CN111062882A - 一种能谱投影数据处理方法、装置、电子设备及存储介质 - Google Patents
一种能谱投影数据处理方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111062882A CN111062882A CN201911184027.XA CN201911184027A CN111062882A CN 111062882 A CN111062882 A CN 111062882A CN 201911184027 A CN201911184027 A CN 201911184027A CN 111062882 A CN111062882 A CN 111062882A
- Authority
- CN
- China
- Prior art keywords
- substance
- projection data
- target
- attenuation coefficient
- decomposition
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 79
- 238000003672 processing method Methods 0.000 title description 4
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 151
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 114
- 239000000126 substance Substances 0.000 claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 51
- 239000000463 material Substances 0.000 claims description 22
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 abstract description 36
- 230000000694 effects Effects 0.000 abstract description 31
- 238000010586 diagram Methods 0.000 description 25
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 19
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 18
- 229910052740 iodine Inorganic materials 0.000 description 18
- 239000011630 iodine Substances 0.000 description 18
- 238000002591 computed tomography Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- -1 e.g. Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- PNDPGZBMCMUPRI-UHFFFAOYSA-N iodine Chemical compound II PNDPGZBMCMUPRI-UHFFFAOYSA-N 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明实施例公开了一种能谱投影数据处理方法、装置、电子设备及存储介质。通过获取目标对象的能谱投影数据，基于基物质分解算法和正则化算法生成目标分解算法，基于目标分解算法对能谱投影数据进行迭代处理，实现将基物质分解和降噪进行结合迭代处理，得到目标对象的分解数据，解决了现有技术中不能很好的利用基物质分解的结果与噪声以及伪影之间的相关性进行降噪的问题，达到了通过将基物质分解算法和正则化算法结合并对能谱投影数据进行迭代处理，以进行降噪的目的，可以提高能谱投影数据的降噪处理效果。
Description
技术领域
本发明实施例涉及图像处理技术，尤其涉及一种能谱投影数据处理方法、装置、电子设备及存储介质。
背景技术
能谱CT(Computed Tomography，电子计算机断层扫描)作为一种新型的电子计算断层扫描，其是单能量成像，可以提供多个单能量成像、基物质成像、能谱曲线以及有效原子序数等。通过能谱CT扫描可获得不同能谱下的投影数据。
现有技术中，对能谱CT的投影数据进行处理时，通常将投影数据进行直接进行基物质分解，然后对基物质分解的结果进行降噪。但是，基物质分解的结果与噪声以及伪影有很高的相关性，使能谱投影数据的处理效果受限。
发明内容
本发明实施例提供了一种能谱投影数据处理方法、装置、电子设备及存储介质，以实现在将降噪过程和分解过程有效结合，提高能谱投影数据的处理效果。
第一方面，本发明实施例提供了一种能谱投影数据处理方法，其中，包括：
获取目标对象的能谱投影数据；
基于基物质分解算法和正则化算法生成目标分解算法；
基于所述目标分解算法对所述能谱投影数据进行迭代处理，得到所述目标对象的分解数据。
第二方面，本发明实施例还提供了一种能谱投影数据处理装置，其特在，包括：
能谱投影数据获取模块，用于获取目标对象的能谱投影数据；
目标分解算法生成模块，用于基于基物质分解算法和正则化算法生成目标分解算法；
分解数据确定模块，用于基于所述目标分解算法对所述投影数据进行迭代处理，得到所述目标对象的分解数据。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如第一方面中任一项所述的能谱投影数据处理方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，其中，所述计算机可执行指令在由计算机处理器执行时实现如第一方面中任一项所述的能谱投影数据处理方法。
本发明实施例的技术方案，通过获取目标对象的能谱投影数据，基于基物质分解算法和正则化算法生成目标分解算法，基于目标分解算法对能谱投影数据进行迭代处理，实现将基物质分解和降噪进行结合迭代处理，然后得到目标对象的分解数据，解决了现有技术中不能很好的利用基物质分解的结果与噪声以及伪影之间的相关性进行降噪的问题，达到了通过将基物质分解算法和正则化算法结合并对能谱投影数据进行迭代处理，以进行降噪的目的，可以提高能谱投影数据的降噪处理效果。
附图说明
图1为本发明实施例一提供的一种能谱投影数据处理方法的流程示意图；
图2a为现有技术中提供的直接分解得到的水的分解数据的效果图；
图2b为本发明实施例一提供的将分解和降噪结合迭代分解得到的水的分解数据的效果图；
图2c为现有技术中提供的直接分解得到的碘的分解数据的效果图；
图2d为本发明实施例一提供的将分解和降噪结合迭代分解得到的碘的分解数据的效果图；
图2e为现有技术中提供的直接分解得到的水的分解数据对应的冠状位曲面重建图像的效果图；
图2f为本发明实施例二提供的水的分解数据对应的冠状位曲面重建图像的效果图；
图2g为现有技术中提供的直接分解得到的碘的分解数据对应的冠状位曲面重建图像的效果图；
图2h为本发明实施例二提供的碘的分解数据对应的冠状位曲面重建图像的效果图；
图3为本发明实施例二提供的一种能谱投影数据处理方法的流程示意图；
图4a为本发明实施例二提供的分解与二维平面降噪结合迭代分解的水的分解数据对应的冠状位曲面重建图像的效果图；
图4b为本发明实施例二提供的分解与在三维空间降噪结合迭代分解的水的分解数据对应的冠状位曲面重建图像的效果图；
图4c为本发明实施例二提供的分解与在二维平面降噪结合迭代分解的碘的分解数据对应的冠状位曲面重建图像的效果图；
图4d为本发明实施例二提供的分解与在三维空间降噪结合迭代分解的碘的分解数据对应的冠状位曲面重建图像的效果图；
图5为本发明实施例三提供的一种能谱投影数据处理装置的结构示意图；
图6为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种能谱投影数据处理方法的流程示意图，本实施例可适用于在将分解过程和降噪过程结合，对能谱投影数据进行处理的情况，该方法可以由能谱投影数据的处理装置来执行，其中该装置可由软件和/或硬件实现，并一般集成在电子设备中。具体参见图1所示，该方法可以包括如下步骤：
S110，获取目标对象的能谱投影数据。
其中，目标对象可以理解为被扫描对象。示例性地，被扫描对象可以是人体、动物体或者一些仿真实验体等。目标对象也可以为被扫描个体的局部待扫描区域。例如，可以是被扫描的人体的头部区域或胸部区域等，目标对象可以包括多种物质，例如，水、碳以及被标记的追踪物质碘等。
可以理解的是，利用能谱CT对目标对象进行扫描时，分别通过不同能量的球管对目标对象进行扫描，并通过探测器获取不同能量的能谱投影数据，例如，获取高能衰减系数和低能衰减系数。
S120，基于基物质分解算法和正则化算法生成目标分解算法。
本实施例中，在对目标对象的能谱投影数据进行降噪处理时，为了很好的利用能谱投影数据的基物质分解结果与噪声以及伪影的相关性，可以将基物质处理过程和降噪过程作为一个整体进行处理，即可以将基物质分解算法和正则化算法结合生成目标分解算法，以使后续根据目标分解算法进行降噪处理。可选地，基物质分解算法为：
其中，为所述能谱投影数据中的高能衰减系数，ul为所述能谱投影数据中的低能衰减系数，u1为第一物质分量，u2为第二物质分量，C11为第一物质在高能下的线性物质衰减系数，C12第二物质在高能下的线性物质衰减系数，21为所述第一物质在低能下的线性物质衰减系数，C22为第二物质在低能下的线性物质衰减系数。
可选地，正则化算法为：
其中，
为线性衰减系数沿x方向的微分，
为线性衰减系数沿y方向的微分，
为正则化项。
需要说明的是，在基物质分解算法中，高能衰减系数和低能衰减系数均属于上述S110中的能谱投影数据；第一物质在第一物质在高能下的线性物质衰减系数、第二物质在高能下的线性物质衰减系数、第一物质在低能下的线性物质衰减系数以及第二物质在低能下的线性物质衰减系数也可以理解为与能谱相关的物质衰减系数；第一物质分量和第二物质分量可以与物质密度以及该物质的在对应能量下的质量衰减系数相关；在正则化算法中，线性衰减系数可以包括基物质分解算法中的高能衰减系数和低能衰减系数，也就是说，将基物质分解算法和正则化算法进行结合时，可以将高能衰减系数沿x方向的微分和低能衰减系数x方向的微分，以及将高能衰减系数沿y方向的微分和低能衰减系数y方向的微分带入到上述正则化算法中，以生成目标分解算法。
可选地，目标分解算法为：
其中，γ1为第一物质的正则化项系数，γ2为第二物质的正则化项系数，ux1为第一物质沿x方向的梯度，uy1为第一物质沿y方向的梯度，ux2为第二物质沿x方向的梯度，uy2为第二物质沿y方向的梯度，λh为高能数据保真项系数，γl为低能数据保真项系数，E为目标函数。
S130，基于目标分解算法对能谱投影数据进行迭代处理，得到目标对象的分解数据。
本实施例中，为了对目标对象的能谱投影数据进行降噪处理，可以对目标分解算法中的目标函数进行多次迭代，以使目标函数收敛，并将目标函数收敛时对应的第一物质分量和第二物质分量确定为分解数据，完成对能谱投影数据的分解。相比于现有技术，没有直接计算出高能衰减值和低能衰减值，然后对高能衰减值和低能衰减值进行降噪，而是采用通过将基物质分解算法和正则化算法进行结合的方式对能谱投影数据进行处理，并利用高能衰减值和低能衰减值的相关性进行迭代处理，达到降噪处理的目的。
示例性地，如图2a所示为现有技术中提供的直接分解得到的水的分解数据的效果图，图2b所示为本实施例提供的将分解和降噪结合迭代分解得到的水的分解数据的效果图，对比图2a和图2b可以看出，本实施得到的水的分解数据的噪声明显少于现有技术中水的分解数据的噪声；如图2c所示为现有技术中提供的直接分解得到的碘的分解数据的效果图，图2d所示为本实施例提供的将分解和降噪结合迭代分解得到的碘的分解数据的效果图，对比图2c和图2d可以看出，本实施得到的碘的分解数据的噪声明显少于现有技术中碘的分解数据的噪声。
可选地，为了更清晰的观察目标对象的噪声处理结果，可以对能谱投影数据降噪后得到的分解数据进行曲面重建，得到对应的曲面重建图像。如图2e为现有技术中提供的直接分解得到的水的分解数据对应的冠状位曲面重建图像的效果图，图2f为本发明实施例得到的水的分解数据对应的冠状位曲面重建图像的效果图，对比图2e和图2f可以看出，本实施得到的水的分解数据的曲面重建图像中的噪声明显少于现有技术中水的分解数据的曲面重建图像中的噪声；如图2g现有技术中提供的直接分解得到的碘的分解数据对应的冠状位曲面重建图像的效果图，图2h为本发明实施例提供的碘的分解数据对应的冠状位曲面重建图像的效果图，对比图2g和图2h可以看出，本实施得到的碘的分解数据的曲面重建图像中的噪声明显少于现有技术中碘的分解数据的曲面重建图像中的噪声。
本实施例提供的技术方案，通过获取目标对象的能谱投影数据，基于基物质分解算法和正则化算法生成目标分解算法，基于目标分解算法对能谱投影数据进行迭代处理，实现将基物质分解和降噪进行结合迭代处理，然后得到目标对象的分解数据，解决了现有技术中不能很好的利用基物质分解的结果与噪声以及伪影之间的相关性进行降噪的问题，达到了通过将基物质分解算法和正则化算法结合并对能谱投影数据进行迭代处理，以进行降噪的目的，可以提高能谱投影数据的降噪处理效果。
实施例二
图3为本发明实施例二提供的一种能谱投影数据处理方法的流程示意图。本实施例的技术方案在上述实施例的基础上进行了细化，可选地，所述基于所述目标分解算法对所述能谱投影数据进行迭代处理，得到所述目标对象的分解数据，包括：将所述能谱投影数据中的所述高能衰减系数和所述低能衰减系数输入至所述目标分解算法中；根据所述高能衰减系数和所述低能衰减系数，计算得到所述目标函数；基于预设的所述正则化项系数对所述目标函数进行迭代，直至所述目标函数收敛，并将收敛的目标函数对应的第一物质分量和第二物质分量确定为所述分解数据。具体参见图3所示，本实施例的方法可以包括如下步骤：
S310，获取目标对象的能谱投影数据。
S320，基于基物质分解算法和正则化算法生成目标分解算法。
S330，将能谱投影数据中的高能衰减系数和低能衰减系数输入至目标分解算法中。
S340，根据高能衰减系数和低能衰减系数，计算得到目标函数。
可以理解的是，通过根据基物质分解算法和正则化算法生成目标分解算法的过程，可以实现将分解和降噪结合，为了通过目标分解算法对能谱投影数据进行降噪处理，可以将高能衰减系数和低能衰减系数输入至目标分解算法，就可以根据高能衰减系数和低能衰减系数，计算得到目标函数，以便于后续对目标函数进行噪声处理。
S350基于预设的正则化项系数对目标函数进行迭代，直至目标函数收敛，并将收敛的目标函数对应的第一物质分量和第二物质分量确定为分解数据。
可选地，可以通过以下方式在二维平面内进行降噪处理：获取预先设定的迭代参数，基于迭代参数，分别迭代更新目标函数，其中，迭代参数包括迭代步长和迭代步数中的至少一个。
可选地，可以预先设置一个收敛条件，收敛条件可以为一个极小值，当目标函数达到该极小值时，可以认为目标函数满足预设收敛条件，可以确定能谱投影数据的噪声最小，并将第一物质分量和第二物质分量确定分解数据。可选地，如果目标函数不满足预设收敛条件，重复执行基于预设的正则化系数对目标函数进行迭代，直至目标函数收敛的步骤，即分别在二维平面内调节正则化系数，直至得到的目标函数最小。通过上述方式，可以实现在二维平面内对能谱投影数据进行降噪处理。
上述S310-S350为在二维平面内确定分解数据，本实施例还可以通过上述S310-S350在三维平面内确定分解数据。可选地，三维空间中的正则化算法为：
其中，
为线性衰减系数沿x方向的微分，
为线性衰减系数沿y方向的微分，
为线性衰减系数沿z方向的微分，将能谱投影数据中的高能衰减系数和低能衰减系数输入至目三维空间内的标分解算法中之后，三维空间中的目标分解算法为：
其中，uz1为第一物质沿z方向的梯度，uz2为第二物质沿z方向的梯度，然后，基于预设的正则化项系数对三维空间中的目标函数进行迭代，直至目标函数收敛，并将收敛的目标函数对应的第一物质分量和第二物质分量确定为分解数据。
图4a为本发明实施例提供的分解与二维平面降噪结合迭代分解的水的分解数据对应的冠状位曲面重建图像的效果图，图4b为本发明实施例提供的分解与在三维空间降噪结合迭代分解的水的分解数据对应的冠状位曲面重建图像的效果图，图4c为本发明实施例提供的分解与在二维平面降噪结合迭代分解的碘的分解数据对应的冠状位曲面重建图像的效果图，图4d为本发明实施例提供的分解与在三维空间降噪结合迭代分解的碘的分解数据对应的冠状位曲面重建图像的效果图，对比图4a和图4b可以看出，三维空间内的水水的分解数据对应的冠状位曲面重建图像中的噪声少于二维平面内的水的分解数据对应的冠状位曲面重建图像的噪声，对比图4c和图4d可以看出，三维空间内的碘的分解数据对应的冠状位曲面重建图像中的噪声少于二维平面内的碘的分解数据对应的冠状位曲面重建图像的噪声。
本实施例提供的技术方案，通过将能谱投影数据中的高能线性衰减系数和低能线性衰减系数输入至目标分解算法中，根据高能衰减系数和所述低能衰减系数，计算得到目标函数，基于预设的正则化项系数对目标函数进行迭代，直至目标函数收敛，并将收敛的目标函数对应的第一物质分量和第二物质分量确定为分解数据，可以达到将分解与二维平面或者三维平面降噪结合迭代分解的目的，实现在二维平面内或者三维平面内提高能谱投影数据的降噪效果。
实施例三
图5为本发明实施例三提供的一种基物质处理装置的结构示意图。参见图5所示，该系统包括：能谱投影数据获取模块51、目标分解算法生成模块52以及分解数据确定模块53。
其中，能谱投影数据获取模块51，用于获取目标对象的能谱投影数据；目标分解算法生成模块52，用于基于基物质分解算法和正则化算法生成目标分解算法；分解数据确定模块53，用于基于目标分解算法对投影数据进行迭代处理，得到目标对象的分解数据。
在上述各技术方案的基础上，基物质分解算法为：
其中，为所述能谱投影数据中的高能衰减系数，ul为所述能谱投影数据中的低能衰减系数，u1为第一物质分量，u2为第二物质分量，C11为第一物质在高能下的线性物质衰减系数，C12第二物质在高能下的线性物质衰减系数，21为所述第一物质在低能下的线性物质衰减系数，C22为第二物质在低能下的线性物质衰减系数。
在上述各技术方案的基础上，正则化算法为：
其中，
为线性衰减系数沿x方向的微分，
为线性衰减系数沿y方向的微分，
为正则化项；
目标分解算法为：
其中，γ1为第一物质的正则化项系数，γ2为第二物质的正则化项系数，ux1为第一物质沿x方向的梯度，uy1为第一物质沿y方向的梯度，ux2为第二物质沿x方向的梯度，uy2为第二物质沿y方向的梯度，λh为高能数据保真项系数，γl为低能数据保真项系数，E为目标函数。
在上述各技术方案的基础上，正则化算法为：
其中，
为线性衰减系数沿x方向的微分，
为线性衰减系数沿y方向的微分，
为线性衰减系数沿z方向的微分；
目标分解算法为：
其中，uz1为第一物质沿z方向的梯度，uz2为第二物质沿z方向的梯度。
在上述各技术方案的基础上，分解数据确定模块53还用于，将能谱投影数据中的高能衰减系数和低能衰减系数输入至目标分解算法中；
根据高能衰减系数和低能衰减系数，计算得到目标函数；
基于预设的正则化项系数对目标函数进行迭代，直至目标函数收敛，并将收敛的目标函数对应的第一物质分量和第二物质分量确定为分解数据。
在上述各技术方案的基础上，分解数据确定模块53还用于，如果目标函数不满足收敛条件，重复执行基于预设的正则化系数对目标函数进行迭代，直至目标函数收敛的步骤。
在上述各技术方案的基础上，分解数据确定模块53还用于，获取预先设定的迭代参数，基于迭代参数，分别迭代更新目标函数，其中，迭代参数包括迭代步长和迭代步数中的至少一个。
本实施例提供的技术方案，通过获取目标对象的能谱投影数据，基于基物质分解算法和正则化算法生成目标分解算法，基于目标分解算法对能谱投影数据进行迭代处理，实现将基物质分解和降噪进行结合迭代处理，然后得到目标对象的分解数据，解决了现有技术中不能很好的利用基物质分解的结果与噪声以及伪影之间的相关性进行降噪的问题，达到了通过将基物质分解算法和正则化算法结合并对能谱投影数据进行迭代处理，以进行降噪的目的，可以提高能谱投影数据的降噪处理效果。
实施例四
图6为本发明实施例四提供的一种电子设备的结构示意图。图6示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图6显示的电子设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如能谱投影数据处理装置的能谱投影数据获取模块51、目标分解算法生成模块52以及分解数据确定模块53)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如能谱投影数据处理装置的能谱投影数据获取模块51、目标分解算法生成模块52以及分解数据确定模块53)程序模块46的程序/实用工具44，可以存储在例如存储器28中，这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种能谱投影数据方法，该方法包括：
获取目标对象的能谱投影数据；
基于基物质分解算法和正则化算法生成目标分解算法；
基于目标分解算法对能谱投影数据进行迭代处理，得到目标对象的分解数据。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种能谱投影数据处理方法。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的一种能谱投影数据处理方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种能谱投影数据处理方法，该方法包括：
获取目标对象的能谱投影数据；
基于基物质分解算法和正则化算法生成目标分解算法；
基于目标分解算法对能谱投影数据进行迭代处理，得到目标对象的分解数据。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的一种能谱投影数据处理法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在能谱投影数据、基物质分解算法、正则化算法、目标分解算法以及分解数据等，其中承载了计算机可读的程序代码。这种传播的能谱投影数据、基物质分解算法、正则化算法、目标分解算法以及分解数据等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是，上述能谱投影数据处理装置的实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种能谱投影数据处理方法，其特征在于，包括：
获取目标对象的能谱投影数据；
基于基物质分解算法和正则化算法生成目标分解算法；
基于所述目标分解算法对所述能谱投影数据进行迭代处理，得到所述目标对象的分解数据。
2.根据权利要求1所述的方法，其特征在于，所述基物质分解算法为：
其中，uh为所述能谱投影数据中的高能衰减系数，ul为所述能谱投影数据中的低能衰减系数，u1为第一物质分量，u2为第二物质分量，C11为第一物质在高能下的线性物质衰减系数，C12第二物质在高能下的线性物质衰减系数，C21为所述第一物质在低能下的线性物质衰减系数，C22为第二物质在低能下的线性物质衰减系数。
3.根据权利要求2所述的方法，其特征在于，所述正则化算法为：
其中，
为线性衰减系数沿x方向的微分，
为线性衰减系数沿y方向的微分，
为正则化项；
所述目标分解算法为：
其中，γ1为第一物质的正则化项系数，γ2为第二物质的正则化项系数，ux1为第一物质沿x方向的梯度，uy1为第一物质沿y方向的梯度，ux2为第二物质沿x方向的梯度，uy2为第二物质沿y方向的梯度，λh为高能数据保真项系数，γl为低能数据保真项系数，E为目标函数。
4.根据权利要求2所述的方法，其特征在于，
所述正则化算法为：
其中，
为线性衰减系数沿x方向的微分，
为线性衰减系数沿y方向的微分，
为线性衰减系数沿z方向的微分；
所述目标分解算法为：
其中，uz1为第一物质沿z方向的梯度，uz2为第二物质沿z方向的梯度。
5.根据权利要求3的方法，其特征在于，所述基于所述目标分解算法对所述能谱投影数据进行迭代处理，得到所述目标对象的分解数据，包括：
将所述能谱投影数据中的所述高能衰减系数和所述低能衰减系数输入至所述目标分解算法中；
根据所述高能衰减系数和所述低能衰减系数，计算得到所述目标函数；
基于预设的所述正则化项系数对所述目标函数进行迭代，直至所述目标函数收敛，并将收敛的目标函数对应的第一物质分量和第二物质分量确定为所述分解数据。
6.根据权利要求5所述的方法，其特征在于，还包括：
如果所述目标函数不满足收敛条件，重复执行所述基于预设的所述正则化系数对所述目标函数进行迭代，直至所述目标函数收敛的步骤。
7.根据权利要求5或6所述的方法，其特征在于，所述基于预设的正则化参数对所述目标函数进行迭代，包括：
获取预先设定的迭代参数，基于所述迭代参数，分别迭代更新所述目标函数，其中，所述迭代参数包括迭代步长和迭代步数中的至少一个。
8.一种能谱投影数据处理装置，其特征在于，包括：
能谱投影数据获取模块，用于获取目标对象的能谱投影数据；
目标分解算法生成模块，用于基于基物质分解算法和正则化算法生成目标分解算法；
分解数据确定模块，用于基于所述目标分解算法对所述投影数据进行迭代处理，得到所述目标对象的分解数据。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述的能谱投影数据处理方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7中任一项所述的能谱投影数据处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184027.XA CN111062882B (zh) | 2019-11-27 | 2019-11-27 | 一种能谱投影数据处理方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911184027.XA CN111062882B (zh) | 2019-11-27 | 2019-11-27 | 一种能谱投影数据处理方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111062882A true CN111062882A (zh) | 2020-04-24 |
| CN111062882B CN111062882B (zh) | 2023-10-03 |
Family
ID=70299048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911184027.XA Active CN111062882B (zh) | 2019-11-27 | 2019-11-27 | 一种能谱投影数据处理方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111062882B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581556A (zh) * | 2020-12-25 | 2021-03-30 | 上海联影医疗科技股份有限公司 | 多能ct图像硬化校正方法、装置、计算机设备和存储介质 |
| CN113656934A (zh) * | 2021-07-02 | 2021-11-16 | 中汽研（天津）汽车工程研究院有限公司 | 一种基于传递路径分析理论的车内空气噪声目标分解方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104408758A (zh) * | 2014-11-12 | 2015-03-11 | 南方医科大学 | 一种低剂量能谱ct图像处理方法 |
| US20150086097A1 (en) * | 2013-09-25 | 2015-03-26 | Wisconsin Alumni Research Foundation | Fast statistical imaging reconstruction via denoised ordered-subset statistically-penalized algebraic reconstruction technique |
| US20180040146A1 (en) * | 2015-02-25 | 2018-02-08 | Koninklijke Philips N.V. | A method for the reconstruction of quantitative iodine maps using energy resolved tomography |
| 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 |
| US20180235562A1 (en) * | 2017-02-17 | 2018-08-23 | Toshiba Medical Systems Corporation | Combined sinogram- and image-domain material decomposition for spectral computed tomography (ct) |
| CN109009181A (zh) * | 2018-06-07 | 2018-12-18 | 西安交通大学 | 双能量ct下同时估计x射线球管光谱和重建图像的方法 |
-
2019
- 2019-11-27 CN CN201911184027.XA patent/CN111062882B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150086097A1 (en) * | 2013-09-25 | 2015-03-26 | Wisconsin Alumni Research Foundation | Fast statistical imaging reconstruction via denoised ordered-subset statistically-penalized algebraic reconstruction technique |
| CN104408758A (zh) * | 2014-11-12 | 2015-03-11 | 南方医科大学 | 一种低剂量能谱ct图像处理方法 |
| US20180040146A1 (en) * | 2015-02-25 | 2018-02-08 | Koninklijke Philips N.V. | A method for the reconstruction of quantitative iodine maps using energy resolved tomography |
| US20180235562A1 (en) * | 2017-02-17 | 2018-08-23 | Toshiba Medical Systems Corporation | Combined sinogram- and image-domain material decomposition for spectral computed tomography (ct) |
| 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 |
| CN109009181A (zh) * | 2018-06-07 | 2018-12-18 | 西安交通大学 | 双能量ct下同时估计x射线球管光谱和重建图像的方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581556A (zh) * | 2020-12-25 | 2021-03-30 | 上海联影医疗科技股份有限公司 | 多能ct图像硬化校正方法、装置、计算机设备和存储介质 |
| CN113656934A (zh) * | 2021-07-02 | 2021-11-16 | 中汽研（天津）汽车工程研究院有限公司 | 一种基于传递路径分析理论的车内空气噪声目标分解方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111062882B (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107516330B (zh) | 模型生成方法、图像处理方法及医学成像设备 | |
| EP3047391B1 (en) | Method and system for statistical modeling of data using a quadratic likelihood functional | |
| CN111709897B (zh) | 一种基于域变换的正电子发射断层图像的重建方法 | |
| EP1938276A2 (en) | Distributed iterative image reconstruction | |
| CN111062882B (zh) | 一种能谱投影数据处理方法、装置、电子设备及存储介质 | |
| CN109523605A (zh) | 一种ct图像重建的方法、装置、设备及介质 | |
| US11308664B2 (en) | Method for reconstructing a three-dimensional image data set | |
| Zhang et al. | CT artifact reduction via U-net CNN | |
| CN110555897B (zh) | 一种图像生成的方法、装置、设备及存储介质 | |
| Zhu et al. | STEDNet: Swin transformer‐based encoder–decoder network for noise reduction in low‐dose CT | |
| KR102037117B1 (ko) | 구조유사도를 이용한 아티펙트 저감방법 및 프로그램 및 의료영상획득장치 | |
| Zhang et al. | CT image reconstruction algorithms: A comprehensive survey | |
| CN114820861A (zh) | 基于CycleGAN的MR合成CT方法、设备和计算机可读存储介质 | |
| CN116745804A (zh) | 减少医学图像中的伪影 | |
| CN111080740B (zh) | 一种图像校正方法、装置、设备及介质 | |
| CN114511666A (zh) | 一种模型生成方法、图像重建方法、装置、设备和介质 | |
| CN112488949A (zh) | 一种低剂量pet图像还原方法、系统、设备和介质 | |
| Zubair et al. | Enabling Predication of the Deep Learning Algorithms for Low-Dose CT Scan Image Denoising Models: A Systematic Literature Review | |
| US20210282733A1 (en) | Edge noise reduction | |
| CN115222839A (zh) | 一种加速多步贪婪扩展稀疏Kaczmarz方法 | |
| CN114742916A (zh) | 图像重建方法、装置、存储介质及电子设备 | |
| CN110269638B (zh) | 图像重建方法、系统、可读存储介质和设备 | |
| Ma et al. | Low-dose CT with a deep convolutional neural network blocks model using mean squared error loss and structural similar loss | |
| KR102329938B1 (ko) | 뉴럴 네트워크를 이용한 콘빔 단층촬영 영상 처리 방법 및 그 장치 | |
| Zhao et al. | A fast algorithm for high order total variation minimization based interior tomography |
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 | ||
| CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |