CN110555834B - 基于深度学习网络的ct坏通道实时检测及重建方法 - Google Patents

基于深度学习网络的ct坏通道实时检测及重建方法 Download PDF

Info

Publication number
CN110555834B
CN110555834B CN201910826810.5A CN201910826810A CN110555834B CN 110555834 B CN110555834 B CN 110555834B CN 201910826810 A CN201910826810 A CN 201910826810A CN 110555834 B CN110555834 B CN 110555834B
Authority
CN
China
Prior art keywords
data
deep learning
bad channel
channels
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.)
Active
Application number
CN201910826810.5A
Other languages
English (en)
Other versions
CN110555834A (zh
Inventor
褚政
王瑶法
徐怿弘
阿泽子·伊赫莱夫
叶宏伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FMI Technologies Inc
Original Assignee
FMI Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FMI Technologies Inc filed Critical FMI Technologies Inc
Priority to CN201910826810.5A priority Critical patent/CN110555834B/zh
Publication of CN110555834A publication Critical patent/CN110555834A/zh
Application granted granted Critical
Publication of CN110555834B publication Critical patent/CN110555834B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Animal Behavior & Ethology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Software Systems (AREA)
  • Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Optics & Photonics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Pulmonology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了基于深度学习网络的CT坏通道实时检测及重建方法，涉及CT数据检测及重建技术领域，包括数据预处理，数据学习，数据解析、修正及重建；数据预处理包括数据初始化、角度方向累加、二维卷积、数据归一化、数据分割、数据尺寸放大；经过深度学习网络学习后的结果标出坏通道的数量、位置坐标和类型；数据解析、修正及重建包括原图坐标恢复、原始数据标定、数据通道修复、数据重建得到图像域结果。本发明结合了图像处理和机器学习技术，利用图像预处理，增强了对于坏通道的基本特征的描述，从而使得深度学习能够在复杂的扫描环境中准确标定出坏通道的类型和位置，可以直接检测扫描数据，可以判断有响应的坏通道，可以实现实时扫描判断。

Description

基于深度学习网络的CT坏通道实时检测及重建方法
技术领域
本发明涉及CT数据检测和重建方法，尤其涉及基于深度学习网络的CT坏通道实时检测及重建方法。
背景技术
目前多排CT通常有数万到数十万的检测单元(通道)。部分通道对于入射的X射线的响应较差，即坏通道。坏通道的产生原因有很多，温度、湿度、电压的异常或者材料的寿命限制都会使正常通道转变为坏通道。
因为坏道的产生具有不可预知性，往往在临床扫描过程中，突然产生一处或多次坏通道，从而使输出的图像带来较重的伪影，影响了医生对于病人的最终诊断。
为此，现有的技术为了解决上述问题，往往是在扫描病人之前，在没有模体的情况下，对所有通道进行X射线曝光，观察和计算不响应的位置来确定坏通道。但会存在以下问题：1.无法判断有响应但响应弱的坏通道。2.该方法只能在校正过程中进行，无法在正式扫描过程中判断坏通道，因此对于突发的坏通道没有处理能力。
基于此，做出本申请。
发明内容
为了解决现有技术中存在的上述缺陷，本发明提供了基于深度学习网络的CT坏通道实时检测及重建方法。
为了实现上述目的，本发明采取的技术方案如下：
基于深度学习网络的CT坏通道实时检测及重建方法，包括数据预处理，数据学习，数据解析、修正及重建；
其中数据预处理包括以下步骤：
数据初始化，按照检测器通道方向、检测器排方向、旋转角度方向三个维度定义原始CT采集并通过校正的正弦数据为A0；
角度方向累加，对A0的第三个维度方向的数据进行累加求和，记为S0；
二维卷积，设置卷积核，对S0和卷积核进行二维卷积得到S1，对S1提取数据得到S2；
对数据归一化，定义S3为S2被归一化到固定区间后的数据集；
数据分割，对数据按照宽度、交叠宽度进行划分成多个子数据S4；
数据尺寸放大，定义放大系数，对S4进行向上采样，采样后的数据为S5；
将数据S5传入深度学习网络进行数据学习；
经过深度学习网络学习后的结果记为S6，S6标出了多幅图像数据之中，坏通道的数量、位置坐标和类型；
其中数据解析、修正及重建包括以下步骤：
原图坐标恢复，根据S6中的生成的位置坐标恢复原始图像坐标得到S7；
原始数据标定，在数据A0上分别对S7指出的坏通道进行标记，得到标记后的数据为Af1；
数据通道修复，根据Af1上的标记不同的坏通道类型，对Af进行校正修复，修复后的数据记为Af2；
数据重建，输出结果继续进行CT重建，得到图像域结果。
所述角度方向累加步骤中，求和公式为
Figure BDA0002189210410000021
S0为长度宽度分别为Channels，Rows的二维结构，其中Channels为初始数据A0的通道数，Rows为A0的排数。
所述二维卷积步骤中，设置卷积核Ker，Ker为一个二维的数组，定义为
Figure BDA0002189210410000022
或者
Figure BDA0002189210410000023
其中a是一个负数，数值大小与检测器物理上的串扰强度相关。
所述二维卷积步骤中，对S0和Ker进行二维卷积，使S1＝S0*Ker，如果Ker的尺寸为m*m，卷积后的S1的大小为(Channels+m-1,Rows+m-1)；在S1中，以坐标((m-1)/2,(m-1)/2)为起点，提取大小为(Channels，Rows)的数据记为S2，其中Channels为初始数据A0的通道数，Rows为A0的排数。
所述数据归一化步骤中，定义Nmax为S2的最大值，Nmin为S2的最小值，定义S3＝(S2-Nmin)/(Nmax-Nmin)为S2被归一化到区间[0,1]后的数据集。
所述数据分割步骤中，对数据按照宽度Wd，交叠宽度Ld进行划分，S3被划分为m*n个子数据S4；其中m＝(Channels+Ld*(m-1))/Wd,n＝(Rows+Ld＊(n-1))/Wd，S4的大小为Wd＊Wd共有m＊n个，数据量为Wd＊Wd＊m＊n，其中Channels为初始数据A0的通道数，Rows为A0的排数，Views为A0的角度数。
作为一种优选方案，所述数据学习步骤中，深度学习目标检测网络模型采用Yolo算法；目前常用的深度学习目标检测模型可以分为两类，一类是区域卷积神经网络(R-CNN，Region Convolutional Neural Network)R-CNN系算法，包括R-CNN，Fast R-CNN，FasterR-CNN。而另一类方法是Yolo(You Only Look Once)，SSD(Single Shot MultiboxDetector)这类算法。
R-CNN系算法，需要先使用启发式方法或者区域推荐网络(Region ProposalNetwork，RPN)生成候选区域，在候选区域上通过深度学习网络提取出区域特征信息，再根据这些特征信息来判别区域所述的类别，最后再进行候选区域的精细修正和调整。由于RPN网络的巧妙设计，R-CNN系算法一般能够得到更精确的结果。
Yolo算法相比于R-CNN系算法，得益于良好的CNN输出的设计思路。他最终全连接层的输出是基于图像位置信息+置信度+图像内容类别的混合特征向量，这样就能把检测目标位置与类别放在同一个CNN网络中，可以加快网络训练的速度，甚至可以达到实时检测的速度，并且在检测的准确度上只是略逊于R-CNN系算法，很适合需要快速检测，并且目标物很明确的定位片图像。通过Yolo模型，就能快速计算得到各个人体器官的定位，无需医生进行手动拉拽鼠标进行器官的定位。
深度学习目标检测网络模型包括卷积单元和残差单元组成网络主体结构，卷积单元是由卷积层、批量归一层、激励层所组成；残差单元是由经过两个卷积单元前后结果相加所组成；网络输入图像经过若干卷积单元和残差单元，提取图像特征；针对坏通道检测目标很小的特点，通过上采样层和叠加层得到图像在较小尺度下的特征，保留最小尺度的输出层。
所述数据学习步骤中，输出层数据结构为w×h×Ns×(2+1+C)，其中，w，h是该输出层的尺寸，表示图像分成w×h个网格，Ns是指中心点落在该网格中锚预测框数量；(2+1+C)表示每个锚预测框只需要框中心点x，y的坐标信息，以及object包含物体的概率和classes类别概率。
作为一种优选方案，所述数据学习步骤中，引入GIOU定义预测框和正式框的距离标准，
Figure BDA0002189210410000041
式中，A与B分别表示预测框与目标框，C则表示能同时覆盖A与B的最小矩形；A∩B表示A与B的交集，A∪B表示A与B的并集，C\(A∪B)表示在C中但除去A与B并集的集合。
要表示预测框相对于正式框的准确度，就需要定义两者之间的距离标准，一般用IOU(Intersection over ∪nion)来表示。然而，由于我们的坏通道检测目标往往很小，可能会出现预测框与目标框已经很接近却依然IOU很小甚至为零的情况，无法有效的获得正事例。因此本发明引入GIOU。
所述原图坐标恢复步骤中，对于m＊n幅图中的第(i∈m，j∈n)幅子图，如果有一个坐标[x，y，type]，则其对应与原始图像的坐标x0＝i＊(Wd-Ld)+x/Scale，y0＝j＊(Wd-Ld)+y/Scale，将所有的子图坐标转化到原图，得到了S7，S7是K组[x0，y0，type]，K是所有子图坐标的数量减去交叠区域重复的坐标数量；其中Scale为放大系数。
本发明的原理及有益效果：由于坏通道本身尺寸较小，常规的深度学习算法很难捕捉并分析出坏通道的精确位置和种类，因此本发明结合了图像处理和机器学习技术，利用图像预处理，增强了对于坏通道的基本特征的描述，从而使得深度学习能够在复杂的扫描环境中利用上述给定标定特征准确标定出坏通道的类型和位置。本发明可以直接检测扫描数据，不同于现有技术中必须先进行空气曝光强度检测；另外本发明可以判断有响应的坏通道，可以实现实时扫描判断，因此能在正式扫描过程中判断坏通道，对突发的坏通道具有处理能力。
附图说明
图1为本实施例数据分割示意图；
图2为本实施例数据预处理流程图；
图3为本实施例采用的学习网络模型的结构示意图；
图4为本实施例数据解析、修正及重建流程图；
图5为未经深度学习网络处理的采集区域的原始数据结果S3；
图6为经深度学习网络处理的数据结果S3；
图7为未采用本实施例基于深度学习网络的CT坏通道实时检测及重建方法后的成像图；
图8为采用本实施例基于深度学习网络的CT坏通道实时检测及重建方法后的成像图。
标注说明：坏通道点1，不同尺寸的坏通道集群2。
具体实施方式
为了使本发明的技术手段及其所能达到的技术效果，能够更清楚更完善的披露，兹提供了以下实施例，并结合附图作如下详细说明：
基于深度学习网络的CT坏通道实时检测及重建方法，包括数据预处理，数据学习，数据解析、修正及重建；
一、数据预处理(如图2所示)
(1)数据初始化，输入起点为CT基本校正后的投影数据，按照检测器通道方向、检测器排方向、旋转角度方向三个维度定义原始CT采集并通过校正的正弦数据为A0；其中通道方向和排方向组成二维结构，旋转角度方向第三维结构，A0(Channels，Rows，Views)，Channels，Rows，Views分别为通道数，排数，角度数。
(2)角度方向累加，对A0的第三个维度Views方向的数据进行累加求和，记为S0。
Figure BDA0002189210410000051
S0为长度宽度分别为Channels，Rows的二维结构。
(3)二维卷积，设置卷积核Ker。Ker为一个二维的数组，定义为
Figure BDA0002189210410000052
或者
Figure BDA0002189210410000053
其中a是一个负数，数值大小与检测器物理上的串扰(crosstalk)强度相关。当然其他形式的卷积核矩阵在声明范围内。对于S0和Ker进行二维卷积，即S1＝S0*Ker。如果Ker的尺寸为m*m，卷积后的S1的大小为(Channels+m-1,Rows+m-1)。在S1中，以坐标((m-1)/2,(m-1)/2)为起点，提取大小为(Channels，Rows)的数据记为S2。
(4)对数据归一化，定义Nmax为S2的最大值，Nmin为S2的最小值。定义S3＝(S2-Nmin)/(Nmax-Nmin)为S2被归一化到区间[0,1]后的数据集。
(5)数据分割，如图1所示，对数据按照宽度Wd，交叠宽度Ld进行划分，即S3会被划分为m*n个子数据S4。其中m＝(Channels+Ld*(m-1))/Wd，n＝(Rows+Ld*(n-1))/Wd,S4的大小为Wd*Wd共有m*n个，即数据量是Wd*Wd*m*n。
(6)数据尺寸放大，定义放大系数Scale，对S4进行向上采样。采样后的数据为S5，其宽度为Wdn＝Wd*Scale。数据大小成为Wdn*Wdn*m*n。
(7)将数据S5传入深度学习网络进行数据学习。
二、数据学习
目前常用的深度学习目标检测模型可以分为两类，一类是区域卷积神经网络(R-CNN,Region Convolutional Neural Network)R-CNN系算法，包括R-CNN，Fast R-CNN，Faster R-CNN。而另一类方法是Yolo(You Only Look Once)，SSD(Single Shot MultiboxDetector)这类算法。
R-CNN系算法，需要先使用启发式方法或者区域推荐网络(Region ProposalNetwork,RPN)生成候选区域，在候选区域上通过深度学习网络提取出区域特征信息，再根据这些特征信息来判别区域所述的类别，最后再进行候选区域的精细修正和调整。由于RPN网络的巧妙设计，R-CNN系算法一般能够得到更精确的结果。
Yolo算法相比于R-CNN系算法，得益于良好的CNN输出的设计思路。他最终全连接层的输出是基于图像位置信息+置信度+图像内容类别的混合特征向量，这样就能把检测目标位置与类别放在同一个CNN网络中，可以加快网络训练的速度，甚至可以达到实时检测的速度，并且在检测的准确度上只是略逊于R-CNN系算法，很适合需要快速检测，并且目标物很明确的定位片图像。通过Yolo模型，就能快速计算得到各个人体器官的定位，无需医生进行手动拉拽鼠标进行器官的定位。
因此本实施例深度学习目标检测网络模型采用Yolo算法。
如图3所示，本实施例深度学习目标检测网络模型包括卷积单元和残差单元组成网络主体结构，卷积单元是由卷积层、批量归一层、激励层所组成；残差单元是由经过两个卷积单元前后结果相加所组成；网络输入图像经过若干卷积单元和残差单元，提取图像特征；针对坏通道检测目标很小的特点，通过上采样层和叠加层得到图像在较小尺度下的特征，保留最小尺度的输出层。
输出层数据结构为w×h×Ns×(2+1+C)，其中，w，h是该输出层的尺寸，表示图像分成w×h个网格，Ns是指中心点落在该网格中锚预测框数量。由于坏通道检测目标的长宽通常是固定的，因此(2+1+C)表示每个锚预测框只需要框中心点x，y的坐标信息，以及0bject包含物体的概率和classes类别概率。
要表示预测框相对于正式框的准确度，就需要定义两者之间的距离标准，一般用IOU(Intersection over ∪nion)来表示。然而，由于坏通道检测目标往往很小，可能会出现预测框与目标框已经很接近却依然IOU很小甚至为零的情况，无法有效的获得正事例。因此本实施例引入GIOU定义预测框和正式框的距离标准，
Figure BDA0002189210410000071
式中，A与B分别表示预测框与目标框，C则表示能同时覆盖A与B的最小矩形；A∩B表示A与B的交集，A∪B表示A与B的并集，C\(A∪B)表示在C中但除去A与B并集的集合。
通过深度学习网络学习后，生成的结果记为S6。S6标出了m＊n幅图像数据之中，坏通道的数量count，位置坐标[x，y]和类型type。这样在m＊n幅图中，S6为Count个[x，y，type]组成数列。
三、数据解析、修正及重建(如图4所示)
由于网络生成的结果只代表的子图的相对坐标，还需要重新计算来获得真实的检测器坏道坐标。
原图坐标恢复，对于m＊n幅图中的第(i∈m，i∈n)幅子图，如果有一个坐标[x，y，type]。则其对应与原始图像的坐标x0＝i＊(Wd-Ld)+x/Scale，y0＝j＊(Wd-Ld)+y/Scale.这样把所有的子图坐标转化到原图，得到了S7，S7是K组[x0，y0，type]。K是所有子图坐标的数量减去交叠区域重复的坐标数量。
原始数据标定，在数据A0(Channels，Rows，Views)上，对于每一个角度Views，分别对S7指出的坏通道进行标记，type表示了坏通道的类型，反应该位置上换通道的形态和规模。标记后的数据Af1。
数据通道修复，根据Af1上的标记不同的坏通道类型，对Af进行校正。校正方法有很多种，例如使用标记位置周围的正确通道数据作为参考值，通插值来获得相关的标记位置的预测值。也可以使用图像补全的方法进行恢复。恢复后的数据记为Af2。
数据重建，输出结果继续进行CT重建，得到图像域结果。CT重建可以是滤波反投影，或者迭代方式的重建，使数据重投影域转化到图像域。
另外提供了图5至图8，对比结果，图5为未经深度学习网络处理的采集区域的原始数据结果S3；图6为经深度学习网络处理的数据结果S3；图7为未采用本实施例基于深度学习网络的CT坏通道实时检测及重建方法后的成像图；图8为采用本实施例基于深度学习网络的CT坏通道实时检测及重建方法后的成像图。
以上内容是结合本发明的优选实施方式对所提供技术方案所作的进一步详细说明，不能认定本发明具体实施只局限于上述这些说明，对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (10)

1.基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：包括数据预处理，数据学习，数据解析、修正及重建；
其中数据预处理包括以下步骤：
数据初始化，按照检测器通道方向、检测器排方向、旋转角度方向三个维度定义原始CT采集并通过校正的正弦数据为A0；
角度方向累加，对A0的第三个维度方向的数据进行累加求和，记为S0；
二维卷积，设置卷积核，对S0和卷积核进行二维卷积得到S1，对S1提取数据得到S2；
对数据归一化，定义S3为S2被归一化到固定区间后的数据集；
数据分割，对数据按照宽度、交叠宽度进行划分成多个子数据S4；
数据尺寸放大，定义放大系数，对S4进行向上采样，采样后的数据为S5；
将数据S5传入深度学习网络进行数据学习；
经过深度学习网络学习后的结果记为S6，S6标出了多幅图像数据之中，坏通道的数量、位置坐标和类型；
其中数据解析、修正及重建包括以下步骤：
原图坐标恢复，根据S6中的生成的位置坐标恢复原始图像坐标得到S7；
原始数据标定，在数据A0上分别对S7指出的坏通道进行标记，得到标记后的数据为Af1；
数据通道修复，根据Af1上的标记不同的坏通道类型，对Af1进行校正修复，修复后的数据记为Af2；
数据重建，输出结果继续进行CT重建，得到图像域结果。
2.如权利要求1所述的基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：所述角度方向累加步骤中，求和公式为
Figure FDA0002564932530000011
S0为长度宽度分别为Channels，Rows的二维结构，其中Channels为初始数据A0的通道数，Rows为A0的排数。
3.如权利要求1所述的基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：所述二维卷积步骤中，设置卷积核Ker，Ker为一个二维的数组，定义为
Figure FDA0002564932530000012
或者
Figure FDA0002564932530000013
其中a是一个负数，数值大小与检测器物理上的串扰强度相关。
4.如权利要求1所述的基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：所述二维卷积步骤中，对S0和Ker进行二维卷积，使S1＝S0＊Ker，如果Ker的尺寸为m＊m，卷积后的S1的大小为(Channels+m-1，Rows+m-1)；在S1中，以坐标((m-1)/2，(m-1)/2)为起点，提取大小为(Channels，Rows)的数据记为S2，其中Channels为初始数据A0的通道数，Rows为A0的排数。
5.如权利要求1所述的基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：所述数据归一化步骤中，定义Nmax为S2的最大值，Nmin为S2的最小值，定义S3＝(S2-Nmin)/(Nmax-Nmin)为S2被归一化到区间[0，1]后的数据集。
6.如权利要求1所述的基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：所述数据分割步骤中，对数据按照宽度Wd，交叠宽度Ld进行划分，S3被划分为m＊n个子数据S4；其中m＝(Channels+Ld＊(m-1))/Wd，n＝(RoWs+Ld＊(n-1))/Wd，S4的大小为Wd＊Wd共有m＊n个，数据量为Wd＊Wd＊m＊n，其中Channels为初始数据A0的通道数，Rows为A0的排数，Views为A0的角度数。
7.如权利要求1所述的基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：所述数据学习步骤中，深度学习目标检测网络模型采用Yolo算法，深度学习目标检测网络模型包括卷积单元和残差单元组成网络主体结构，卷积单元是由卷积层、批量归一层、激励层所组成；残差单元是由经过两个卷积单元前后结果相加所组成；网络输入图像经过若干卷积单元和残差单元，提取图像特征；通过上采样层和叠加层得到图像在较小尺度下的特征，保留最小尺度的输出层。
8.如权利要求1所述的基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：所述数据学习步骤中，输出层数据结构为w×h×Ns×(2+1+C)，其中，w，h是该输出层的尺寸，表示图像分成w×h个网格，Ns是指中心点落在该网格中锚预测框数量；(2+1+C)表示每个锚预测框只需要框中心点x，y的坐标信息，以及object包含物体的概率和classes类别概率。
9.如权利要求1所述的基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：所述数据学习步骤中，引入GIOU定义预测框和正式框的距离标准，
Figure FDA0002564932530000031
式中，A与B分别表示预测框与目标框，C则表示能同时覆盖A与B的最小矩形；A∩B表示A与B的交集，A∪B表示A与B的并集，C\(A∪B)表示在C中但除去A与B并集的集合。
10.如权利要求6所述的基于深度学习网络的CT坏通道实时检测及重建方法，其特征在于：所述原图坐标恢复步骤中，对于m＊n幅图中的第(i∈m，j∈n)幅子图，如果有一个坐标[x，y，type]，则其对应与原始图像的坐标x0＝i＊(Wd-Ld)+x/Scale，y0＝j＊(Wd-Ld)+y/Scale，将所有的子图坐标转化到原图，得到了S7，S7是K组[x0，y0，type]，K是所有子图坐标的数量减去交叠区域重复的坐标数量；其中Scale为放大系数。
CN201910826810.5A 2019-09-03 2019-09-03 基于深度学习网络的ct坏通道实时检测及重建方法 Active CN110555834B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910826810.5A CN110555834B (zh) 2019-09-03 2019-09-03 基于深度学习网络的ct坏通道实时检测及重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910826810.5A CN110555834B (zh) 2019-09-03 2019-09-03 基于深度学习网络的ct坏通道实时检测及重建方法

Publications (2)

Publication Number Publication Date
CN110555834A CN110555834A (zh) 2019-12-10
CN110555834B true CN110555834B (zh) 2020-09-22

Family

ID=68738735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910826810.5A Active CN110555834B (zh) 2019-09-03 2019-09-03 基于深度学习网络的ct坏通道实时检测及重建方法

Country Status (1)

Country Link
CN (1) CN110555834B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111179366B (zh) * 2019-12-18 2023-04-25 深圳先进技术研究院 基于解剖结构差异先验的低剂量图像重建方法和系统
CN111091105B (zh) * 2019-12-23 2020-10-20 郑州轻工业大学 基于新的边框回归损失函数的遥感图像目标检测方法
US11823354B2 (en) 2021-04-08 2023-11-21 GE Precision Healthcare LLC System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector
CN112991228B (zh) * 2021-04-16 2023-02-07 上海联影医疗科技股份有限公司 一种校正串扰的方法和系统
CN117100304B (zh) * 2023-10-31 2024-06-21 北京富通康影科技有限公司 一种多源ct系统的坏通道数据校正方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109859140A (zh) * 2019-02-15 2019-06-07 数坤（北京）网络科技有限公司 一种用于医疗图像的修复方法及设备
CN110060313A (zh) * 2019-04-19 2019-07-26 上海联影医疗科技有限公司 一种图像伪影校正方法和系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7142636B2 (en) * 2003-09-23 2006-11-28 General Electric Company System and method for defective detector cell and DAS channel correction
WO2005109316A2 (en) * 2004-05-03 2005-11-17 Perkinelmer Las, Inc. Method and apparatus for automatically segmenting a microarray image
DE102005034876B3 (de) * 2005-07-26 2007-04-05 Siemens Ag Verfahren zur Erstellung von computertomographischen Darstellungen durch ein CT mit mindestens zwei winkelversetzten Strahlenquellen
CN106296763B (zh) * 2016-07-20 2019-05-31 中国兵器科学研究院宁波分院 一种金属材料工业ct图像质量快速校正方法
CN109448070B (zh) * 2018-11-06 2020-10-09 明峰医疗系统股份有限公司 一种ct宽展视野的重建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109859140A (zh) * 2019-02-15 2019-06-07 数坤（北京）网络科技有限公司 一种用于医疗图像的修复方法及设备
CN110060313A (zh) * 2019-04-19 2019-07-26 上海联影医疗科技有限公司 一种图像伪影校正方法和系统

Also Published As

Publication number Publication date
CN110555834A (zh) 2019-12-10

Similar Documents

Publication Publication Date Title
CN110555834B (zh) 基于深度学习网络的ct坏通道实时检测及重建方法
CN111325739B (zh) 肺部病灶检测的方法及装置，和图像检测模型的训练方法
CN109816742B (zh) 基于全连接卷积神经网络的锥束ct几何伪影去除方法
US9659390B2 (en) Tomosynthesis reconstruction with rib suppression
JP2012512730A (ja) 医療用途のデジタルｘ線画像の対象領域における明るさレベルを計算する方法
CN110246580B (zh) 基于神经网络和随机森林的颅侧面影像分析方法和系统
US11504085B2 (en) Method for calibrating defective channels of a CT device
CN111553849B (zh) 基于局部特征匹配的锥束ct几何伪影去除方法及装置
US20210350521A1 (en) Method for computer-implemented determination of blade-defects of a wind turbine
CN111709929A (zh) 一种肺部癌变区域分割与分类检测系统
US7916828B1 (en) Method for image construction
CN114170527B (zh) 一种利用旋转框表示的遥感目标检测方法
KR102374840B1 (ko) 딥러닝 학습용 결함 이미지 생성 방법 및 이를 위한 시스템
CN116092179A (zh) 一种改进的yolox跌倒检测系统
CN114881931A (zh) 基于双光融合的光伏面板缺陷检测方法、系统、设备和计算机可读存储介质
EP4128022A1 (en) Method for finding image regions that significantly influence classification in a tool for pathology classification in a medical image
CN117011222A (zh) 一种电缆缓冲层缺陷检测方法、装置、存储介质和设备
CN116421205A (zh) 一种锥束ct系统校正方法
KR101146006B1 (ko) 엑스선 씨티에서의 링 아티팩트 제거방법 및 장치
CN118506115A (zh) 基于最佳圆弧融合的多焦距胚胎图像原核检测方法及系统
CN117522862A (zh) 一种基于ct影像肺炎识别的图像处理方法及处理系统
CN112924037A (zh) 基于图像配准的红外体温检测系统及检测方法
CN108875825B (zh) 一种基于图像分块的粮仓害虫检测方法
JP6425468B2 (ja) 教師データ作成支援方法、画像分類方法、教師データ作成支援装置および画像分類装置
US20170256076A1 (en) Method for removing streak from detector cell with performance difference

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