CN108670282A - 一种骨硬化伪影校正方法 - Google Patents
一种骨硬化伪影校正方法 Download PDFInfo
- Publication number
- CN108670282A CN108670282A CN201810267171.9A CN201810267171A CN108670282A CN 108670282 A CN108670282 A CN 108670282A CN 201810267171 A CN201810267171 A CN 201810267171A CN 108670282 A CN108670282 A CN 108670282A
- Authority
- CN
- China
- Prior art keywords
- substance
- value
- sill
- preferred view
- component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012937 correction Methods 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 53
- 201000000023 Osteosclerosis Diseases 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 239000000126 substance Substances 0.000 claims description 100
- 238000003062 neural network model Methods 0.000 claims description 20
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical group [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 claims description 17
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 229910052791 calcium Inorganic materials 0.000 claims description 15
- 239000011575 calcium Substances 0.000 claims description 15
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims 1
- 230000010365 information processing Effects 0.000 abstract description 2
- 230000001537 neural effect Effects 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 24
- 239000000523 sample Substances 0.000 description 24
- 239000000463 material Substances 0.000 description 11
- 210000000988 bone and bone Anatomy 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000002591 computed tomography Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 229910000389 calcium phosphate Inorganic materials 0.000 description 1
- 239000001506 calcium phosphate Substances 0.000 description 1
- 235000011010 calcium phosphates Nutrition 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000686 essence Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 210000003625 skull Anatomy 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013334 tissue model Methods 0.000 description 1
- QORWJWZARLRLPR-UHFFFAOYSA-H tricalcium bis(phosphate) Chemical compound [Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O QORWJWZARLRLPR-UHFFFAOYSA-H 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/50—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications
- A61B6/505—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment specially adapted for specific body parts; specially adapted for specific clinical applications for diagnosis of bone
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Orthopedic Medicine & Surgery (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明实施例提供了一种骨硬化伪影校正方法,涉及信息处理技术领域,在一定程度上提高图像校正效率。通过使用原始投影图像、训练投影图像以及与所述原始投影图像对应的组分信息建立训练样本,并基于该训练样本完成神经网络训练。通过训练后的神经网络进行校正能够提高骨硬化伪影校正的适用范围,同时提高图像校正效率。本发明实施例适用于骨硬化伪影校正的过程中。
Description
【技术领域】
本发明涉及信息处理技术领域,尤其涉及一种骨硬化伪影校正方法。
【背景技术】
骨硬化伪影在CT图像中是一种非常常见的伪影,当扫描部位存在较多骨组织时,骨硬化伪影往往会影响医生的诊断。骨硬化伪影的影响因素很多,如扫描电压、滤过、检测器响应、扫描对象等。
在传统的消除骨硬化伪影的方法中,为了达到最佳的效果,对不同的情况,往往需要对校正系数进行调整。例如当病人的头部尺寸、颅骨厚度或者成分构成不一致时,到达探测器的X射线光子的平均等效能量会存在差异,需要人工修改校正的目标能量;另外,儿童和成人的骨组织CT值和钙含量存在明显差异,往往需要人工修改骨组织模型的水钙比例。因此,校正参数进行调整时收到的条件约束多,调整起来比较复杂,使得图像校正过程效率比较低。
【发明内容】
有鉴于此,本发明实施例提供了一种骨硬化伪影校正方法,在一定程度上提高图像校正效率。
一方面,本发明实施例提供了一种骨硬化伪影校正方法,所述方法包括:
获取基材料各组分在断层扫描系统中的理论投影值和理想投影值;
根据所述基材料各组分在断层扫描系统中的理论投影值和理想投影值,生成骨硬化校正系数;
基于所述骨硬化校正系数,对原始投影图像进行校正得到训练投影图像;
根据所述原始投影图像、训练投影图像以及与所述原始投影图像对应的组分信息,生成训练样本;
构建神经网络模型;
使用所述训练样本对所述神经网络模型进行训练,训练后得到校正神经网络模型;
使用所述校正神经网络模型对目标图像进行校正。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述使用所述训练样本对所述神经网络模型进行训练,包括:使用所述训练样本对所述神经网络模型进行前向传播和后向传播两个阶段的训练,并当后向传播的训练计算出的误差达到期望值时,结束训练。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述组分包括具有第一厚度的第一物质和具有第二厚度的第二物质。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述组分信息包括以下参数中的至少一项:
第一物质的分量投影图像;
第二物质的分量投影图像;
第一物质与第二物质之间的分量比例。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述基材料各组分在断层扫描系统中的理论投影值和理想投影值,生成骨硬化校正系数包括:
根据已知系统信息进行计算,得到所述基材料在断层扫描系统中的理论投影值;
基于所述基材料各组分在断层扫描系统中的理想投影值,对所述基材料在断层扫描系统中的理论投影值进行第一物质硬化校正,得到第一物质硬化校正后投影值;
根据所述基材料各组分的厚度、第一物质的理想投影值、第二物质的理想投影值及第一物质硬化校正后投影值进行计算,得到骨硬化校正系数。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述已知系统信息包括球管发出的X射线能谱信息。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述基于所述基材料各组分在断层扫描系统中的理想投影值,对所述基材料在断层扫描系统中的理论投影值进行第一物质硬化校正,得到第一物质硬化校正后投影值包括:
对第一物质在断层扫描系统中的理论投影值和理想投影值进行多项式拟合,获得第一物质硬化校正系数;
使用所述第一物质硬化校正系数对所述基材料在断层扫描系统中的理论投影值进行校正,得到第一物质硬化校正后投影值。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述基材料各组分的厚度、第一物质的理想投影值、第二物质的理想投影值及第一物质硬化校正后投影值进行计算,得到骨硬化校正系数包括:
根据所述第一物质的理想投影值和第二物质的理想投影值进行计算,得到所述基材料在断层扫描系统中的理想投影值;
以所述第二厚度为自变量,以所述基材料在断层扫描系统中的理想投影值及第一物质硬化校正后投影值之差为因变量进行多项式拟合,获得骨硬化校正系数。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述根据所述基材料各组分的厚度、第一物质的理想投影值、第二物质的理想投影值及第一物质硬化校正后投影值进行计算,得到骨硬化校正系数包括:
根据所述第一物质的理想投影值和第二物质的理想投影值进行计算,得到所述基材料在断层扫描系统中的理想投影值;
以所述第一厚度以及所述第二厚度为自变量,以所述基材料在断层扫描系统中的理想投影值及第一物质硬化校正后投影值之差为因变量进行多项式拟合,获得骨硬化校正系数。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述第一物质是水,所述第二物质是钙;或者,所述第一物质是钙,所述第二物质是水。
本发明实施例提供的骨硬化伪影校正方法,通过使用原始投影图像、训练投影图像以及与所述原始投影图像对应的组分信息建立训练样本,并基于该训练样本完成神经网络训练。通过训练后的神经网络进行校正能够提高骨硬化伪影校正的适用范围,同时提高图像校正效率。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的一种骨硬化伪影校正方法的流程图;
图2是本发明实施例提供的CT系统结构图;
图3是本发明实施例提供的另一种骨硬化伪影校正方法的流程图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
实施例一
本发明实施例提供了一种骨硬化伪影校正方法,通过训练神经网络模型的方式完成校正系数的获取,该方法如图1所示,包括:
201、获取基材料各组分在断层扫描系统中的理论投影值和理想投影值。
此处提到的基材料可选择使用厚度及材料已知的均匀模体,优选地,模体的材料可选择与人体软组织化学成分相似的材料,例如水或有机玻璃。
所述基材料作为骨组织的仿真品,其组分包括具有第一厚度的第一物质和具有第二厚度的第二物质,一般情况下可以将骨组织认为是一定比例水和含钙量较高的物质组成,因此,第一物质可以为水或钙,本专利申请中所述的钙均可以是含钙化合物,如磷酸钙;相应的第二物质可以为钙或水,基材料中的第一物质和第二物质的厚度为任意的,用以尽可能覆盖所有可能的骨组织结构组成。这样在进行训练样本的构建过程中,能够使该训练样本能够覆盖尽可能丰富的组织结构。
理论投影值表示考虑X射线光子能量分布而计算得到的基材料中各个组分的投影值,而理想投影值则表示光子能量均为E0时(E0为可配置参数,代表光子能量为单一的该特定值)的X射线经过基材料中各个组分时的投影值。
其中,X射线来源于计算机断层设备,计算机断层成像系统100的组成如图2所示,包括机架110,所述机架110具有围绕系统轴线旋转的可旋转的部分130。可旋转的部分130具有相对设置的X射线源131和X射线探测器132的X射线系统。
计算机断层成像系统100还具有检查床120,在进行检查时,患者在该检查床120上可以沿着Z轴方向被推入到扫描腔体中。X射线源131绕S轴旋转,探测器132相对于X射线源131一起运动,以采集投影测量数据,这些数据在之后被用于重建图像。还可以进行螺旋扫描,在螺旋扫描期间,通过患者沿着S轴的连续运动和X射线源131的同时旋转,X射线源131相对于患者产生螺旋轨迹。
所述计算机断层成像系统100还可以包括控制单元和图像重建单元,所述控制单元用于在扫描过程中根据特定的扫描协议控制计算机断层成像系统100的各部件。所述图像重建单元用于根据探测器132采样的待校正数据重建出图像。
以上,仅以示例方式阐释了可使用本发明所提供骨硬化伪影校正方法的计算机断层成像设备,本领域技术人员理解,其它如使用X射线的C型臂系统等设备,或组合式医学成像系统(例如:组合式正电子发射断层成像-计算机断层成像,Positron EmissionTomography–Computed Tomography,PET-CT),或使用其它类型射线的断层成像设备等,均可适用本发明所述校正方法及装置,本发明对计算机断层成像设备的类型与结构并不做具体限定。
202、根据所述基材料各组分在断层扫描系统中的理论投影值和理想投影值,生成骨硬化校正系数。
203、基于所述骨硬化校正系数,对原始投影图像进行校正得到训练投影图像。
204、根据所述原始投影图像、训练投影图像以及与所述原始投影图像对应的组分信息,生成训练样本。
其中,组分信息包括以下参数中的至少一项:
第一物质的分量投影图像;
第二物质的分量投影图像;
第一物质与第二物质之间的分量比例。
205、构建神经网络模型。
206、使用所述训练样本对所述神经网络模型进行训练,训练后得到校正神经网络模型。
在该实施例中,以计算机训练CNN(Convolutional Neural Network,卷积神经网络)得到训练完成的卷积神经网络为例进行说明,计算机训练CNN的过程可以如下:
这里,计算机可以获取训练用的图片,并对该训练用的图片进行预处理得到训练样本。初始化卷积神经网络可以是更多层的CNN,该初始化深度CNN的层数可以超过计算机的最大训练深度。这里计算机的最大训练深度是指,计算机使用CNN中全部的计算层进行训练时,能够训练的最大层数的CNN的计算层的层数。
假设计算机的最大训练深度为H2,则计算机获取训练样本和初始化CNN,开始CNN训练时,将训练样本输入至初始化的CNN中,在第一次迭代计算(包括前向传播和反向传播)时,可以舍弃部分计算层,保留小于H2层的计算层,并用单位映射代替被舍弃的计算层和保留的计算层一起进行前向传播和反向传播运算;然后改变初始化CNN中的部分参数,进行下一次迭代计算,继续舍弃部分计算层,保留小于H2层的计算层,并用单位映射代替被舍弃的计算层和保留的计算层一起进行前向传播和反向传播运算;如此进行多次迭代计算,直到CNN中参数使得CNN的训练结果收敛,这样就得到训练完成的CNN。
这里需要说明的是,假设计算层1被舍弃并用单位映射代替后,输入值经过计算层1后得到输出值,此时的输入值与输出值相同,即用单位映射代替的计算层在训练过程中并不需要计算机耗费内存资源来计算,只需要将前一计算层的输出值透传至下一计算层的输入。
在该实施例中,计算机训练得到训练完成的卷积神经网络后,将训练完成的卷积神经网络发送给终端,由终端应用该训练完成的卷积神经网络进行图像识别,终端在进行图像识别时,先对待识别图像进行预处理,得到测试样本,然后在对所述测试样本进行图像识别时,使用训练完成的CNN中的全部计算层对所述测试样本进行图像识别运算,得到识别结果。
这里需要说明的是,终端在使用训练完成的CNN进行图像识别时要使用到每一个计算层,考虑到在训练时每个计算层都有一定的保留概率,那么在使用训练完成的CNN中的全部计算层对测试样本进行图像识别运算时,每个计算层的输出值可以乘以一定的概率值,保证最后得到的识别结果的正确性。
本实施例可以在进行更多层次的CNN训练时每次迭代计算只保留小于等于计算机最大训练深度的计算层进行运算,保证计算机有足够的内存资源进行每次的迭代计算,且节省了训练时间,使得训练更多层数的CNN成为现实;并且在图像识别时,用训练完成的该更多层的CNN来进行图像识别,保证图像识别的正确率。
207、使用校正神经网络模型对目标图像进行校正。
在一个示例性的实现过程中,使用所述训练样本对所述神经网络模型进行训练,可以包括:使用所述训练样本对所述神经网络模型进行前向传播和后向传播两个阶段的训练,并当后向传播的训练计算出的误差达到期望值时,结束训练。
本发明实施例提供的骨硬化伪影校正方法,通过使用原始投影图像、训练投影图像以及与所述原始投影图像对应的组分信息建立训练样本,并基于该训练样本完成神经网络训练。通过训练后的神经网络进行校正能够提高骨硬化伪影校正的适用范围,同时提高图像校正效率。
进一步来说,本发明实施例针对步骤202(根据所述基材料各组分在断层扫描系统中的理论投影值和理想投影值,生成骨硬化校正系数)的实现提供了以下方法流程,如图3所示,包括:
2021、根据已知系统信息进行计算,得到所述基材料在断层扫描系统中的理论投影值。
其中,已知系统信息可以是球管发出的X射线能谱信息、探测器响应信息、系统滤过材料信息及厚度信息等。
水的理论投影值ProjCalH2O,i可参照下述公式(1)进行计算。
其中,E代表X射线光子能量,S(E)为球管发出的X射线谱,D(E)为断层扫描系统的探测器响应,μfilter(E)为等效滤过材料的线性衰减系数,Lfilter为每一探测单元对应的等效滤过厚度。μH2O(E)表示水的线性衰减系数,LH2O,i(i=0,1,2,…)表示不同的水厚度。
钙结构的理论投影值ProjCalphospca,j可参照下述公式(2)进行计算,原理与公式(1)类似。(本说明书公式中,如未做特殊说明,相同符号变量含义均与其它公式相同)。
其中,μphospca(E)表示钙的线性衰减系数,lphospca,i(i=0,1,2,…)表示不同的钙厚度。
结合公式(1)和公式(2)所示计算原理,基材料的理论投影值ProjCali,j(i=0,1,2,…;j=0,1,2,…)可以基于下述公式(3)进行计算。
由公式(3)的自变量i、j可知,针对不同厚度的第一物质和第二物质所构成的基材料,可以对应计算出具有不同厚度的基材料的理论投影值。
2022、基于所述基材料各组分在断层扫描系统中的理想投影值,对所述基材料在断层扫描系统中的理论投影值进行第一物质硬化校正,得到第一物质硬化校正后投影值。
该步骤2022可通过以下步骤1和2实现:
步骤1、对第一物质在断层扫描系统中的理论投影值和理想投影值进行多项式拟合,获得第一物质硬化校正系数。
其中,水的理想投影值ProjIdealH2O,i可通过下述公式(4)进行计算。
ProjIdealH2O,i=μH2O(E0)LH2O,i
其中,μH2O(E0)表示水对于能量为E0时的X光子的线性衰减系数。
其中,钙结构的理想投影值可通过下述公式(4)进行计算。
ProjIdealphospca,j=μphospca(E0)Lphospca,j (4)
其中,μHphospca(E0)表示钙结构对于能量为E0时的X光子的线性衰减系数。
相应的,基材料的理想投影值ProjIdeali,j可通过下述公式(5)进行计算。
ProjIdeali,j=μH2O(E0)LH2o,i+μphospca(E0)Lphospca,j (5)
根据第一物质的设定不同,可以根据实际需要选择水或钙结构的理想投影值进行多项式拟合,根据不同年龄,不同成年人,钙分量不同。在本发明实施例中以水为例进行介绍。
第一物质硬化校正系数αk可以参照下述公式(6)进行计算。
其中,N1表示多项式阶数,αk(k=0,1,…)。
步骤2、使用所述第一物质硬化校正系数对所述基材料在断层扫描系统中的理论投影值进行校正,得到第一物质硬化校正后投影值。
该校正过程可以参照下述公式(7)进行计算。
2023、根据所述基材料各组分的厚度、第一物质的理想投影值、第二物质的理想投影值及第一物质硬化校正后投影值进行计算,得到骨硬化校正系数。
骨硬化校正系数的计算有以下两种可行的实现方式。
第一种实现方式为:
根据所述第一物质的理想投影值和第二物质的理想投影值进行计算,得到所述基材料在断层扫描系统中的理想投影值。
以所述第二厚度为自变量,以所述基材料在断层扫描系统中的理想投影值及第一物质硬化校正后投影值之差为因变量进行多项式拟合,获得骨硬化校正系数。
该骨硬化校正系数可以参照下述公式(8)进行计算。
其中,下标i0表示水的厚度为固定值LH2O,i0,N2为多项式阶数,βk(k=0,1,…,N2)为多项式系数,即骨硬化校正系数。
第二种实现方式为:
根据所述第一物质的理想投影值和第二物质的理想投影值进行计算,得到所述基材料在断层扫描系统中的理想投影值。
以所述第一厚度以及所述第二厚度为自变量,以所述基材料在断层扫描系统中的理想投影值及第一物质硬化校正后投影值之差为因变量进行多项式拟合,获得骨硬化校正系数。
而两种实现方式的区别在于自变量的选择不同,第一种实现方式中仅以第二物质的厚度为自变量,此时第一物质的厚度需要去固定值。第二种实现方式中,则以第一物质的厚度和第二物质的厚度为自变量。
该骨硬化校正系数可以参照下述公式(9)进行计算。
实施例二
本发明实施例提供了一种骨硬化伪影校正系统,该系统包括处理器以及存储器;其中,存储器用于存储指令,该指令被处理器执行时,导致系统实现实施例一中任一种骨硬化伪影校正方法。
实施例三
本发明实施例提供了一种非易失性计算机存储介质,所述非易失性计算机存储介质存储有计算机可执行指令,所述计算机可执行指令设置为:
获取基材料各组分在断层扫描系统中的理论投影值和理想投影值;
根据基材料各组分在断层扫描系统中的理论投影值和理想投影值,生成骨硬化校正系数;
基于骨硬化校正系数,对原始投影图像进行校正得到训练投影图像;
根据原始投影图像、训练投影图像以及与所述原始投影图像对应的组分信息,生成训练样本;
构建神经网络模型;
使用训练样本对神经网络模型进行训练,训练后得到校正神经网络模型;
使用校正神经网络模型对目标图像进行校正。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种骨硬化伪影校正方法,其特征在于,所述方法包括:
获取基材料各组分在断层扫描系统中的理论投影值和理想投影值;
根据所述基材料各组分在断层扫描系统中的理论投影值和理想投影值,生成骨硬化校正系数;
基于所述骨硬化校正系数,对原始投影图像进行校正得到训练投影图像;
根据所述原始投影图像、训练投影图像以及与所述原始投影图像对应的组分信息,生成训练样本;
构建神经网络模型;
使用所述训练样本对所述神经网络模型进行训练,训练后得到校正神经网络模型;
使用所述校正神经网络模型对目标图像进行校正。
2.根据权利要求1所述的方法,其特征在于,所述使用所述训练样本对所述神经网络模型进行训练,包括:使用所述训练样本对所述神经网络模型进行前向传播和后向传播两个阶段的训练,并当后向传播的训练计算出的误差达到期望值时,结束训练。
3.根据权利要求1所述的方法,其特征在于,所述组分包括具有第一厚度的第一物质和具有第二厚度的第二物质。
4.根据权利要求3所述的方法,其特征在于,所述组分信息包括以下参数中的至少一项:
第一物质的分量投影图像;
第二物质的分量投影图像;
第一物质与第二物质之间的分量比例。
5.根据权利要求4所述的方法,其特征在于,所述根据所述基材料各组分在断层扫描系统中的理论投影值和理想投影值,生成骨硬化校正系数包括:
根据已知系统信息进行计算,得到所述基材料在断层扫描系统中的理论投影值;
基于所述基材料各组分在断层扫描系统中的理想投影值,对所述基材料在断层扫描系统中的理论投影值进行第一物质硬化校正,得到第一物质硬化校正后投影值;
根据所述基材料各组分的厚度、第一物质的理想投影值、第二物质的理想投影值及第一物质硬化校正后投影值进行计算,得到骨硬化校正系数。
6.根据权利要求5所述的方法,其特征在于,所述已知系统信息包括球管发出的X射线能谱信息。
7.根据权利要求5所述的方法,其特征在于,所述基于所述基材料各组分在断层扫描系统中的理想投影值,对所述基材料在断层扫描系统中的理论投影值进行第一物质硬化校正,得到第一物质硬化校正后投影值包括:
对第一物质在断层扫描系统中的理论投影值和理想投影值进行多项式拟合,获得第一物质硬化校正系数;
使用所述第一物质硬化校正系数对所述基材料在断层扫描系统中的理论投影值进行校正,得到第一物质硬化校正后投影值。
8.根据权利要求7所述的方法,其特征在于,所述根据所述基材料各组分的厚度、第一物质的理想投影值、第二物质的理想投影值及第一物质硬化校正后投影值进行计算,得到骨硬化校正系数包括:
根据所述第一物质的理想投影值和第二物质的理想投影值进行计算,得到所述基材料在断层扫描系统中的理想投影值;
以所述第二厚度为自变量,以所述基材料在断层扫描系统中的理想投影值及第一物质硬化校正后投影值之差为因变量进行多项式拟合,获得骨硬化校正系数。
9.根据权利要求7所述的方法,其特征在于,所述根据所述基材料各组分的厚度、第一物质的理想投影值、第二物质的理想投影值及第一物质硬化校正后投影值进行计算,得到骨硬化校正系数包括:
根据所述第一物质的理想投影值和第二物质的理想投影值进行计算,得到所述基材料在断层扫描系统中的理想投影值;
以所述第一厚度以及所述第二厚度为自变量,以所述基材料在断层扫描系统中的理想投影值及第一物质硬化校正后投影值之差为因变量进行多项式拟合,获得骨硬化校正系数。
10.根据权利要求3所述的方法,其特征在于,所述第一物质是水,所述第二物质是钙;或者,所述第一物质是钙,所述第二物质是水。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810267171.9A CN108670282B (zh) | 2018-03-28 | 2018-03-28 | 一种骨硬化伪影校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810267171.9A CN108670282B (zh) | 2018-03-28 | 2018-03-28 | 一种骨硬化伪影校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108670282A true CN108670282A (zh) | 2018-10-19 |
CN108670282B CN108670282B (zh) | 2021-12-17 |
Family
ID=63799642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810267171.9A Active CN108670282B (zh) | 2018-03-28 | 2018-03-28 | 一种骨硬化伪影校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108670282B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523024A (zh) * | 2018-11-22 | 2019-03-26 | 天津大学 | 面向医用x射线探测器的能谱校正方法 |
CN111080740A (zh) * | 2019-12-27 | 2020-04-28 | 上海联影医疗科技有限公司 | 一种图像校正方法、装置、设备及介质 |
CN111627083A (zh) * | 2020-05-26 | 2020-09-04 | 上海联影医疗科技有限公司 | 骨硬化伪影校正方法、装置、计算机设备和可读存储介质 |
CN112700506A (zh) * | 2019-10-23 | 2021-04-23 | 西门子医疗有限公司 | 断层成像分析中的散射辐射的影响的量化 |
WO2022152218A1 (en) * | 2021-01-13 | 2022-07-21 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for correcting projection data |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6760468B1 (en) * | 1996-02-06 | 2004-07-06 | Deus Technologies, Llc | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
CN102567958A (zh) * | 2010-12-31 | 2012-07-11 | 东软飞利浦医疗设备系统有限责任公司 | 一种去除ct图像中金属伪影的图像后处理方法 |
CN102609908A (zh) * | 2012-01-13 | 2012-07-25 | 中国人民解放军信息工程大学 | 基于基图像tv模型的ct射束硬化校正方法 |
US20130051519A1 (en) * | 2011-08-31 | 2013-02-28 | Dong Yang | Methods and apparatus for super resolution scanning for cbct system and cone-beam image reconstruction |
CN105608721A (zh) * | 2016-01-30 | 2016-05-25 | 上海联影医疗科技有限公司 | 计算机断层成像伪影校正方法及装置 |
CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
CN107507148A (zh) * | 2017-08-30 | 2017-12-22 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
CN107595312A (zh) * | 2017-08-31 | 2018-01-19 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
CN107730569A (zh) * | 2017-11-30 | 2018-02-23 | 上海联影医疗科技有限公司 | 一种医学图像伪影校正方法及装置 |
-
2018
- 2018-03-28 CN CN201810267171.9A patent/CN108670282B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6760468B1 (en) * | 1996-02-06 | 2004-07-06 | Deus Technologies, Llc | Method and system for the detection of lung nodule in radiological images using digital image processing and artificial neural network |
CN102567958A (zh) * | 2010-12-31 | 2012-07-11 | 东软飞利浦医疗设备系统有限责任公司 | 一种去除ct图像中金属伪影的图像后处理方法 |
US20130051519A1 (en) * | 2011-08-31 | 2013-02-28 | Dong Yang | Methods and apparatus for super resolution scanning for cbct system and cone-beam image reconstruction |
CN102609908A (zh) * | 2012-01-13 | 2012-07-25 | 中国人民解放军信息工程大学 | 基于基图像tv模型的ct射束硬化校正方法 |
CN105608721A (zh) * | 2016-01-30 | 2016-05-25 | 上海联影医疗科技有限公司 | 计算机断层成像伪影校正方法及装置 |
CN106618619A (zh) * | 2016-01-30 | 2017-05-10 | 上海联影医疗科技有限公司 | 计算机断层成像设备 |
WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
CN107507148A (zh) * | 2017-08-30 | 2017-12-22 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
CN107595312A (zh) * | 2017-08-31 | 2018-01-19 | 上海联影医疗科技有限公司 | 模型生成方法、图像处理方法及医学成像设备 |
CN107730569A (zh) * | 2017-11-30 | 2018-02-23 | 上海联影医疗科技有限公司 | 一种医学图像伪影校正方法及装置 |
Non-Patent Citations (3)
Title |
---|
GJESTEBY LARS ET AL: "Deep Learning Methods for CT Image-Domain Metal Artifact Reduction", 《PROCEEDINGS OF SPIE》 * |
YANBO ZHANG: "Reduction of metal artifacts in x-ray CT images using a convolutional neural network", 《PROCEEDINGS OF THE SPIE》 * |
上海市软件行业协会: "《2017年软件工程论文集》", 30 November 2017 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523024A (zh) * | 2018-11-22 | 2019-03-26 | 天津大学 | 面向医用x射线探测器的能谱校正方法 |
CN112700506A (zh) * | 2019-10-23 | 2021-04-23 | 西门子医疗有限公司 | 断层成像分析中的散射辐射的影响的量化 |
CN111080740A (zh) * | 2019-12-27 | 2020-04-28 | 上海联影医疗科技有限公司 | 一种图像校正方法、装置、设备及介质 |
CN111080740B (zh) * | 2019-12-27 | 2023-06-16 | 上海联影医疗科技股份有限公司 | 一种图像校正方法、装置、设备及介质 |
CN111627083A (zh) * | 2020-05-26 | 2020-09-04 | 上海联影医疗科技有限公司 | 骨硬化伪影校正方法、装置、计算机设备和可读存储介质 |
CN111627083B (zh) * | 2020-05-26 | 2023-11-21 | 上海联影医疗科技股份有限公司 | 骨硬化伪影校正方法、装置、计算机设备和可读存储介质 |
WO2022152218A1 (en) * | 2021-01-13 | 2022-07-21 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for correcting projection data |
Also Published As
Publication number | Publication date |
---|---|
CN108670282B (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108670282A (zh) | 一种骨硬化伪影校正方法 | |
CN105608721B (zh) | 计算机断层成像伪影校正方法及装置 | |
CN102473317B (zh) | 感兴趣区域图像的重建 | |
CN103136773B (zh) | 一种稀疏角度x射线ct成像方法 | |
US7391844B2 (en) | Method and apparatus for correcting for beam hardening in CT images | |
CN104318536B (zh) | Ct图像的校正方法及装置 | |
CN109272472B (zh) | 面向医用能谱ct图像的噪声及伪影消除方法 | |
JP2020099662A (ja) | X線ctシステム及び方法 | |
CN112435307B (zh) | 一种深度神经网络辅助的四维锥束ct影像重建方法 | |
US20070274581A1 (en) | Methods and apparatus for BIS correction | |
JP2021013725A (ja) | 医用装置 | |
Lin et al. | An efficient polyenergetic SART (pSART) reconstruction algorithm for quantitative myocardial CT perfusion | |
CN104039232B (zh) | X射线ct装置及图像重构方法 | |
CN109493393B (zh) | 减少计算机断层扫描图像数据中的多个移动伪像 | |
JPWO2012127761A1 (ja) | X線ct装置、および方法 | |
CN110458913B (zh) | 一种多阈值分割ct图像校正图像重建中骨硬化伪影的方法 | |
US7569828B2 (en) | Application-driven optimization of acquisition and reconstruction of SPECT/PET projection data | |
US11350895B2 (en) | System and method for spectral computed tomography using single polychromatic x-ray spectrum acquisition | |
EP4123572A2 (en) | An apparatus and a method for x-ray image restoration | |
EP4105888A1 (en) | Systems and methods for computed tomography image reconstruction | |
EP3404618A1 (en) | Poly-energetic reconstruction method for metal artifacts reduction | |
US20100189331A1 (en) | Apparatus for determining a high density region in an image | |
Xiu et al. | An Innovative Beam Hardening Correction Method for Computed Tomography Systems. | |
CN107730569A (zh) | 一种医学图像伪影校正方法及装置 | |
KR20210069389A (ko) | 인공지능 기반의 단층촬영 영상 인공음영 제거 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co., Ltd Address before: 201807 Shanghai city Jiading District Industrial Zone Jiading Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |