CN110742635A - 一种复合能谱ct成像方法 - Google Patents
一种复合能谱ct成像方法 Download PDFInfo
- Publication number
- CN110742635A CN110742635A CN201910950111.1A CN201910950111A CN110742635A CN 110742635 A CN110742635 A CN 110742635A CN 201910950111 A CN201910950111 A CN 201910950111A CN 110742635 A CN110742635 A CN 110742635A
- Authority
- CN
- China
- Prior art keywords
- voltage
- image
- scanning
- low
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001228 spectrum Methods 0.000 title claims abstract description 25
- 239000002131 composite material Substances 0.000 title claims abstract description 14
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 13
- 239000000463 material Substances 0.000 claims abstract description 13
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000002591 computed tomography Methods 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 238000000926 separation method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 230000009977 dual effect Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000000701 chemical imaging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910052740 iodine Inorganic materials 0.000 description 1
- 239000011630 iodine Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000004304 visual acuity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- A61B6/40—Arrangements for generating radiation specially adapted for radiation diagnosis
- A61B6/4064—Arrangements for generating radiation specially adapted for radiation diagnosis specially adapted for producing a particular type of beam
- A61B6/4085—Cone-beams
-
- 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
- A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
- A61B6/4208—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector
- A61B6/4241—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a particular type of detector using energy resolving detectors, e.g. photon counting
-
- 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
- A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
- A61B6/4266—Arrangements for detecting radiation specially adapted for radiation diagnosis characterised by using a plurality of detector units
-
- 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
- A61B6/5229—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image
- A61B6/5235—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data combining image data of a patient, e.g. combining a functional image with an anatomical image combining images from the same or different ionising radiation imaging techniques, e.g. PET and CT
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Physics & Mathematics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Veterinary Medicine (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出一种复合能谱CT成像方法,该方法基于传统CT系统,扫描过程中通过高压发生器按照指定频率切换低电压和高电压,获得复合扫描数据;对低电压扫描数据和高电压扫描数据分别进行图像重建,得到低电压图像和高电压图像;对重建后的低电压图像和高电压图像进行图像域的物质分解得到基物质图像。本发明基于传统CT系统实现,电压切换的速度可以根据现有硬件的条件来调整,不需要对硬件进行任何改动,因此实现成本极低。由于切换速度的降低,电压能保持和单能扫描一样的稳定性,因此不需要进行特殊的校准。相对于GE的高速切换方式,本发明主要有成本低,易实现,能量分离大,剂量低的优点。
Description
技术领域
本发明涉及能谱成像技术领域,尤其是一种复合能谱CT成像方法。
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。但是要达到能谱成像必须要采用比传统CT更加先进的硬件系统,比如西门子的双射线源双探测器CT系统,通用电气的高速切换CT扫描系统,飞利浦的双层探测器CT系统。这些系统都是依赖他们自己专有的硬件技术来扫描获得不同能量的物质信息。因此传统的CT系统难以在实际临床应用中进行能谱成像。
能谱CT自从西门子在2006年推出双源双探测器的解决方案开始,已经在科研和临床上得到了广泛应用。传统CT成像提供的是被扫描物体在某个扫描kV下对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。能谱CT通过在不同能量下对物体进行扫描,能感知物体对不同能量X射线的衰减情况,因此能分辨出被扫描物体中物质的组成,而且得到的图像受扫描条件的影响小,能更准确地提供定量的分析。
能谱CT是通过测量被扫描物体(病人)对不同能量的x射线的吸收情况来达到物质分解的目的。为了获得更好的图像质量,一般来说,这在两个或多个能量下的测量要求有好的同时性,以及大的能量分离。目前来说市面上已有产品中有表1所示的几种实现方式:一是通用电气公司采用的能谱快速切换,二是西门子公司的双源双探测器,第三是飞利浦公司的双层探测器。另外还有光子计数CT正在研发中,市场还没有能用于临床的产品。
表1现有能谱CT技术
目前的技术水平来说,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,因此在商业化的道路上走得比较艰难。快速能谱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,因此一直只在西门子的最高端CT产品中才有能谱扫描技术。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。
发明内容
发明目的:为了降低CT成像对于能谱CT系统的硬件要求,本发明提出一种复合能谱CT成像方法,该方法基于传统CT系统而提出的,主要是通过扫描控制、适合的图像重建算法和能谱分解技术来得到能谱图像,在硬件上不需要进行任何更改。
技术方案:为实现上述目的,本发明提出的技术方案为:
一种复合能谱CT成像方法,包括步骤:
(1)在扫描过程中通过高压发生器按照指定频率切换低电压和高电压,获得复合扫描数据,具体包括在一个扫描周期内进行a、b、c所述的任意一种切换方式:
a.射线源每旋转一圈切换一次高低电压;
b.射线源每旋转N圈切换一次高低电压,0.5≤N<1,且保证一个扫描周期内至少分别获得半圈高电压扫描数据和低电压扫描数据,前一次高压/低压扫描和后一次低压/高压扫描之间关闭或不关闭射线;
c.在每一圈扫描过程中切换多次,相邻两圈扫描过程中电压切换方式互补,使获得的每一圈扫描数据中高电压扫描数据区域和低电压扫描数据区域交替分布,而相邻两圈扫描数据中,前一圈的高电压扫描数据区域与后一圈的低电压扫描数据区域在位置上一一对应;
(2)对低电压扫描数据和高电压扫描数据分别进行图像重建,得到低电压图像和高电压图像;
(3)对重建后的低电压图像和高电压图像进行图像域的物质分解得到基物质图像。
进一步的,所述扫描获得扫描包括轴扫描和螺旋扫描。
进一步的,所述图像重建的方法包括:滤波反投影法、迭代重建法和压缩感知法。
进一步的,当采用螺旋扫描方式进行扫描时,所述步骤(2)中采用去伪影的图像重建方法对低电压扫描数据和高电压扫描数据分别进行图像重建,具体步骤包括:
(51)构建训练数据:获得清晰的无伪影CT图像作为目标图像;通过对与目标图像相应的体模进行螺旋CT扫描得到螺旋扫描锥形束投影数据,对螺旋扫描锥形束投影数据通过现有的图像重建方法进行图像重建,得到初始图像;将初始图像经过数值模拟过程产生对应的模拟锥形束投影数据;对模拟锥形束投影数据采用与初始图像相同的图像重建方法重建得到二次图像;
(52)搭建卷积神经网络,在卷积神经网络的输入层增加一个输入通道,即构建好的卷积神经网络具有两个输入通道;将初始图像和二次图像分别送入两个输入通道,通过卷积神经网络提取初始图像和二次图像的灰度信息、结构信息,并根据提取出的灰度信息、结构信息进行自主学习后估计真实图像;
(53)构建关于目标图像和估计真实图像的损失函数,利用梯度下降法训练所述卷积神经网络;所述损失函数为:
其中,Img表示卷积神经网络的输出图像,Imgture表示与Img对应的目标图像,Imgk表示图像Img中第k个像素点的表示像素值,Imgture,k表示图像Imgture中第k个像素点的表示像素值;
(54)对于步骤(1)中得到的低电压螺旋扫描锥形束投影数据和高电压螺旋扫描锥形束投影数据,分别采用步骤(51)所述的方法得到初始图像和二次图像;将得到的初始图像和二次图像送入训练好的卷积神经网络,得到相应的清晰无伪影的高/电压重建图像。
具体的,所述卷积神经网络包括:CNN、ResNet和Unet。
有益效果:与现有技术相比,本发明具有以下优势:
本发明在实现方式上虽然与GE一样是通过高压切换来实现双能扫描,但是本发明不需要像GE的系统一样在每次采样都进行切换。切换的速度可以根据现有硬件的条件来调整,不需要对硬件进行任何改动,因此实现成本极低。由于切换速度的降低,电压能保持和单能扫描一样的稳定性,因此不需要进行特殊的校准。曝光电流也容易修改,而且有能力实现自动电流调制。总体来说,相对于GE的高速切换方式,本发明主要有成本低,易实现,能量分离大,剂量低的优点。
附图说明
图1为本发明的流程图;
图2为采用轴扫描方式时,分别在低电压和高电压扫描完整的两圈数据示意图;
图3为采用轴扫描方式时,在同一圈内切换多次高低电压,得到的相邻两圈扫描数据的示意图;
图4为采用轴扫描方式时,在高、低电压分别扫描两个半圈数据的示意图;
图5为螺旋模式下每隔一圈切换低电压和高电压的扫描数据示意图;
图6为螺旋模式下每隔0.75圈切换低电压和高电压的扫描数据示意图;
图7为螺旋模式下在特定的方向上降低电流或完全关闭射线的扫描数据示意图;
图8为卷积神经网络的结构图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明所提出的能谱CT成像方法是基于传统CT系统而提出的,通过常规CT系统实现更加灵活的电压切换的扫描方式来采集数据,并利用图像重建和能谱分解技术来得到能谱图像。该方法在硬件上不需要进行任何更改。
对于能谱成像来说,最关键的就是要获得不同能谱的物质信息。本发明提出了一种利用现有CT硬件,在只改变扫描控制方式的基础上,在低电压和高电压之间进行切换,得到一组复合能量下的扫描数据,然后利用高级重建技术,实现双能扫描的方法。CT系统的一次扫描中,高压控制器在低电压和高电压中以现有硬件支持的速度反复切换,达到双能扫描的目的,扫描方式可以是轴扫,也可以是螺旋扫描。扫描过程中,高压发生器在低电压和高电压之间来回切换。切换的频率可以调整,保证在每个能量下,能有足够的数据分别独立重建低电压和高电压的图像。
扫描通常有轴扫描模式和螺旋扫描模式。
在轴扫模式下,病床不动,为了让曝光后在低电压和高电压都能有足够的数据重建图像,一般来说每个电压下面都需要有至少半圈完整的数据。这种模式下,可以设计多种切换方式。
图2至4给出了在扫描周期为2圈的情况下的3种轴扫模式下的扫描数据示意图。其中,图2为采用轴扫描方式时,分别在低电压和高电压扫描一圈完整的数据。图3为采用轴扫描方式时,扫描两圈完整的数据,其中每圈内切换数次,但是第一圈和第二圈的切换方式相反,即第一圈内的高电压区域与第二圈的低电压区域互相重合,第一圈的低电压区域与第二圈的高电压区域互相重合。图4为采用轴扫描方式时,在高、低电压分别扫描两个半圈数据的示意图。在这些切换模式下,低电压和高电压都分别有足够的数据重建出图像。
在螺旋扫描模式下,我们可以通过控制螺距和切换间隔,来保证低电压和高电压下能分别重建出完整的图像。在螺旋扫描模式下,螺距是p(每圈的移动距离/扫描宽度)。每个扫描切换的周期可以按照1/p圈来规定,比如p=0.5,每两圈就是一个扫描周期。对于每一个扫描周期,图5至7给出了3种螺旋扫描模式下的扫描数据示意图。其中,图5是螺旋模式下射线源每旋转一圈切换一次电压;图6是螺旋模式下射线源每旋转0.75圈切换一次电压;图7是螺旋模式下射线源以高电压扫描0.75圈后切换低电压再扫描0.75圈,但是前一次扫描和后一次扫描之间引入时间间隔(约为0.25圈),在这个时间间隔内降低电流或者完全关闭射线。
如图7这种情况,射线源每旋转N圈切换一次高低电压,0.5≤N<1,只需要保证一个扫描周期内至少分别获得半圈高电压扫描数据和低电压扫描数据即可,前一次高压/低压扫描和后一次低压/高压扫描之间关闭或不关闭射线。这个N也可以取其他满足条件的值,比如如p=0.5,N=0.75圈,这样情况下如果在前后两次扫描之间关闭射线的话,关闭时间此处就是vof=0.5圈;或者可以取p=0.75,N=0.75圈,这样vof=0圈。
上述的轴扫描和螺旋双能扫描方式,低电压和高电压的曝光数据都能独立重建出整个扫描范围内的图像。在获得低电压和高电压图像后,可以直接在图像域进行物质分解。
下面通过具体实施方式来进一步说明本发明的技术方案,实施例提出的复合能谱CT成像方法流程如图1所示,包括步骤:
Step1:基于图2至7中举例说明的电压切换形式,利用现有CT系统进行扫描。电压的切换间隔可以采用系统硬件能够达到的速度。比如扫描转速是0.5秒一圈,采用0.75圈切换一次,低电压是80kVp,高电压是140kVp。
Step2:通过扫描采集数据后,对低电压和高电压数据分别进行校正和预处理,利用CT图像重建技术对两种电压的图像分别进行重建。
对于轴扫描数据,其重建算法包括但不限于:滤波反投影,迭代重建,压缩感知等。
对于螺旋扫描数据,在分别重建低电压和高电压的扫描数据的时候,由于切换的频率比较低,再加上重建误差和锥角(正比于探测器的排数)的平方成正比,所以当探测器排数增大到128甚至256排的时候就会带来很大的误差,具体体现在重建后的图像中存在较为严重的伪影。为了消除图像伪影,这里优选提供了一种改进的螺旋重建方法来减少锥形束伪影对图像质量带来的影响,具体包括以下步骤:
1)构建训练数据:获得清晰的无伪影CT图像作为目标图像;通过对与目标图像相应的体模进行螺旋CT扫描得到螺旋扫描锥形束投影数据,对螺旋扫描锥形束投影数据通过现有的图像重建方法进行图像重建,得到初始图像;将初始图像经过数值模拟过程产生对应的模拟锥形束投影数据;对模拟锥形束投影数据采用与初始图像相同的图像重建方法重建得到二次图像;
2)搭建如图8所示的卷积神经网络,在卷积神经网络的输入层增加一个输入通道,即构建好的卷积神经网络具有两个输入通道;将初始图像和二次图像分别送入两个输入通道,通过卷积神经网络提取初始图像和二次图像的灰度信息、结构信息,并根据提取出的灰度信息、结构信息进行自主学习后估计真实图像;
3)构建关于目标图像和估计真实图像的损失函数,利用梯度下降法训练所述卷积神经网络;所述损失函数为:
其中,Img表示卷积神经网络的输出图像,Imgture表示与Img对应的目标图像,Imgk表示图像Img中第k个像素点的表示像素值,Imgture,k表示图像Imgture中第k个像素点的表示像素值;
4)对于步骤(1)中得到的低电压螺旋扫描锥形束投影数据和高电压螺旋扫描锥形束投影数据,分别采用步骤1)所述的方法得到初始图像和二次图像;将得到的初始图像和二次图像送入训练好的卷积神经网络,得到相应的清晰无伪影的高/电压重建图像。
上述改进的螺旋重建方法中,所述的现有的图像重建方法包括但不限于滤波反投影法、迭代重建法和压缩感知法,所述卷积神经网络包括:CNN、ResNet和Unet。
Step3:得到的两个电压的重建图像可以直接在图像域进行物质分解。物质分解时,图像域的多项式的分解函数F可以通过下面的方法来求解得到:
其中,Fwat、Fiod分别表示待求解的图像阈物质分解的函数,通常用多项式表示;j表示输入的高电压图像/低电压图像的每个像素的索引值;Imglow、Imghigh分别表示图像重建得到的低电压图像和高电压图像,Imgwat、Imgiod分别表示真实的水基图像和碘基图像,通常可以通过体模测量或数值仿真提前设定得到。
目前能通过高压切换进行双能扫描的商业CT系统是GE的高速切换能谱CT。该产品在硬件上需要改变高压发生器的设计,同时降低对稳压的要求来达到高速切换的目的。这种实现方式在硬件上有成本投入,系统的能谱扫描需要进行特殊的校准,而且扫描协议中不能随意修改曝光电流,导致无法进行电流调制来降低辐射剂量。
本发明在实现方式上虽然与GE一样是通过高压切换来实现双能扫描,但是本发明不需要像GE的系统一样在每次采样都进行切换。切换的速度可以根据现有硬件的条件来调整,不需要对硬件进行任何改动,因此实现成本极低。由于切换速度的降低,电压能保持和单能扫描一样的稳定性,因此不需要进行特殊的校准。曝光电流也容易修改,而且有能力实现自动电流调制。总体来说,相对于GE的高速切换方式,本发明主要有成本低,易实现,能量分离大,剂量低的优点。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种复合能谱CT成像方法,其特征在于,包括步骤:
(1)在扫描过程中通过高压发生器按照指定频率切换低电压和高电压,获得复合扫描数据,具体包括在一个扫描周期内进行a、b、c所述的任意一种切换方式:
a.射线源每旋转一圈切换一次高低电压;
b.射线源每旋转N圈切换一次高低电压,0.5≤N<1,且保证一个扫描周期内至少分别获得半圈高电压扫描数据和低电压扫描数据,前一次高压/低压扫描和后一次低压/高压扫描之间关闭或不关闭射线;
c.在每一圈扫描过程中切换多次,相邻两圈扫描过程中电压切换方式互补,使获得的每一圈扫描数据中高电压扫描数据区域和低电压扫描数据区域交替分布,而相邻两圈扫描数据中,前一圈的高电压扫描数据区域与后一圈的低电压扫描数据区域在位置上一一对应;
(2)对低电压扫描数据和高电压扫描数据分别进行图像重建,得到低电压图像和高电压图像;
(3)对重建后的低电压图像和高电压图像进行图像域的物质分解得到基物质图像。
2.根据权利要求1所述的一种复合能谱CT成像方法,其特征在于,所述扫描获得扫描包括轴扫描和螺旋扫描。
4.根据权利要求1所述的一种复合能谱CT成像方法,其特征在于,所述图像重建的方法包括:滤波反投影法、迭代重建法和压缩感知法。
5.根据权利要求2所述的一种复合能谱CT成像方法,其特征在于,当采用螺旋扫描方式进行扫描时,所述步骤(2)中采用去伪影的图像重建方法对低电压扫描数据和高电压扫描数据分别进行图像重建,具体步骤包括:
(51)构建训练数据:获得清晰的无伪影CT图像作为目标图像;通过对与目标图像相应的体模进行螺旋CT扫描得到螺旋扫描锥形束投影数据,对螺旋扫描锥形束投影数据通过现有的图像重建方法进行图像重建,得到初始图像;将初始图像经过数值模拟过程产生对应的模拟锥形束投影数据;对模拟锥形束投影数据采用与初始图像相同的图像重建方法重建得到二次图像;
(52)搭建卷积神经网络,在卷积神经网络的输入层增加一个输入通道,即构建好的卷积神经网络具有两个输入通道;将初始图像和二次图像分别送入两个输入通道,通过卷积神经网络提取初始图像和二次图像的灰度信息、结构信息,并根据提取出的灰度信息、结构信息进行自主学习后估计真实图像;
(53)构建关于目标图像和估计真实图像的损失函数,利用梯度下降法训练所述卷积神经网络;所述损失函数为:
其中,Img表示卷积神经网络的输出图像,Imgture表示与Img对应的目标图像,Imgk表示图像Img中第k个像素点的表示像素值,Imgture,k表示图像Imgture中第k个像素点的表示像素值;
(54)对于步骤(1)中得到的低电压螺旋扫描锥形束投影数据和高电压螺旋扫描锥形束投影数据,分别采用步骤(51)所述的方法得到初始图像和二次图像;将得到的初始图像和二次图像送入训练好的卷积神经网络,得到相应的清晰无伪影的高/电压重建图像。
6.根据权利要求5所述的一种复合能谱CT成像方法,其特征在于,所述卷积神经网络包括:CNN、ResNet和Unet。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910950111.1A CN110742635B (zh) | 2019-10-08 | 2019-10-08 | 一种复合能谱ct成像方法 |
PCT/CN2020/108820 WO2021068643A1 (zh) | 2019-10-08 | 2020-08-13 | 一种复合能谱ct成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910950111.1A CN110742635B (zh) | 2019-10-08 | 2019-10-08 | 一种复合能谱ct成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110742635A true CN110742635A (zh) | 2020-02-04 |
CN110742635B CN110742635B (zh) | 2021-10-08 |
Family
ID=69277715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910950111.1A Active CN110742635B (zh) | 2019-10-08 | 2019-10-08 | 一种复合能谱ct成像方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110742635B (zh) |
WO (1) | WO2021068643A1 (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068643A1 (zh) * | 2019-10-08 | 2021-04-15 | 南京安科医疗科技有限公司 | 一种复合能谱ct成像方法 |
CN112656436A (zh) * | 2020-12-21 | 2021-04-16 | 明峰医疗系统股份有限公司 | 一种ct变速扫描调节剂量方法 |
CN113509651A (zh) * | 2021-07-21 | 2021-10-19 | 苏州雷泰医疗科技有限公司 | 一种具备能谱ct功能的直线加速器、控制方法及存储介质 |
WO2023077366A1 (en) * | 2021-11-04 | 2023-05-11 | Shenzhen Xpectvision Technology Co., Ltd. | Imaging methods using radiation detectors in computer tomography |
CN116458906A (zh) * | 2023-06-19 | 2023-07-21 | 有方(合肥)医疗科技有限公司 | 侧位图生成方法、装置、电子设备及存储介质 |
CN113509651B (zh) * | 2021-07-21 | 2024-10-01 | 苏州雷泰医疗科技有限公司 | 一种具备能谱ct功能的直线加速器、控制方法及存储介质 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114403912A (zh) * | 2022-01-17 | 2022-04-29 | 明峰医疗系统股份有限公司 | 一种基于深度学习的能谱ct有效原子序数估计方法 |
CN114947915A (zh) * | 2022-05-19 | 2022-08-30 | 国网河南省电力公司电力科学研究院 | Ct局部成像法 |
CN115227275B (zh) * | 2022-09-23 | 2022-12-30 | 中国科学技术大学 | 一种旋转阻挡器和基于该旋转阻挡器的散射伪影校正方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101229063A (zh) * | 2006-12-18 | 2008-07-30 | Ge医疗系统环球技术有限公司 | X射线计算机层析摄影设备 |
US8165264B2 (en) * | 2009-01-28 | 2012-04-24 | Kabushiki Kaisha Toshiba | Method of pre-reconstruction decomposition for fast kV-switching acquisition in dual energy computed tomography (CT) |
CN203149136U (zh) * | 2012-12-31 | 2013-08-21 | 清华大学 | 多能ct成像系统 |
CN103913779A (zh) * | 2012-12-31 | 2014-07-09 | 清华大学 | 多能ct成像系统以及成像方法 |
CN104414675A (zh) * | 2013-09-06 | 2015-03-18 | 西门子公司 | 用于双能谱ct 扫描和图像重建的方法和x 光系统 |
CN106859677A (zh) * | 2017-01-16 | 2017-06-20 | 沈阳东软医疗系统有限公司 | 双能ct扫描图像重建方法及装置 |
CN107356615A (zh) * | 2016-05-10 | 2017-11-17 | 清华大学 | 一种用于双能x射线ct的方法和系统 |
CN108010098A (zh) * | 2017-12-04 | 2018-05-08 | 首都师范大学 | 一种双能谱ct基材料图像迭代重建方法 |
CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
US20180293762A1 (en) * | 2017-04-05 | 2018-10-11 | General Electric Company | Tomographic reconstruction based on deep learning |
CN109064521A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 一种使用深度学习的cbct去伪影方法 |
US20180374245A1 (en) * | 2017-06-26 | 2018-12-27 | Elekta, Inc. | Image quality in cone beam computed tomography images using deep convolutional neural networks |
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 |
CN110047113A (zh) * | 2017-12-29 | 2019-07-23 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备和存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013144038A (ja) * | 2012-01-16 | 2013-07-25 | Toshiba Corp | X線ct装置 |
CN104882350A (zh) * | 2015-06-11 | 2015-09-02 | 杭州与盟医疗技术有限公司 | 一种提供多能量和更大覆盖范围x射线球管系统 |
EP3453327A1 (en) * | 2017-09-08 | 2019-03-13 | Koninklijke Philips N.V. | Method for determining a spectral computed tomography scan protocol |
CN109448071B (zh) * | 2018-11-06 | 2023-05-16 | 深圳安科高技术股份有限公司 | 一种能谱图像重建方法及系统 |
CN110060315B (zh) * | 2019-04-22 | 2023-07-21 | 深圳安科高技术股份有限公司 | 一种基于人工智能的图像运动伪影消除方法及系统 |
CN110742635B (zh) * | 2019-10-08 | 2021-10-08 | 南京安科医疗科技有限公司 | 一种复合能谱ct成像方法 |
-
2019
- 2019-10-08 CN CN201910950111.1A patent/CN110742635B/zh active Active
-
2020
- 2020-08-13 WO PCT/CN2020/108820 patent/WO2021068643A1/zh active Application Filing
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101229063A (zh) * | 2006-12-18 | 2008-07-30 | Ge医疗系统环球技术有限公司 | X射线计算机层析摄影设备 |
US8165264B2 (en) * | 2009-01-28 | 2012-04-24 | Kabushiki Kaisha Toshiba | Method of pre-reconstruction decomposition for fast kV-switching acquisition in dual energy computed tomography (CT) |
CN203149136U (zh) * | 2012-12-31 | 2013-08-21 | 清华大学 | 多能ct成像系统 |
CN103913779A (zh) * | 2012-12-31 | 2014-07-09 | 清华大学 | 多能ct成像系统以及成像方法 |
CN104414675A (zh) * | 2013-09-06 | 2015-03-18 | 西门子公司 | 用于双能谱ct 扫描和图像重建的方法和x 光系统 |
CN107356615A (zh) * | 2016-05-10 | 2017-11-17 | 清华大学 | 一种用于双能x射线ct的方法和系统 |
CN106859677A (zh) * | 2017-01-16 | 2017-06-20 | 沈阳东软医疗系统有限公司 | 双能ct扫描图像重建方法及装置 |
US20180293762A1 (en) * | 2017-04-05 | 2018-10-11 | General Electric Company | Tomographic reconstruction based on deep learning |
US20180374245A1 (en) * | 2017-06-26 | 2018-12-27 | Elekta, Inc. | Image quality in cone beam computed tomography images using deep convolutional neural networks |
CN109242920A (zh) * | 2017-07-11 | 2019-01-18 | 清华大学 | 物质分解方法、装置和系统 |
CN108010098A (zh) * | 2017-12-04 | 2018-05-08 | 首都师范大学 | 一种双能谱ct基材料图像迭代重建方法 |
CN110047113A (zh) * | 2017-12-29 | 2019-07-23 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备和存储介质 |
CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
CN109064521A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 一种使用深度学习的cbct去伪影方法 |
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 |
Non-Patent Citations (5)
Title |
---|
CHENYU YOU ET.AL: "Structurally-Sensitive Multi-Scale Deep Neural Network for Low-Dose CT Denoising", 《IEEE ACCESS》 * |
JI ZHAO ET.AL: "Unsupervised Learnable Sinogram Inpainting Network (SIN) for Limited Angle CT reconstruction", 《ELECTRICAL ENGINEERING AND SYSTEMS SCIENCE》 * |
中国科学技术协会: "《体视学学科发展报告》", 28 February 2014, 中国科学技术出版社 * |
周丽平: "螺旋束CT系统重建及射束硬化伪影抑制方法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
张慧娟: "基于卷积神经网络的低剂量CT图像处理方法", 《计算机科学与技术 图像处理与科学可视化》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068643A1 (zh) * | 2019-10-08 | 2021-04-15 | 南京安科医疗科技有限公司 | 一种复合能谱ct成像方法 |
CN112656436A (zh) * | 2020-12-21 | 2021-04-16 | 明峰医疗系统股份有限公司 | 一种ct变速扫描调节剂量方法 |
CN113509651A (zh) * | 2021-07-21 | 2021-10-19 | 苏州雷泰医疗科技有限公司 | 一种具备能谱ct功能的直线加速器、控制方法及存储介质 |
CN113509651B (zh) * | 2021-07-21 | 2024-10-01 | 苏州雷泰医疗科技有限公司 | 一种具备能谱ct功能的直线加速器、控制方法及存储介质 |
WO2023077366A1 (en) * | 2021-11-04 | 2023-05-11 | Shenzhen Xpectvision Technology Co., Ltd. | Imaging methods using radiation detectors in computer tomography |
CN116458906A (zh) * | 2023-06-19 | 2023-07-21 | 有方(合肥)医疗科技有限公司 | 侧位图生成方法、装置、电子设备及存储介质 |
CN116458906B (zh) * | 2023-06-19 | 2023-09-22 | 有方(合肥)医疗科技有限公司 | 侧位图生成方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110742635B (zh) | 2021-10-08 |
WO2021068643A1 (zh) | 2021-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110742635B (zh) | 一种复合能谱ct成像方法 | |
DE102011076346B4 (de) | Verfahren und Computertomographiesystem zur Erzeugung tomographischer Bilddatensätze | |
US7272429B2 (en) | Methods and apparatus for facilitating a reduction in artifacts | |
US9036886B2 (en) | System and method for correcting for metal artifacts using multi-energy computed tomography | |
US9888894B2 (en) | Multi-energy X-ray imaging | |
US8160206B2 (en) | Dual-energy imaging at reduced sample rates | |
CN106725569A (zh) | 骨硬化伪影校正方法及装置 | |
DE2339758A1 (de) | Roentgendiagnostikeinrichtung zur herstellung eines transversal-schichtbildes | |
DE102010042388A1 (de) | Verfahren zur Kalibrierung eines CT-Systems mit zumindest einer Fokus-Detektor-Kombination mit einem quantenzählenden Detektor | |
DE102011076351A1 (de) | Verfahren und Computertomographiesystem zur Erzeugung tomographischer Bilddatensätze | |
CN110179486B (zh) | 多能量ct成像系统及其应用 | |
WO2014106956A1 (ja) | X線コンピュータ断層撮影装置及び医用画像処理装置 | |
DE102016217639B3 (de) | Verfahren zur Rekonstruktion spektraler Ergebnisbilddaten, Bildrekonstruktionseinrichtung, Computertomographiesystem, Computerprogrammprodukt und computerlesbares Medium | |
CN110533734B (zh) | 基于传统单能ct的多能谱分段稀疏扫描迭代重建方法 | |
CN109272472A (zh) | 面向医用能谱ct图像的噪声及伪影消除方法 | |
US20150178957A1 (en) | Iterative reconstruction for spectral ct based upon combined data of full views of intensity data and sparse views of spectral data | |
DE102015207107A1 (de) | Verfahren zur Erzeugung einer virtuellen Röntgenprojektion anhand eines mittels Röntgenbildaufnahmevorrichtung erhaltenen Bilddatensatzes, Computerprogramm, Datenträger sowie Röntgenbildaufnahmevorrichtung | |
DE202014002844U1 (de) | Röntgenfilter und Röntgengerät | |
US20120163557A1 (en) | Methods and phantoms for calibrating an imaging system | |
Taguchi et al. | Photon counting detector computed tomography | |
CN108283503A (zh) | 一种ct机、扫描方法及图像重建方法 | |
CN110047114B (zh) | 用于改善计算机断层扫描中的空间分辨率的系统和方法 | |
CN103654818A (zh) | 一种实现多能量ct扫描重建的方法及装置 | |
US20150335306A1 (en) | System and method for ultra-high resolution tomographic imaging | |
DE102012105678A1 (de) | Verfahren und System zur dosisreduzierten Röntgenbildgebung |
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 |