CN110517194A - 一种物质分解模型的训练方法、物质分解方法及相关设备 - Google Patents
一种物质分解模型的训练方法、物质分解方法及相关设备 Download PDFInfo
- Publication number
- CN110517194A CN110517194A CN201910655251.6A CN201910655251A CN110517194A CN 110517194 A CN110517194 A CN 110517194A CN 201910655251 A CN201910655251 A CN 201910655251A CN 110517194 A CN110517194 A CN 110517194A
- Authority
- CN
- China
- Prior art keywords
- image
- substance decomposition
- model
- substance
- training
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 146
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 145
- 238000012549 training Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 210000005036 nerve Anatomy 0.000 claims description 28
- 230000001629 suppression Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 239000012141 concentrate Substances 0.000 claims description 10
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 claims description 6
- 229910052740 iodine Inorganic materials 0.000 claims description 6
- 239000011630 iodine Substances 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000000926 separation method Methods 0.000 abstract description 11
- 230000000694 effects Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003759 clinical diagnosis Methods 0.000 abstract description 3
- 230000003595 spectral effect Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种物质分解模型的训练方法、物质分解方法和相关设备，通过训练神经网络模型得到用于对能谱图像进行物质分解的物质分解模型，再利用物质分解模型进行扫描图像的能谱分解。在获取待物质分解图像之后，将所述待物质分解图像输入已训练的物质分解模型，以得到所述待物质分解图像对应的物质分解图像。本发明实施例通过降低对能量分离是数据处理同时性的要求，来提高能量分离，同时通过高级的重建算法，来解决高低能量采集同时性差的情况下带来的伪影。本发明所述方法及设备可以以很低的成本，带来很好的能量分离效果，为临床诊断带来更准确的依据。
Description
技术领域
本发明涉及医学成像技术领域，尤其涉及的是一种物质分解模型的训练方法、物质分解方法和相关设备。
背景技术
能谱成像技术对医学影像诊断有着重要的意义，他能够分离物质不同能量的信息，显著抑制射线硬化伪影，给临床诊断带来更多的依据。传统CT成像提供的是被扫描物体在某个千伏峰值下扫描出的对X射线的有效吸收系数图像，与物体的大小、所使用的射线过滤器等等都相关。即使在同一扫描条件下，在不同CT扫描系统上的CT值也有差异，因此在传统CT上，定量分析相对比较困难。
目前能量分离一般有四种实现方式，第一种是，利用光子计数器，第二中是，利用能谱快速切换，第三种是，利用双源双探测器，第四种是，利用双层探测器。光子计数CT的同时性和能量分离是最好的，但是其造价也是相当昂贵。而且光子计数探测器在高剂量下的稳定性问题一直没有得到很好的解决。能谱快速切换虽然有很好的同时性以及低廉的成本，但是其切换速度也是有极限的。当切换速度越来越快时，由于球管电压存在一定的上升和下降时间，切换的能谱之间的差异将越来越小，导致重建图像的效果变差。双源双探测器的成本也居高不下。双层探测器虽然有很好的同时性，但是它的能量分辨能力是所有技术中最差的，而且探测器本身的造价也较高。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种物质分解模型的训练方法、物质分解方法和相关设备，旨在解决现有技术中能量分离所使用的仪器成本高，且分离出的图像质量差等问题。
本发明解决技术问题所采用的技术方案如下：
第一方面，本实施例提供了一种物质分解模型的训练方法，其中包括:
分别获取两种不同千伏峰值下的扫描数据的图像集，所述图像集包含：多张对扫描数据进行重建得到的训练图像和验证图像；
将所述图像集及中各个图像依次输入到预设第一神经网络模型，得到输出的所述图像集中各个图像的物质分解图像；
根据所述物质分解图像和所述验证图像对所述第一神经网络模型的参数进行修正，并继续执行将所述图像及中各个图像依次输入所述第一神经网络模型的步骤，直至所述第一神经网络模型的训练满足预设条件，得到已训练的物质分解模型。
可选的，所述物质分解模型包括伪影抑制模块和物质分解模块；
所述将所述图像及中各个图像依次输入到预设第一神经网络模型，得到输出的所述能谱图像的物质分解图像的步骤包括：
将所述图像及中各个图像依次所述伪影抑制模块，以得到所述能谱图像对应的去伪影图像；
将所述去伪影图像和所述验证图像输入所述物质分解模块，以得到所述去伪影图像对应的物质分解图像。
可选的，所述根据所述物质分解图像和所述验证图像对所述第一神经网络模型的参数进行修正的步骤包括：
根据所述物质分解图像和所述验证图像计算损失值；
根据所述损失值对所述神经网络模型的参数进行修正。
可选的，在将所述图像及中各个图像依次输入到预设第一神经网络模型的步骤之前，所述方法还包括：
分别获取两种不同千伏峰值下的扫描数据，将所述扫描数据分为训练数据和验证数据；
分别对所述训练数据和验证数据进行重建，得到扫描数据所对应的重建图像。
可选的，所述分别对所述训练数据和验证数据进行重建，得到扫描数据所对应的重建图像步骤包括：
对验证数据进行去伪影重建，得到携带去伪影标识的第一重建图像；
对所述验证数据进行物质分解重建，得到携带水图和碘图标识的第二重建图像。
第二方面，本实施例还提供了一种物质分解方法，其中，所述方法包括：
获取两种不同千伏峰值下的图像集；
分别将所述图像集中各个图像依次输入已训练的物质分解模型，以得到所述图像集中各个图像对应的物质分解图像。
可选的，所述物质分解模型包括伪影抑制模块和物质分解模块；
分别将所述图像集中各个图像依次输入已训练的物质分解模型，以得到所述两种能谱图像对应的物质分解图像的步骤包括：
分别将所述图像集中各个图像依次输入到所述伪影抑制模块，得到与所述图像集中各个图像相对应的去伪影图像；
将所述各个图像相对应的去伪影图像输入到所述物质分解模块，得到所述待物质分解图像对应的物质分解图像。
第三方面，本实施例还公开了一种能谱分解装置，其中，包括：
数据获取模块，用于获取两种不同千伏峰值下的图像集；
能量分解模块，用于分别将所述图像集中各个图像依次输入已训练的物质分解模型，以得到所述图像集中各个图像对应的物质分解图像，其中，所述已训练的所述物质分解模型。
第四方面，本实施例还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现所述方法的步骤。
第五方面，本实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述的方法的步骤。
有益效果：本发明提供了一种物质分解模型的训练方法、物质分解方法和相关设备，通过降低物质分离时对数据处理同时性的要求，来提高物质分离的准确度，同时通过高级的重建算法，来解决高低能量采集同时性差的情况下带来的伪影，以使得在硬件要求低的情况下，通过软件算法提高能谱图像质量。本发明所述方法及设备可以以很低的成本，带来较佳的物质分离效果。
附图说明
图1是本实施例中物质分解模型的训练方法的步骤流程图；
图2是本实施例中物质分解模型的应用实施例中的步骤流程图；
图3是本实施例中物质分解方法的步骤流程图；
图4是本实施例中能谱分解方式具体应用场景的原理示意图；
图5是本实施例中能谱分解装置的原理结构框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本实施例提供了一种物质分解模型的训练方法，如图1所示，包括:
步骤S101、分别获取两种不同千伏峰值下的扫描数据的图像集，所述图像集中包含：多张对扫描数据进行重建得到的训练图像和验证图像。
所述图像集中含有两种千伏峰值下扫描数据的图像，因此图像集中含有的图像以其所对应的千伏峰值来进行分类，具有两种，一种为高千伏峰值下的第一图像集，一种为低千伏峰值下的第二图像集，而两种图像集下又分别还有训练图像和验证图像，其中验证图像为含有对去伪影和物质分解进行标识的图像。
为了训练出用于能谱分解的神经网络模型，首先获取多张用于训练和验证的重建图像，所述重建图像中不仅仅需要含有对去伪影后的验证图像，也需要多张用于训练的未去伪影图像。
所述图像集为基于扫描数据生成的图像的集合，且获取不同电压下扫描的图像，比如扫描采用的使4个角度80kvp，4个角度140kvp的周期扫描的方式，那么就分别利用所有80kvp扫描的数据和140kvp的扫描数据重建得到80kvp和140kvp对应的两个能量的图像。由于扫描时分配的角度不是等间距采样，因此某些角度上存在缺失，因此重建的图像中存在伪影，为了获取到更为清晰的图像，需要对其做去伪影处理，然后再去对伪影的图像进行物质分解，得到最终输出的物质分解图。
为了获取到更好的数据处理结果，在将所述图像集中各个图像依次输入到预设第一神经网络模型的步骤之前，所述方法还包括：
分别获取不同千伏峰值下的扫描数据，将所述扫描数据分为训练数据和验证数据；
分别对所述训练数据和验证数据进行重建，得到扫描数据所对应的重建图像。
其中，所述分别对所述训练数据和验证数据进行重建，得到扫描数据所对应的重建图像步骤包括：
对验证数据进行去伪影重建，得到携带去伪影标识的第一重建图像；
对所述验证数据进行物质分解重建，得到携带水图和碘图标识的第二重建图像。
为了实现对重建图像的去伪影和物质分解，因此需要分别对用于训练结果验证的验证图像进行携带去伪影标识、和携带水图和碘图标识的重建，使得第一神经网络模型分别对上述标识进行学习，实现对未进行标识重建图像的中去伪影和物质分解图的处理，得到全部输入图像的物质分解图像。
步骤S102、将所述图像集及中各个图像依次输入到预设第一神经网络模型，得到输出的所述图像集中各个图像的物质分解图像。
由于第一神经网络模型中分别含有去伪影层和物质分解层，其去伪影层进行训练后成为伪影抑制模块，所述物质分解层经过训练后成为物质分解模块，因此训练完成的所述物质分解模型包括伪影抑制模块和物质分解模块；
所述将所述重建图像依次输入到预设第一神经网络模型，得到输出的所述重建图像的物质分解图像的步骤包括：
将所述重建图像输入所述伪影抑制模块，以得到所述重建图像对应的去伪影图像；
将所述去伪影图像和所述验证图像输入所述物质分解模块，以得到所述去伪影图像对应的物质分解图像。
则不同能量的重建图像依次输入到伪影抑制模块后，得到不同能量的重建图像的去伪影图像，再将不同能量的去伪影图像输入到物质分解模块中，通过物质分解模块的处理，得到与不同能量的去伪影图像相对应的物质分解图像。
步骤S103、根据所述物质分解图像和所述验证图像对所述第一神经网络模型的参数进行修正，并继续执行将所述图像及中各个图像依次输入所述第一神经网络模型的步骤，直至所述第一神经网络模型的训练满足预设条件，得到已训练的物质分解模型。
通过物质分解图像和含有物质分解标识的验证图像之间的误差，也就是神经网络中预测出的物质分解图像与真实物质分解图像之间误差，对所述第一神经网络模型的参数进行修正，并根据修正后的参数，重复对第一神经网络模型进行训练，直到第一神经网络模型的输出结果与真实值之间的误差满足预设条件，也即是误差低于某个阈值，因此得到已训练的物质分解模型。
具体的，所述根据所述物质分解图像和所述验证图像对所述第一神经网络模型的参数进行修正的步骤包括：
根据所述物质分解图像和所述验证图像计算损失值；
根据所述损失值对所述第一神经网络模型的参数进行修正。
通过第一神经网络模型中预测出的物质分解图像与验证图像中所含有的物质分解图像的真实值，计算所述第一神经网络模型预测的误差，也即是损失值，并根据计算出的损失值对所述第一神经网络模型的参数进行修正。反复多次修改后，得到已训练的物质分解模型。
结合图2所示，对本实施例所述物质分解模型的训练方法做更为详细的说明。
本发明所述训练方法在软件上的算法来处理数据。在现有产品影像连的基础上处理数据，来改善图像质量。具体实现步骤如下：
步骤1:获取CT高能和低能扫描数据，采集扫描数据的过程中病人保持不动，分别扫描80kvp和140kvp的投影数据，共采集6个病人的数据，把数据分为训练集5人和验证集1人。采集数据后，对数据进行校正和预处理。并对数据进行重排来模拟灵活的电压切换的扫描方式，实验中采用的是4个角度80kvp，4个角度140kvp的周期扫描的方式。
步骤2:分别对扫描得到的80kvp和140kvp的数据进行重建，得到低能和高能的重建图像的训练集和验证集，分别作为输入到神经网络训练的训练图像和验证图像；其中，验证图像需要对重排得到的80kvp和140kvp的数据进行去伪影标识。具体实施时，较佳的，可设置训练集包含1000张图像，验证集包含200张图像。
步骤3：伪影抑制模块所对应的网络层设计和训练。
本案例所采用的是Unet类型的神经网络，损失函数（loss function）采用均方误差（Mean Square Error，MSE），把步骤2得到的输入数据输入伪影抑制模块所对应网络，根据训练集和验证集进行训练，调整模型参数，本案例中选择的训练次数200次。
步骤4：利用步骤3中训练好的伪影抑制模型，分别对模拟得到的低能和高能的图像进行处理，得到伪影抑制的高低能图像，得到和常规图像类似的能谱图像。
步骤5：对扫描得到的80kvp和140kvp的数据进行物质分解重建得到水图和碘图作为神经网络训练的训练集和验证集，其中训练集1000张，验证集200张。
步骤6：物质分解网络设计和训练。
本实施例中采用的是CNN类型的网络，损失方程采用MSE，把步骤4生成的高低能图像输入网络，根据步骤5生成的标识训练网络，调整参数，案例中设定的训练次数为2000次。
伪影抑制模型和物质分解模型训练好后，就可以直接对灵活切换电压扫描采集到的数据进行物质分解重建。
在通过上述实施例得到所述物质分解模型的基础上，本实施例还提供了一种物质分解方法，如图3所示，所述方法包括：
步骤S301、获取两种不同千伏峰值下的图像集；
步骤S302、分别将所述图像集中含有的两种不同千伏峰值的各个图像输入已训练的物质分解模型，以得到所述图像中各个图像对应的物质分解图像。
上述物质分解模型包括伪影抑制模块和物质分解模块；
所述分别将所述图像集中含有的两种不同千伏峰值的各个图像依次输入已训练的物质分解模型，以得到所述图像集中各个图像对应的物质分解图像的步骤包括：
将分别将所述图像集中含有的两种不同千伏峰值的各个图像依次输入到所述伪影抑制模块，得到去除伪影后的去伪影理图像；
将所述去伪影图像输入到所述物质分解模块，得到所述待物质分解图像对应的物质分解图像。
结合图4所示，首先获取两种不同千伏峰值下的扫描图像，分别对两种图像进行单能图像重建，得到两种能量下的单能图像重建，分别将单能图像重建后所得到的图像输入到伪影抑制模型中，进行去伪影处理，最后将不同千伏峰值下的去伪影处理后的图像均输入到已训练完成的物质分解模型中，得到基于物质分解模型输出的物质分解图像。所述物质分解图像也即是基于不同能量的去伪影图像得到的碘图和水图。
较佳的，将所述待物质分解图像输入已训练的物质分解模型的步骤之前，还包括：
获取不同千伏峰值下的扫描数据；
对所述扫描数据进行校正和预处理，得到各个千伏峰值下的重建图像。
第三方面，本实施例还公开了一种能谱分解装置，如图5所述，包括：
数据获取模块501，用于获取两种不同千伏峰值下的图像集；
能量分解模块502，用于分别将所述图像集中各个图像输入已训练的物质分解模型，以得到所述两种能谱图像对应的物质分解图像。
在上述物质分解模型的基础上，本实施例还公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中，所述处理器执行所述计算机程序时实现所述方法的步骤。
在上述物质分解模型的基础上，本实施例还公开了一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现所述的方法的步骤。
本发明提供了一种物质分解模型的训练方法、物质分解方法和相关设备，通过训练神经网络模型得到用于对能谱图像进行物质分解的物质分解模型，再利用物质分解模型进行扫描图像的能谱分解。在获取待物质分解图像之后，将所述待物质分解图像输入已训练的物质分解模型，以得到所述待物质分解图像对应的物质分解图像。本发明实施例通过降低对能量分离是数据处理同时性的要求，来提高能量分离，同时通过高级的重建算法，来解决高低能量采集同时性差的情况下带来的伪影。本发明所述方法及设备可以以很低的成本，带来很好的能量分离效果，为临床诊断带来更准确的依据。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种物质分解模型的训练方法，其特征在于， 包括:
分别获取两种不同千伏峰值下的扫描数据的图像集，所述图像集包含：多张对扫描数据进行重建得到的训练图像和验证图像；
将所述图像集中各个图像依次输入到预设第一神经网络模型，得到所述图像集中各个图像的物质分解图像；
根据所述物质分解图像和所述验证图像对所述第一神经网络模型的参数进行修正，并继续执行将所述图像集中各个图像依次输入所述第一神经网络模型的步骤，直至所述第一神经网络模型的训练满足预设条件，得到已训练的物质分解模型。
2.根据权利要求1所述的物质分解模型的训练方法，其特征在于，所述物质分解模型包括伪影抑制模块和物质分解模块；
所述将所述图像集中各个图像依次输入到预设第一神经网络模型，得到输出的所述能谱图像的物质分解图像的步骤包括：
将所述图像集中各个图像依次输入所述伪影抑制模块，以得到所述图像集中各个图像对应的去伪影图像；
将所述去伪影图像和所述验证图像输入所述物质分解模块，以得到所述去伪影图像对应的物质分解图像。
3.根据权利要求2所述的物质分解模型的训练方法，其特征在于，所述根据所述物质分解图像和所述验证图像对所述第一神经网络模型的参数进行修正的步骤包括：
根据所述物质分解图像和所述验证图像计算损失值；
根据所述损失值对所述第一神经网络模型的参数进行修正。
4.根据权利要求3所述的物质分解模型的训练方法，其特征在于，在将所述能谱图像依次输入到预设第一神经网络模型的步骤之前，所述方法还包括：
分别获取两种不同千伏峰值下的扫描数据，将所述扫描数据分为训练数据和验证数据；
分别对所述训练数据和验证数据进行重建，得到扫描数据所对应的重建图像。
5.根据权利要求4所述的物质分解模型的训练方法，其特征在于，所述分别对所述训练数据和验证数据进行重建，得到扫描数据所对应的重建图像步骤包括：
对验证数据进行去伪影重建，得到携带去伪影标识的第一重建图像；
对所述验证数据进行物质分解重建，得到携带水图和碘图标识的第二重建图像。
6.一种物质分解方法，其特征在于，所述方法包括：
获取两种不同千伏峰值下的图像集；
分别将所述图像集中各个图像依次输入已训练的物质分解模型，以得到所述图像集中各个图像对应的物质分解图像，其中，所述已训练的物质分解模型为权利要求1-5中任一所述的物质分解模型。
7.根据权利要求6所述的物质分解方法，其特征在于，所述物质分解模型包括伪影抑制模块和物质分解模块；
分别将所述图像集中各个图像依次输入已训练的物质分解模型，以得到所述图像集中各个图像对应的物质分解图像的步骤包括：
分别将所述图像集中各个图像依次输入到所述伪影抑制模块，得到与所述图像集中各个图像相对应的去伪影图像；
将所述各个图像相对应的去伪影图像输入到所述物质分解模块，得到所述待物质分解图像对应的物质分解图像。
8.一种能谱分解装置，其特征在于，包括：
数据获取模块，用于获取两种不同千伏峰值下的图像集；
能量分解模块，用于分别将所述图像集中各个图像输入已训练的物质分解模型，以得到所述两种能谱图像对应的物质分解图像，其中，所述已训练的物质分解模型为权利要求1-5中任一所述的物质分解模型。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910655251.6A CN110517194A (zh) | 2019-07-19 | 2019-07-19 | 一种物质分解模型的训练方法、物质分解方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910655251.6A CN110517194A (zh) | 2019-07-19 | 2019-07-19 | 一种物质分解模型的训练方法、物质分解方法及相关设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110517194A true CN110517194A (zh) | 2019-11-29 |
Family
ID=68622955
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910655251.6A Pending CN110517194A (zh) | 2019-07-19 | 2019-07-19 | 一种物质分解模型的训练方法、物质分解方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110517194A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
| CN109242920A (zh) * | 2017-07-11 | 2019-01-18 | 清华大学 | 物质分解方法、装置和系统 |
| CN109272472A (zh) * | 2018-10-15 | 2019-01-25 | 天津大学 | 面向医用能谱ct图像的噪声及伪影消除方法 |
| CN109472754A (zh) * | 2018-11-06 | 2019-03-15 | 电子科技大学 | 基于图像修复的ct图像金属伪影消除方法 |
-
2019
- 2019-07-19 CN CN201910655251.6A patent/CN110517194A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109242920A (zh) * | 2017-07-11 | 2019-01-18 | 清华大学 | 物质分解方法、装置和系统 |
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
| CN109272472A (zh) * | 2018-10-15 | 2019-01-25 | 天津大学 | 面向医用能谱ct图像的噪声及伪影消除方法 |
| CN109472754A (zh) * | 2018-11-06 | 2019-03-15 | 电子科技大学 | 基于图像修复的ct图像金属伪影消除方法 |
Non-Patent Citations (1)
| Title |
|---|
| Y. XU, B. YAN, J. ZHANG, ET AL: "Image Decomposition Algorithm for Dual-Energy Computed", 《COMPUTATIONAL AND MATHEMATICAL METHODS》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103900931B (zh) | 一种多能谱ct成像方法及成像系统 | |
| CN108230277B (zh) | 一种基于卷积神经网络的双能ct图像分解方法 | |
| JP5828649B2 (ja) | 画像処理装置、画像処理方法、及びコンピュータプログラム | |
| DE102017207125A1 (de) | Verfahren zum Durchführen einer Materialzerlegung unter Verwendung einer Dual-Energie-Röntgen-CT und eines entsprechenden Dual-Energie-Röntgen-CT-Gerätes | |
| CN109146899A (zh) | Ct图像的危及器官分割方法及装置 | |
| Mahbub et al. | Ordering of spin-12 excitations of the nucleon in lattice QCD | |
| EP3321886B1 (en) | Spectral ct image reconstructing method and spectral ct imaging system | |
| CN105118066B (zh) | 一种基于三维区别性特征表示的低剂量ct图像分解方法 | |
| CN104268914B (zh) | 一种4d‑ct不同时相序列图像的重建方法 | |
| CN105447866A (zh) | 基于卷积神经网络的x线胸片骨抑制处理方法 | |
| CN107595312B (zh) | 模型生成方法、图像处理方法及医学成像设备 | |
| CN104751429A (zh) | 一种基于字典学习的低剂量能谱ct图像处理方法 | |
| CN104036498B (zh) | 一种基于逐层分级的oct图像质量快速评价方法 | |
| Wu et al. | Block matching frame based material reconstruction for spectral CT | |
| CN102053096B (zh) | 双能量x射线安全检查设备的材料校准系统及校准方法 | |
| CN104066378B (zh) | 图像处理装置以及图像处理方法 | |
| EP3839577A1 (de) | Verfahren zur erzeugung eines röntgenbilddatensatzes | |
| CN110675467B (zh) | 能谱ct的材料分解方法、装置、存储介质及电子设备 | |
| Eriksen et al. | The joint large-scale foreground-CMB posteriors of the 3 year WMAP data | |
| Wang et al. | An effective sinogram inpainting for complementary limited-angle dual-energy computed tomography imaging using generative adversarial networks | |
| Wang et al. | Limited-angle computed tomography reconstruction using combined FDK-based neural network and U-Net | |
| EP3798684A1 (de) | Datenkorrektur in der röntgenbildgebung | |
| CN110517194A (zh) | 一种物质分解模型的训练方法、物质分解方法及相关设备 | |
| CN112767273B (zh) | 一种应用特征解耦的低剂量ct图像修复方法及系统 | |
| CN109903355B (zh) | 基于空谱双域张量自相似的能谱ct重建方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191129 |