可以包括探测器的位置和角度。排归一化校正表可以在一段时间之后更新。在一些实施例中，排归一化校正表包括边缘探测器的返回值、X射线的强度等。

在1103中，对第一组数据和第二组数据进行排归一化。

(μD)_obj＝(A_{DTC_obj}-A_{REF_obj})-(A_{DTC_air}-A_{REF_air})-A_{ALT_slice} （7）

A_{ALT_slice}＝f(A_{DTC_obj},A_{REF_air},mA,…) (8)

在1105中，基于排归一化结果，利用第一组数据校正第二组数据。在一些实施例中，校正可以通过如下所示的算法来实现：

(μD)_obj＝(A_{DTC_obj}-A_{REF_obj})-(A_{DTC_air}-A_{REF_air})-A_{ALT_slice} (9)

A_{ALT_slice}＝f(A_{DTC_obj},A_{REF_air},mA,…) (10)

其中A_{DTC_obj}是探测器穿过物体的返回值，A_{DTC_air}是空气校正表，A_{REF_obj}是参考探测器穿过物体的返回值，A_{REF_air}是参考探测器穿过空气的返回值，A_{ALT_slice}是边缘探测器穿过空气的返回值，mA是球管的毫安值，f是深度学习神经网络。

在一些实施例中，神经网络的输入层可以用于输入数据。所述数据可以包括探测器A_{DTC_obj}的返回值、空气校正表A_{REF_air}、X射线的强度和/或其他的扫描数据。隐藏层可以用于处理输入层的数据。输出层可以用于输出来自隐藏层的处理过的数据。所述输出数据可以包括参考值(例如，A_{ALT_slice})。神经网络可以包括深度学习神经网络模型。所述深度学习神经网络模型可以基于CT成像系统的至少一个探测器相关的多个训练数据来训练。所述多个训练数据包括一组数据，该组数据覆盖所需的每个扫描方案下的期望的参考探测器和边缘探测器的返回值。在一些实施例中，可以通过实验和/或计算模拟来获取所述多个训练数据。可以将期望的边缘探测器波动值添加到所述多个训练数据中进行模拟，以形成一组新数据。所述一组新数据可以是用于神经网络的新训练数据。深度学习神经网络的目标是最小化min‖{y_i}-{y_i}₀‖的值，其中{y_i}₀是期望的边缘探测器的返回值。

在1107中，基于上述校正过的第二组数据生成第三组数据。可以将在扫描区域中的与空气相关的所述第一组数据从与物体相关的所述第二组数据中减去，以获取所述第三组数据。

在1109中，基于所述第三组数据，生成物体的CT图像。这个步骤与步骤711相同，步骤711可以作为参考。

需要注意的是，仅为了说明的目的提供上述描述，并不旨在限制本申请的范围。对于本领域的技术人员来说，可以在本申请的指导下进行多种变化和修改。然而，那些变化和修改不会背离本申请的范围。例如，可以省略1101，排归一化表可以由用户输入。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述发明披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机可读信号介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等等、或合适的组合形式。计算机可读信号介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机可读信号介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、射频信号、或类似介质、或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档、物件等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

Claims

1.一种成像系统中空气校正的方法，所述方法包括:

获取第一组数据，所述第一组数据与扫描区域内的空气相关；

获取第二组数据，所述第二组数据与扫描区域内的物体相关；

基于神经网络模型生成的一组参考值，利用所述第一组数据校正所述第二组数据；

基于所述校正过的第二组数据产生第三组数据；以及

基于所述第三组数据产生物体的CT图像。

2.权利要求1所述的方法，其特征在于所述神经网络模型包括深度学习神经网络模型。

3.权利要求1所述的方法，其特征在于所述神经网络模型基于至少与CT成像系统一个探测器相关的训练数据进行训练。

4.权利要求3所述的方法，其特征在于所述训练数据通过至少一个与扫描协议相关的探测器获取。

5.权利要求1所述的方法，其特征在于所述神经网络模型包括至少3层。

6.权利要求1所述的方法，其特征在于所述神经网络模型生成的所述一组参考值是视图相关的。

7.权利要求1所述的方法，其特征在于所述神经网络模型生成的所述一组参考值是排相关的。

8.权利要求1所述的方法，其特征在于所述基于神经网络模型利用第一组数据校正第二组数据进一步包括：

对第一组数据和第二组数据进行排归一化；以及

基于排归一化结果，利用第一组数据校正第二组数据。

9.一个CT成像系统，其特征在于具体包括：数据获取单元、校正单元和校正图像生成单元；

所述数据获取单元用于获取扫描数据：获取第一组数据，所述第一组数据与扫描区域内的空气相关；获取第二组数据，所述第二组数据与扫描区域内的物体相关；

所述校正单元用于进行校正：基于神经网络模型生成的一组参考值，利用第一组数据校正第二组数据；基于上述校正过的第二组数据产生第三组数据；以及

所述校正图像生成单元用于产生CT图像：基于第三组数据产生物体的CT图像。

10.权利要求9所述的系统，其特征在于所述基于神经网络模型利用第一组数据校正第二组数据进一步包括：

对第一组数据和第二组数据进行排归一化；以及

基于排归一化结果，利用第一组数据校正第二组数据。