CN109916933A - 基于卷积神经网络的x射线计算机断层成像能谱估计方法 - Google Patents
基于卷积神经网络的x射线计算机断层成像能谱估计方法 Download PDFInfo
- Publication number
- CN109916933A CN109916933A CN201910007663.9A CN201910007663A CN109916933A CN 109916933 A CN109916933 A CN 109916933A CN 201910007663 A CN201910007663 A CN 201910007663A CN 109916933 A CN109916933 A CN 109916933A
- Authority
- CN
- China
- Prior art keywords
- layer
- neural networks
- convolutional neural
- filter kernel
- image
- 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
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于卷积神经网络的X射线计算机断层成像能谱估计方法。该方法包括:步骤1、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络;步骤2、利用构建的训练数据集对所述卷积神经网络进行训练,得到训练好的卷积神经网络;步骤3、利用所述训练好的卷积神经网络对CT图像进行能谱估计,得到CT图像能谱信息。该方法主要从图像域的角度通过CT重建图像的特征来估计X射线能谱信息,不需要额外的硬件或专用工作流程,可以直接应用于现有CT扫描系统中,有利于提高效率。
Description
技术领域
本发明涉及CT成像技术领域,尤其涉及一种基于卷积神经网络的X射线计算机断层成像能谱估计方法。
背景技术
X射线计算机断层成像(Computed Tomography,CT)是一种由物体的X射线投影来反求其衰减分布的技术,涵盖核物理、数学、计算机、精密仪器等多个学科。该技术利用物体在不同角度下的X射线透射信息,通过图像重建算法获取物体衰减特性分布,从而实现无损的前提下透视物体内部三维结构。自Hounsfield成功研制第一台CT以来,CT已在无损检测、医学诊断、材料分析等领域得到广泛应用,其中,常规CT中球管产生的X射线具有连续的能量分布,能谱CT成像就是利用物质在不同X射线能量下产生的不同的吸收来提供比常规CT更多的影像信息。而能谱估计是能谱CT图像重建的基础条件,能谱的估计在某种程度上依赖于能谱估计方法和用于能谱估计的数据,能谱估计的准确度也直接影响着图像重建质量的好坏。
在实际应用中,由于不同射线源在不同管电压、管电流条件下发生射线的能谱分布不同,需要根据具体系统进行针对性的能谱测量。然而在CT扫描数据中的能谱信息不仅包括X射线源发出的初始能谱信息,还包括探测器的能量响应信息,因此很难通过带有光子能量分辨的仪器设备直接测量CT设备的能谱信息。现有的能谱估计方法可以分为两大类:基于模型的方法和基于测量的方法。基于模型的方法主要通过经验公式或者半经验物理模型来生成能谱,但是对于具体不同射线源、不同能量区间,模型法的适应性受限。基于测量的方法主要通过间接测量体模衰减信息来估计所用的射线能谱,该方法相对简单并且已经在大范围的X射线CT系统中实现,但是它需要辅助硬件,例如楔形模型,导致整个CT系统扫描需要增加专用的工作流程。
2008年,张朋等人将能谱的间接测量问题归结为带正则化项的优化问题,但是模型中的正则化参数需要先验信息,否则对估计结果较大。2010年,杨莹等人提出了期望最大(ExpectationMaximization,EM)算法估计能谱信息,该方法估计能谱的准确性依赖于初始能谱估计。2017年,李磊等人提出了一种基于加权总变分正则化的X射线CT系统能谱估计方法,该方法相比EM算法,减少了初始能谱的影响,有效提高结果的准确性。但是该方法需要对辅助体模进行额外的扫描,使得能谱估计的过程较为复杂,不利于直接应用到现有成像系统中。
发明内容
为解决现有技术中存在的上述问题,本发明提供一种基于卷积神经网络的X射线计算机断层成像能谱估计方法,不需要额外的硬件或专用工作流程,提高了工作效率。
本发明提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法,主要包括以下步骤:
步骤1、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络;
步骤2、利用构建的训练数据集对所述卷积神经网络进行训练,得到训练好的卷积神经网络;
步骤3、利用所述训练好的卷积神经网络对CT图像进行能谱估计,得到CT图像能谱信息。
进一步地,所述用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络具体为:包含9层卷积层的单输入、单输出的网络结构模型;其中,第一层卷积层具有64个滤波器内核通道,每个滤波器内核通道的大小为9×9,重叠步长为4×4;第二层卷积层具有128个滤波器内核通道,每个滤波器内核通道的大小为7×7,重叠步长为4×4;第三层至第五层卷积层每层均具有256个滤波器内核通道,每个滤波器内核通道的大小为5×5,第三层和第四层卷积层滤波器内核通道的重叠步长为1×1,第五层卷积层滤波器内核通道的重叠步长为4×4;第六层至第八层卷积层每层均具有512个滤波器内核通道,每个滤波器内核通道的大小为3×3,第六层和第七层卷积层滤波器内核通道的重叠步长是1×1,第八层卷积层滤波器内核通道的重叠步长是2×2;第九层卷积层具有100个滤波器内核通道,每个滤波器内核通道的大小为1×1。
进一步地,还包括构建训练数据集,具体为:
获取骨骼和组织的衰减系数,并利用SpekCalc软件生成N个归一化的X射线能谱;
基于物体的连续能谱投影原理,根据所述衰减系数和N个X射线能谱生成连续能谱投影数据;
利用滤波反投影解析重建算法在生成的所述连续能谱投影数据上重建CT图像;
将得到的CT重建图像作为训练卷积神经网络的输入数据,将所述N个归一化的X射线能谱作为训练卷积神经网络的标签。
本发明的有益效果:
本发明提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法,主要从图像域的角度通过CT重建图像的特征来估计X射线能谱信息,不需要额外的硬件或专用工作流程,因此本发明可以直接应用于现有CT扫描系统中,提高了工作效率;并且通过各种实验证明本发明与现有技术中的能谱估计方法相比,具有实用性和精确性。
附图说明
图1为本发明实施例提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法的流程示意图;
图2为本发明实施例提供的不同X射线能谱下的CT重建图像示意图;
图3为本发明又一实施例提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法的流程示意图;
图4为本发明实施例提供的用于能谱估计的卷积神经网络结构图;
图5为本发明实施例提供的利用本发明方法对实际数据进行估计得到的能谱信息示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚地描述,显然,所描述的实施例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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法的流程示意图。如图1所示,该方法包括以下步骤:
S101、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络;
S102、利用构建的训练数据集对所述卷积神经网络进行训练,得到训练好的卷积神经网络;
S103、利用所述训练好的卷积神经网络对CT图像进行能谱估计,得到CT图像能谱信息。
本发明实施例提供的基于卷积神经网络的X射线计算机断层成像能谱估计方法,首先设计卷积神经网络模型,作为描述CT图像与能谱中光子分布概率之间耦合关系的模型,然后通过卷积神经网络模型和训练数据集对卷积神经网络进行训练,通过更新网络参数获取训练后的卷积神经网络模型,进而利用训练后的卷积神经网络模型对CT图像进行能谱估计,得到X射线CT系统能谱信息。本发明创新性地提取CT重建图像的图像域特征来估计每个能级中光子的统计分布,仅从重建图像中估计能谱,这大大减少了对于辅助硬件和专用成像流程的依赖,因此可以较为方便地应用在各种CT成像系统中。
CT图像与X射线能谱有着紧密的耦合关系。物体的连续能谱投影可以表示为:
其中p表示通过线性衰减μ(x,y,E)和总路径长度L的投影数据;I0和I分别是射入物体前和透射物体后的光子强度,Emax是最大光子能量。考虑到射线源的能谱Ω(E)以及探测器的光谱响应η(E),因此通常称S(E)为检测光谱。另外,从标准化条件可以得到:
通过转换式(1)的指数函数在0点的一阶泰勒展开式,可以得到:
进一步转换为对数函数在0点处的一阶泰勒展开,可以得到:
然后,平均有效衰减系数可表示为:
从式(4)可知:单能CT实际上是平均有效衰减系数而不是能量相关的线性衰减系数μ(x,y,E)。当确定扫描对象时,X射线能谱S(E)高度影响重建结果的强度值,即不同的X射线能谱条件下,生成的CT重建图像具有不同强度值。因此,如图2所示,平均有效衰减系数与X射线能谱之间具有紧密耦合关系。
在本发明中,采用卷积神经网络来对这种复杂的关系进行拟合,估计X射线能谱。结合图3所示,在上述实施例的基础上,本发明提供另一种实施例,其流程具体如下:
S201、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络;
具体地,作为一种可实施方式,如图4所示,该卷积神经网络的网络结构具体为:包含9层卷积层的单输入、单输出的网络结构模型;其中,第一层卷积层具有64个滤波器内核通道,每个滤波器内核通道的大小为9×9,重叠步长为4×4;第二层卷积层具有128个滤波器内核通道,每个滤波器内核通道的大小为7×7,重叠步长为4×4;第三层至第五层卷积层每层均具有256个滤波器内核通道,每个滤波器内核通道的大小为5×5,第三层和第四层卷积层滤波器内核通道的重叠步长为1×1,第五层卷积层滤波器内核通道的重叠步长为4×4;第六层至第八层卷积层每层均具有512个滤波器内核通道,每个滤波器内核通道的大小为3×3,第六层和第七层卷积层滤波器内核通道的重叠步长是1×1,第八层卷积层滤波器内核通道的重叠步长是2×2;第九层卷积层具有100个滤波器内核通道,每个滤波器内核通道的大小为1×1。
需要说明的是,第一层卷积层输出数据的大小为64×64×64;第二层卷积层输出数据的大小为16×16×128;第三层卷积层、第四层卷积层和第五层卷积层输出数据的大小相同,为4×4×256;第六层卷积层、第七层卷积层和第八层卷积层输出数据大小相同,为1×1×512;第九层卷积层输出数据是大小为1×1×100的能谱信息。
S202、构件训练数据集,具体为:首先,获取骨骼和组织的衰减系数,并利用SpekCalc软件生成N个归一化的X射线能谱;然后,基于物体的连续能谱投影原理,根据所述衰减系数和N个X射线能谱生成连续能谱投影数据;接着,利用滤波反投影解析重建算法在生成的所述连续能谱投影数据上重建CT图像;最后,将得到的CT重建图像作为训练卷积神经网络的输入数据,将所述N个归一化的X射线能谱作为训练卷积神经网络的标签。
具体地,作为一种可实施方式,从国家标准和技术研究所数据库检索骨骼和组织的衰减系数;在使用SpekCalc软件生成归一化的X射线能谱时,其仿真参数设置为当管电压为100kVp时,能量采样间隔为1KeV。在本发明实施例中设N=12,即,首先利用SpekCalc软件在不同的扫描条件下生成12个X射线能谱。然后,基于物体的连续能谱投影原理(即式(1)),使用12个X射线能谱和骨骼、组织材料的衰减系数生成连续能谱投影数据;接着,利用滤波反投影解析重建算法在生成的连续能谱投影上重建CT图像,重建图像大小为256×256,体素大小为0.259mm×0.259mm。图2为本发明实施例提供的不同X射线能谱下的CT重建图像示意图。按照上述流程,构建总共134个连续能谱CT重建图像,每个所述连续能谱CT重建图像是使用12个归一化的X射线能谱重建得到的CT图像。也就是说,最终采用1608(134×12)个X射线能谱样本构成卷积神经网络的训练数据集中的输入数据。
S203、将步骤S202构建的训练数据集(包括输入数据和标签数据)输入步骤S201设计的卷积神经网络进行网络参数的更新和训练,得到训练好的卷积神经网络;
具体地,以N=12为例:将12个X射线能谱作为一个输入数据,将根据所述12个X射线能谱重建得到的CT图像作为对应的训练标签,该输入数据和该训练标签组成一个输入输出对,共有134个输入输出对;依次将所述134个输入输出对输入至设计的卷积神经网络进行训练,从而得到训练好的卷积神经网络。
S204、利用训练好的卷积神经网络对CT图像进行能谱估计,得到CT图像能谱信息。如图5所示。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (3)
1.基于卷积神经网络的X射线计算机断层成像能谱估计方法,其特征在于,包括:
步骤1、设计用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络;
步骤2、利用构建的训练数据集对所述卷积神经网络进行训练,得到训练好的卷积神经网络;
步骤3、利用所述训练好的卷积神经网络对CT图像进行能谱估计,得到CT图像能谱信息。
2.根据权利要求1所述的方法,其特征在于,所述用于描述CT图像与能谱中光子分布概率之间耦合关系的卷积神经网络具体为:包含9层卷积层的单输入、单输出的网络结构模型;其中,第一层卷积层具有64个滤波器内核通道,每个滤波器内核通道的大小为9×9,重叠步长为4×4;第二层卷积层具有128个滤波器内核通道,每个滤波器内核通道的大小为7×7,重叠步长为4×4;第三层至第五层卷积层每层均具有256个滤波器内核通道,每个滤波器内核通道的大小为5×5,第三层和第四层卷积层滤波器内核通道的重叠步长为1×1,第五层卷积层滤波器内核通道的重叠步长为4×4;第六层至第八层卷积层每层均具有512个滤波器内核通道,每个滤波器内核通道的大小为3×3,第六层和第七层卷积层滤波器内核通道的重叠步长是1×1,第八层卷积层滤波器内核通道的重叠步长是2×2;第九层卷积层具有100个滤波器内核通道,每个滤波器内核通道的大小为1×1。
3.根据权利要求1所述的方法,其特征在于,还包括构建训练数据集,具体为:
获取骨骼和组织的衰减系数,并利用SpekCalc软件生成N个归一化的X射线能谱;
基于物体的连续能谱投影原理,根据所述衰减系数和N个X射线能谱生成连续能谱投影数据;
利用滤波反投影解析重建算法在生成的所述连续能谱投影数据上重建CT图像;
将得到的CT重建图像作为训练卷积神经网络的输入数据,将所述N个归一化的X射线能谱作为训练卷积神经网络的标签。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007663.9A CN109916933B (zh) | 2019-01-04 | 2019-01-04 | 基于卷积神经网络的x射线计算机断层成像能谱估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007663.9A CN109916933B (zh) | 2019-01-04 | 2019-01-04 | 基于卷积神经网络的x射线计算机断层成像能谱估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109916933A true CN109916933A (zh) | 2019-06-21 |
CN109916933B CN109916933B (zh) | 2021-10-01 |
Family
ID=66960218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910007663.9A Active CN109916933B (zh) | 2019-01-04 | 2019-01-04 | 基于卷积神经网络的x射线计算机断层成像能谱估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109916933B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179228A (zh) * | 2019-12-16 | 2020-05-19 | 浙江大学 | 一种基于深度学习的单能ct能谱成像方法 |
CN111950714A (zh) * | 2020-08-24 | 2020-11-17 | 重庆市云迈科技有限公司 | 一种基于3d全卷积神经网络的能谱ct图像域材料识别方法 |
WO2024036760A1 (zh) * | 2022-08-18 | 2024-02-22 | 中国科学院深圳先进技术研究院 | 能谱图像处理方法、装置、计算机设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
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 |
CN108986073A (zh) * | 2018-06-04 | 2018-12-11 | 东南大学 | 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法 |
-
2019
- 2019-01-04 CN CN201910007663.9A patent/CN109916933B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106600568A (zh) * | 2017-01-19 | 2017-04-26 | 沈阳东软医疗系统有限公司 | 一种低剂量ct图像去噪方法及装置 |
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 |
CN108986073A (zh) * | 2018-06-04 | 2018-12-11 | 东南大学 | 一种基于改进的Faster R-CNN框架的CT图像肺结节检测方法 |
Non-Patent Citations (2)
Title |
---|
WOO-JIN LEE ET AL: "Material depth reconstruction method of multi-energy X-ray images using neural network", 《ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY》 * |
李彦冬等: "卷积神经网络研究综述", 《计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111179228A (zh) * | 2019-12-16 | 2020-05-19 | 浙江大学 | 一种基于深度学习的单能ct能谱成像方法 |
CN111950714A (zh) * | 2020-08-24 | 2020-11-17 | 重庆市云迈科技有限公司 | 一种基于3d全卷积神经网络的能谱ct图像域材料识别方法 |
WO2024036760A1 (zh) * | 2022-08-18 | 2024-02-22 | 中国科学院深圳先进技术研究院 | 能谱图像处理方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109916933B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103559699B (zh) | 一种基于投影估计的多能谱ct图像重建方法 | |
Richard et al. | Quantitative imaging in breast tomosynthesis and CT: Comparison of detection and estimation task performance | |
CN103150744B (zh) | 一种x射线多能谱ct投影数据处理与图像重建方法 | |
CN108230277B (zh) | 一种基于卷积神经网络的双能ct图像分解方法 | |
CN108615250B (zh) | 图像重建方法、装置、系统和计算机可读存储介质 | |
CN109916933A (zh) | 基于卷积神经网络的x射线计算机断层成像能谱估计方法 | |
JP2000180550A (ja) | Ml―em画像再構成法及び医用画像形成装置 | |
CN103134823B (zh) | 一种基于卷积的x射线ct系统射束硬化校正方法 | |
CN110175957B (zh) | 多能量ct基材料物质分解方法 | |
CN105796121B (zh) | 一种ct和x射线激发荧光双模同步断层成像方法 | |
CN106780641A (zh) | 一种低剂量x射线ct图像重建方法 | |
US20220028127A1 (en) | Energy weighting of photon counts for conventional imaging | |
CN107688195A (zh) | 重建探测器所探测的能谱的方法和设备 | |
CN110084864A (zh) | 一种基于能谱ct的电子密度图像重建方法 | |
Lin et al. | A fast poly-energetic iterative FBP algorithm | |
CN110415307A (zh) | 一种基于张量补全的多能ct成像方法、装置及其存储设备 | |
Rahman et al. | Fisher information analysis of list-mode SPECT emission data for joint estimation of activity and attenuation distribution | |
CN102917642A (zh) | X射线ct装置 | |
WO2023134030A1 (zh) | 一种基于流模型的pet系统衰减校正方法 | |
Eisen et al. | NUCAM3-a gamma camera based on segmented monolithic CdZnTe detectors | |
CN105844678A (zh) | 基于全广义变分正则化的低剂量x射线ct图像重建方法 | |
Bushe et al. | Unbiased zero-count correction method in low-dose high-resolution photon counting detector CT | |
Zeng et al. | Null-space function estimation for the interior problem | |
Wei et al. | Blind separation model of multi-voltage projections for the hardening artifact correction in computed tomography | |
KR20140000823A (ko) | 다파장 영상 복원 방법 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |