CN109523024A - 面向医用x射线探测器的能谱校正方法 - Google Patents
面向医用x射线探测器的能谱校正方法 Download PDFInfo
- Publication number
- CN109523024A CN109523024A CN201811401156.5A CN201811401156A CN109523024A CN 109523024 A CN109523024 A CN 109523024A CN 201811401156 A CN201811401156 A CN 201811401156A CN 109523024 A CN109523024 A CN 109523024A
- Authority
- CN
- China
- Prior art keywords
- data
- detector
- neural network
- data set
- energy
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001228 spectrum Methods 0.000 title claims abstract description 38
- 238000012937 correction Methods 0.000 title claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 210000004204 blood vessel Anatomy 0.000 claims description 4
- 210000000988 bone and bone Anatomy 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 210000004872 soft tissue Anatomy 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims 1
- 238000002591 computed tomography Methods 0.000 abstract description 10
- 238000005094 computer simulation Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 239000011241 protective layer Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
-
- 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
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Optics & Photonics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医疗器械尤其计算机断层扫描(CT)技术领域，为对单光子计数和能量积分型探测器，输出更加精确的解析结果，降低因为随机噪声、射束硬化等造成的解析误差，本发明，面向医用X射线探测器的能谱校正方法，在能量解析的初步结果后，通过神经网络进行校正；对神经网络进行训练；产生数据集包含七个步骤：第一步，构建虚拟体模数据库；第二步，建立X射线能谱探测过程的计算机仿真模型；第三步，记录数据；第四步，完成能谱解析；第五步，整理数据；第六步，更换入射方向，返回第三步；第七步，选定数据库中的其他体模，返回第三步，若数据库中所有体模信息均已采集则数据集的生成部分完成。本发明主要应用于CT设备设计制造场合。
Description
技术领域
本发明涉及计算机断层扫描(CT)领域，在影像重建的过程之前，将能谱解析的结果通过卷积神经网络进行校正，提高重建图像的精确度。具体涉及面向医用X射线探测器的能谱校正方法。
背景技术
近年来，计算机断层扫描技术飞速发展，尤其在能谱探测领域，多能谱CT探测器的种类越来越多，主要分为单光子计数型探测器和能量积分型探测器两种类型。为了提高能谱探测的精度，提高图像重建的精度，目前主流的方法主要包含硬件方法和软件方法两种。硬件方法是通过添加滤光器、保护层、提高读出电路精度等方法来使X射线的探测过程更加理想化；软件方法是通过对探测器的探测、收集过程进行精确的模拟，建立噪声的数学模型，并在能量解析的过程尽可能的消除误差，给图像重建算法提供能量解析结果。
然而，X射线与物质能量交互的过程中包含着复杂能量交互机制，而且电荷收集的产生和收集过程是概率化的事件。单光子计数探测器的计数速率，多能谱能量积分型探测器层间串扰等系统噪声问题都无法通过传统的方法进行全部的去除。
发明内容
为克服现有技术的不足，本发明旨在提出一种用于多能谱CT传感器的基于神经网络修正能谱解析的结果的方法。对单光子计数和能量积分型探测器，将能量解析的结果经过训练好的神经网络，可以输出更加精确的解析结果，降低因为随机噪声、射束硬化等造成的解析误差。为此，本发明采取的技术方案是，面向医用X射线探测器的能谱校正方法，在能量解析的初步结果后，通过神经网络进行校正；其中，对每一种类型的探测器，通过探测器模拟技术产生数据集，对神经网络进行训练；产生数据集包含七个步骤：第一步，构建虚拟体模数据库，数据库中应包含各种基本组织构成：软组织，脂肪，骨骼，血管；第二步，建立X射线能谱探测过程的计算机仿真模型，包含三个方面的内容：光子的输运过程，电子的收集过程以及随机噪声的对探测器内能量分布的影响；第三步，选定数据库中的某一个体模，选定一个X射线的入射方向，利用第二步建立的模型模拟整个能谱探测的过程，记录下均是一维向量的两个数据：①入射进入探测器的X射线能谱②探测器内的电荷分布；第四步，利用第三步中的数据②，完成能谱解析，将结果记录为③；第五步，整理数据，将数据①和③作为原始数据集中的一组，其中①是标记，③是数据本身；第六步，更换入射方向，返回第三步，若180个角度均已采集完毕，则进入下一步；第七步，选定数据库中的其他体模，返回第三步，若数据库中所有体模信息均已采集则数据集的生成部分完成。
还包括对于数据集的整理，包含三个步骤：第一步，对于数据库中的某个体模，收集180个方向上的①和③；第二步，将180个数据①合成一个二维矩阵④，将180个数据③合成一个二维矩阵并归一化为⑤；第三步，返回第一步，直到所有的体模群已完成整理。此时数据集的每一组应该包含两个二维矩阵，即标记④，以及数据本身⑤。
对于神经网络的训练步骤如下：通过梯度下降方法训练神经网络，目标是使将每组数据中④所代表的图片通过神经网络后，输出一个二维矩阵，并使输出矩阵和⑤所代表的标记矩阵尽可能相似，即使损失Etotal函数最小：
target是标记数据，output指神经网络的输出数据，其过程是根据输入数据集，通过反向传播算法更新网络中每层的权重实现：
其中，ω代表某一层的权重，ωcurrent代表该层权重的当前值，η代表学习速率。
本发明的特点及有益效果是：
本发明通过神经网络初步的能谱解析结果进行进一步的校正，相对于传统的提高能谱解析精度的方法，对探测和收集过程中的系统噪声和进行了修正。
训练好的神经网络，在实际运用的过程中，可以很大减少能量解析的时间，提高X射线能谱的解析的效率。
附图说明：
图1面向能谱CT能量解析结果的校正方法系统框架图。
图2基于神经网络的能谱校正方法流程图。
具体实施方式
为了顺应精准医疗发展趋势，进一步的提高多能谱探测器的能量解析的结果，可以在能量解析的初步结果后，通过神经网络进行校正。对每一种类型的探测器，通过探测器模拟技术产生数据集，对神经网络进行训练。
技术方案包含两部分的内容：一是用于训练神经网络的能谱CT探测器的数据集的生成和整理；二是对用以能谱校正的神经网络的训练方法。
在数据集的生成方面，包含七个步骤：第一步，构建虚拟体模数据库，数据库中应包含各种常见的基本组织构成：软组织，脂肪，骨骼，血管；第二步，建立X射线能谱探测过程的计算机仿真模型，包含三个方面的内容：光子的输运过程，电子的收集过程以及随机噪声的对探测器内能量分布的影响；第三步，选定数据库中的某一个体模，选定一个X射线的入射方向，利用第二步建立的模型模拟整个能谱探测的过程，记录下两个数据(均是一维向量)：①入射进入探测器的X射线能谱②探测器内的电荷分布；第四步，利用第三步中的数据②，完成能谱解析，将结果记录为③；第五步，整理数据，将数据①和③作为原始数据集中的一组，其中①是标记，③是数据本身；第六步，更换入射方向，返回第三步，若180个角度均已采集完毕，则进入下一步；第七步，选定数据库中的其他体模，返回第三步，若数据库中所有体模信息均已采集则数据集的生成部分完成。
对于数据集的整理，包含三个步骤：第一步，对于数据库中的某个体模，收集180个方向上的①和③；第二步，将180个数据①合成一个二维矩阵④，将180个数据③合成一个二维矩阵并归一化为⑤；第三步，返回第一步，直到所有的体模群已完成整理。此时数据集的每一组应该包含两个二维矩阵，即标记④，以及数据本身⑤。
对于神经网络的训练，主要是指：通过梯度下降方法训练神经网络，目标是使将每组数据中④所代表的图片通过神经网络后，输出一个二维矩阵，并使输出矩阵和⑤所代表的标记矩阵尽可能相似，即使损失Etotal函数最小：
target是标记数据，output指神经网络的输出数据，其过程是根据输入数据集，通过反向传播算法更新网络中每层的权重实现的：
其中，ω代表某一层的权重，ωcurrent代表该层权重的当前值，η代表学习速率。
当所有的训练集通过网络，并使网络更新后，即完成神经网络的训练部分。训练好的神经网络经过测试后，可用于能谱解析结果的校正。
本发明的基于卷积网络的能谱校正方法可以提高能谱解析的精度。训练集的质量直接影响神经网络的效果。方案实施需要满足一下四点：1、虚拟体模数据库中应尽可能包含各种具有代表性的局部结构和边缘结构等特征，应包含脂肪、软组织、肌肉、血管、骨骼的成分；2、在探测器模拟过程中，应尽可能的考虑X射线与探测器物质交换的所有过程，光电效应、康普顿散射、电子对效应、相干散射等因素，并在探测过程中合理的添加随机噪声3、在解析的结果之后，对生成的数据进行筛选，挑选结果相对正常的数据和相应标记作为神经网络的训练集进行输入；4、在实际使用神经网络校正能谱的系统中，需要尽可能的保证电荷读出电路的精度。
Claims (3)
1.一种面向医用X射线探测器的能谱校正方法，其特征是，在能量解析的初步结果后，通过神经网络进行校正；其中，对每一种类型的探测器，通过探测器模拟技术产生数据集，对神经网络进行训练；产生数据集包含七个步骤：第一步，构建虚拟体模数据库，数据库中应包含各种基本组织构成：软组织，脂肪，骨骼，血管；第二步，建立X射线能谱探测过程的计算机仿真模型，包含三个方面的内容：光子的输运过程，电子的收集过程以及随机噪声的对探测器内能量分布的影响；第三步，选定数据库中的某一个体模，选定一个X射线的入射方向，利用第二步建立的模型模拟整个能谱探测的过程，记录下均是一维向量的两个数据：①入射进入探测器的X射线能谱②探测器内的电荷分布；第四步，利用第三步中的数据②，完成能谱解析，将结果记录为③；第五步，整理数据，将数据①和③作为原始数据集中的一组，其中①是标记，③是数据本身；第六步，更换入射方向，返回第三步，若180个角度均已采集完毕，则进入下一步；第七步，选定数据库中的其他体模，返回第三步，若数据库中所有体模信息均已采集则数据集的生成部分完成。
2.如权利要求1所述的面向医用X射线探测器的能谱校正方法，其特征是，还包括对于数据集的整理，包含三个步骤：第一步，对于数据库中的某个体模，收集180个方向上的①和③；第二步，将180个数据①合成一个二维矩阵④，将180个数据③合成一个二维矩阵并归一化为⑤；第三步，返回第一步，直到所有的体模群已完成整理。此时数据集的每一组应该包含两个二维矩阵，即标记④，以及数据本身⑤。
3.如权利要求1所述的面向医用X射线探测器的能谱校正方法，其特征是，对于神经网络的训练步骤如下：通过梯度下降方法训练神经网络，目标是使将每组数据中④所代表的图片通过神经网络后，输出一个二维矩阵，并使输出矩阵和⑤所代表的标记矩阵尽可能相似，即使损失Etotal函数最小：
target是标记数据，output指神经网络的输出数据，其过程是根据输入数据集，通过反向传播算法更新网络中每层的权重实现：
其中，ω代表某一层的权重，ωcurrent代表该层权重的当前值，η代表学习速率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811401156.5A CN109523024A (zh) | 2018-11-22 | 2018-11-22 | 面向医用x射线探测器的能谱校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811401156.5A CN109523024A (zh) | 2018-11-22 | 2018-11-22 | 面向医用x射线探测器的能谱校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109523024A true CN109523024A (zh) | 2019-03-26 |
Family
ID=65777346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811401156.5A Pending CN109523024A (zh) | 2018-11-22 | 2018-11-22 | 面向医用x射线探测器的能谱校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523024A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111935892A (zh) * | 2019-05-13 | 2020-11-13 | 中科智云科技有限公司 | 用于测量等离子体状态的方法和设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106057050A (zh) * | 2016-08-16 | 2016-10-26 | 东北大学 | 一种基于gate平台的荧光ct系统模拟方法 |
| CN106405624A (zh) * | 2016-08-30 | 2017-02-15 | 天津大学 | 面向医用ct的重构解析x射线能谱的方法 |
| CN107271047A (zh) * | 2017-06-21 | 2017-10-20 | 沈阳航空航天大学 | 一种不均匀温度场的红外辐射能测试平台及测试方法 |
| CN107374657A (zh) * | 2017-06-30 | 2017-11-24 | 上海联影医疗科技有限公司 | 对ct扫描数据进行校正的方法及ct扫描系统 |
| CN107688195A (zh) * | 2016-08-05 | 2018-02-13 | 清华大学 | 重建探测器所探测的能谱的方法和设备 |
| CN107802280A (zh) * | 2017-11-08 | 2018-03-16 | 上海联影医疗科技有限公司 | 校正曲线生成方法、投影图像的校正方法、系统及存储介质 |
| CN108230277A (zh) * | 2018-02-09 | 2018-06-29 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络的双能ct图像分解方法 |
| CN108670282A (zh) * | 2018-03-28 | 2018-10-19 | 上海联影医疗科技有限公司 | 一种骨硬化伪影校正方法 |
-
2018
- 2018-11-22 CN CN201811401156.5A patent/CN109523024A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107688195A (zh) * | 2016-08-05 | 2018-02-13 | 清华大学 | 重建探测器所探测的能谱的方法和设备 |
| CN106057050A (zh) * | 2016-08-16 | 2016-10-26 | 东北大学 | 一种基于gate平台的荧光ct系统模拟方法 |
| CN106405624A (zh) * | 2016-08-30 | 2017-02-15 | 天津大学 | 面向医用ct的重构解析x射线能谱的方法 |
| CN107271047A (zh) * | 2017-06-21 | 2017-10-20 | 沈阳航空航天大学 | 一种不均匀温度场的红外辐射能测试平台及测试方法 |
| CN107374657A (zh) * | 2017-06-30 | 2017-11-24 | 上海联影医疗科技有限公司 | 对ct扫描数据进行校正的方法及ct扫描系统 |
| CN107802280A (zh) * | 2017-11-08 | 2018-03-16 | 上海联影医疗科技有限公司 | 校正曲线生成方法、投影图像的校正方法、系统及存储介质 |
| CN108230277A (zh) * | 2018-02-09 | 2018-06-29 | 中国人民解放军战略支援部队信息工程大学 | 一种基于卷积神经网络的双能ct图像分解方法 |
| CN108670282A (zh) * | 2018-03-28 | 2018-10-19 | 上海联影医疗科技有限公司 | 一种骨硬化伪影校正方法 |
Non-Patent Citations (2)
| Title |
|---|
| 孙永刚: "基于Geant4蒙特卡罗平台的光子计数型多能谱CT模拟研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
| 赵永生等: "基于优化遗传神经网络方法对α能谱去噪的研究", 《核电子学与探测技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111935892A (zh) * | 2019-05-13 | 2020-11-13 | 中科智云科技有限公司 | 用于测量等离子体状态的方法和设备 |
| CN111935892B (zh) * | 2019-05-13 | 2022-11-22 | 中科智云科技有限公司 | 用于测量等离子体状态的方法和设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Spadea et al. | Deep learning based synthetic‐CT generation in radiotherapy and PET: a review | |
| CN110288609B (zh) | 一种注意力机制引导的多模态全心脏图像分割方法 | |
| US10765382B2 (en) | Method for mixed tracers dynamic PET concentration image reconstruction based on stacked autoencoder | |
| US20190164288A1 (en) | Training a cnn with pseudo ground truth for ct artifact reduction | |
| CN108230277A (zh) | 一种基于卷积神经网络的双能ct图像分解方法 | |
| CN110097611A (zh) | 图像重建方法、装置、设备及存储介质 | |
| CN110807492B (zh) | 一种磁共振多参数同时定量成像方法及系统 | |
| CN113674330B (zh) | 一种基于生成对抗网络的伪ct影像生成系统 | |
| CN108122265A (zh) | 一种ct重建图像优化方法及系统 | |
| CN110354406A (zh) | 一种放射治疗的三维剂量预测方法和系统 | |
| US20220101974A1 (en) | Dosimetry assessment method and system for organ at risk in esophageal radiotherapy plan | |
| CN109859285A (zh) | 基于空洞卷积网络的电阻抗图像重建方法 | |
| CN109272472A (zh) | 面向医用能谱ct图像的噪声及伪影消除方法 | |
| CN103186882B (zh) | Pet系统中图像的衰减校正方法及装置 | |
| CN109993808B (zh) | 一种基于dsn的动态双示踪pet重建方法 | |
| US11354832B2 (en) | Generation of accurate hybrid datasets for quantitative molecular imaging | |
| CN109658472A (zh) | 处理正电子发射计算机断层扫描图像数据的系统和方法 | |
| CN109949215A (zh) | 一种低剂量ct图像模拟方法 | |
| CN111462916A (zh) | 一种放疗计划危及器官剂量体积直方图的预测方法和装置 | |
| CN109683188A (zh) | 一种契连柯夫事件与伽马事件符合成像装置和方法 | |
| CN110717951B (zh) | 一种基于cGANs的PET图像直接重建方法 | |
| CN109523024A (zh) | 面向医用x射线探测器的能谱校正方法 | |
| CN110270015B (zh) | 一种基于多序列MRI的sCT生成方法 | |
| Khattak et al. | High energy physics calorimeter detector simulation using generative adversarial networks with domain related constraints | |
| CN110047116A (zh) | Pet图像校正方法、装置、计算机设备和存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190326 |
|
| RJ01 | Rejection of invention patent application after publication |