CN112568923B - X射线相位衬度图像提取方法、装置、终端及存储介质 - Google Patents
X射线相位衬度图像提取方法、装置、终端及存储介质 Download PDFInfo
- Publication number
- CN112568923B CN112568923B CN202011437945.1A CN202011437945A CN112568923B CN 112568923 B CN112568923 B CN 112568923B CN 202011437945 A CN202011437945 A CN 202011437945A CN 112568923 B CN112568923 B CN 112568923B
- Authority
- CN
- China
- Prior art keywords
- sample
- ray
- phase
- image
- energy absorption
- 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
Links
- 238000000605 extraction Methods 0.000 title claims abstract description 30
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000010521 absorption reaction Methods 0.000 claims abstract description 127
- 238000003384 imaging method Methods 0.000 claims abstract description 103
- 238000012549 training Methods 0.000 claims abstract description 63
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims description 20
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000001902 propagating effect Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims 1
- 230000006872 improvement Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 230000005855 radiation Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 210000004872 soft tissue Anatomy 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000013078 crystal Substances 0.000 description 2
- 239000004698 Polyethylene Substances 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 210000001188 articular cartilage Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000481 breast Anatomy 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- LFEUVBZXUFMACD-UHFFFAOYSA-H lead(2+);trioxido(oxo)-$l^{5}-arsane Chemical compound [Pb+2].[Pb+2].[Pb+2].[O-][As]([O-])([O-])=O.[O-][As]([O-])([O-])=O LFEUVBZXUFMACD-UHFFFAOYSA-H 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000005469 synchrotron radiation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 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
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (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)
- Computer Vision & Pattern Recognition (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)
- Veterinary Medicine (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种X射线相位衬度图像提取方法、装置、终端及存储介质，其中方法包括：基于X射线光源、探测器、待测物体构建无光栅结构Talbot‑Lau相衬成像装置；调节X射线光源的工作电压和工作电流，采集待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像；将X射线双能吸收衬度图像输入至训练好的深度神经网络模型，输出得到相位衬度图像，深度神经网络模型根据带光栅结构的Talbot‑Lau相衬成像装置采集到的样本相位步进投影图像和无光栅结构的Talbot‑Lau相衬成像装置采集到的双能吸收衬度图像训练得到。通过上述方式，本发明能够在不需要光栅的情况下提取出物体的相衬图像，提取过程更为快捷。
Description
技术领域
本发明涉及X射线成像技术领域，特别是涉及一种X射线相位衬度图像提取方法、装置、终端及存储介质。
背景技术
传统的X射线吸收衬度成像技术是利用物质内部密度分布的差异造成对X射线吸收特性的不同来实现对物体内部结构的成像。它对存在明显密度分布差异的结构或组织可以获得很好的成像衬度，如不同密度的物质分布的界面，行李箱中的金属刀具，人体骨骼和肌肉的分布等。但对于密度分布差异小的由轻元素组成的材料或生物软组织，如关节软骨、乳腺、肝脏等人体软组织及聚乙烯材料等都是以轻Z元素为主要成分，对X射线的吸收通常都很弱，所以几乎无法通过传统的基于吸收衬度的X射线成像技术看到它们的内部结构。
而X射线相位衬度成像技术是利用成像物质对X射线的折射作用产生成像衬度的。对于由轻元素物质，X射线穿透物质时，引起的相位变化量是吸收变化量的103倍以上。因此X射线相位衬度成像技术在未来的材料科学及临床医学中具有非常广泛的应用研究前景。
目前，研究人员已提出了多种X射线相位成像技术实现方法，包括X射线晶体干涉仪相衬成像法、X射线衍射增强相衬成像法、X射线相位传播相衬成像法、X射线光栅相衬成像法等。其中晶体干涉仪法、衍射增强法及相位传播法这三种成像方法对X射线光源的相干性要求较高，一般需要同步辐射光源作为射线源，所以难以得到广泛的商业应用。而对于光栅相衬成像方法，其利用Talbot效应和Lau效应的原理，降低了对光源相干性的要求，可以使用普通的X射线光源实现相位衬度成像。但这种成像装置除了光源和平板探测器外，还有三块微米级的光栅，其中有两块光栅须是吸收光栅，且成像过程中通常需要对其中一块吸收光栅作相位步进运动才能成功提取出相位图像。这不仅增加了成像装置的复杂度和造价，更重要是吸收光栅的存在极大降低了辐射剂量的利用效率，同时，相位步进过程也极大地增加了成像时间并且使之难以和CT扫描技术融合。
发明内容
本发明提供一种X射线相位衬度图像提取方法、装置、终端及存储介质，以解决现有的X成像依赖于光栅来实现，过程复杂、造价高且辐射剂量大的问题。
为解决上述技术问题，本发明提供了一种X射线相位衬度图像提取方法，其包括：基于X射线光源、探测器、待测物体构建无光栅结构Talbot-Lau相衬成像装置；调节X射线光源的工作电压和工作电流，采集待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像；将X射线双能吸收衬度图像输入至训练好的深度神经网络模型，输出得到相位衬度图像，深度神经网络模型根据带光栅结构的Talbot-Lau相衬成像装置采集到的样本相位步进投影图像和无光栅结构的Talbot-Lau相衬成像装置采集到的双能吸收衬度图像训练得到。
作为本发明的进一步改进，调节X射线光源的工作电压和工作电流，采集待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像，包括：调节X射线光源的低能工作电压和工作电流，采集待测物体的投影图像，记为X射线低能吸收衬度图像；调节X射线光源的高能工作电压和工作电流，采集待测物体的投影图像，记为X射线高能吸收衬度图像。
作为本发明的进一步改进，还包括：训练深度神经网络模型，训练深度神经网络模型的步骤包括：基于X射线光源、探测器、样本物体、源光栅、相位光栅和吸收光栅构建带有光栅结构的Talbot-Lau相衬成像装置；利用带有光栅结构的Talbot-Lau相衬成像装置采集不同样本物体或样本物体在不同角度的多张样本相位步进投影图像，并在每采集一张样本相位步进投影图像时，移除带有光栅结构的Talbot-Lau相衬成像装置中的所有光栅，再采集样本X射线双能吸收衬度图像，对应的样本相位步进投影图像和样本X射线双能吸收衬度图像组成一组训练数据；将样本X射线双能吸收衬度图像输入至初始的深度神经网络模型中，得到输出结果，再将输出结果与样本相位步进投影图像进行比较，并反向传播更新深度神经网络模型，直至深度神经网络模型训练完成。
作为本发明的进一步改进，利用带有光栅结构的Talbot-Lau相衬成像装置采集不同样本物体或样本物体在不同角度的多张样本相位步进投影图像，并在每采集一张样本相位步进投影图像时，移除带有光栅结构的Talbot-Lau相衬成像装置中的所有光栅，再采集样本X射线双能吸收衬度图像，对应的样本相位步进投影图像和样本X射线双能吸收衬度图像组成一组训练数据，包括：利用带有光栅结构的Talbot-Lau相衬成像装置采集样本物体的样本相位步进投影图像；计算样本相位步进投影图像的平均灰度值；移除带有光栅结构的Talbot-Lau相衬成像装置中的源光栅、相位光栅和吸收光栅，得到无光栅结构的Talbot-Lau相衬成像装置；调节X射线光源的低能工作电压，再调节X射线光源的工作电流，直至探测器像素读数的平均值与平均灰度值的差值正在预设范围内时，采集样本物体的投影图像，得到样本X射线低能吸收衬度图像；调节X射线光源的高能工作电压，再调节X射线光源的工作电流，直至探测器像素读数的平均值与平均灰度值的差值正在预设范围内时，采集样本物体的投影图像，得到样本X射线高能吸收衬度图像；对样本相位步进投影图像做相位信息的分离提取，得到相衬图像，样本X射线低能吸收衬度图像、样本X射线高能吸收衬度图像和相衬图像组成一组训练数据；更换样本物品或者调整样本物品的角度，并重复执行上述样本采集过程，从而得到多组训练数据。
作为本发明的进一步改进，更换样本物品或者调整样本物品的角度，并重复执行上述样本采集过程，从而得到多组训练数据之后，还包括：调整带有光栅结构的Talbot-Lau相衬成像装置的源光栅、相位光栅、吸收光栅之间的距离，再执行样本采集过程，得到新的多组训练数据。
作为本发明的进一步改进，深度神经网络模型包括10个卷积层，第一层为输入层，包括样本X射线低能吸收衬度图像输入端和样本X射线高能吸收衬度图像输入端，最后一层为输出端，其余8个卷积层包括串联的4个图像模式转换结构。
作为本发明的进一步改进，图像模式转换结构包括三个并行通道，第一通道中两个串联卷积核大小均为1*1，第二通道中两个卷积层的卷积核大小分别为1*3和3*1，第三通道中两个串联卷积层的卷积核大小分别为1*5和5*1。
为解决上述技术问题，本发明还提供了一种X射线相位衬度图像提取装置，其包括：构建模块，用于基于X射线光源、探测器、待测物体构建无光栅结构Talbot-Lau相衬成像装置；采集模块，用于调节X射线光源的工作电压和工作电流，采集待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像；计算模块，用于将X射线双能吸收衬度图像输入至训练好的深度神经网络模型，输出得到相位衬度图像，深度神经网络模型根据带光栅结构的Talbot-Lau相衬成像装置采集到的样本相位步进投影图像和无光栅结构的Talbot-Lau相衬成像装置采集到的双能吸收衬度图像训练得到。
为解决上述技术问题，本发明还提供了一种终端，终端包括处理器、与处理器耦接的存储器，存储器中存储有程序指令，程序指令被处理器执行时，使得处理器执行如上述中任一项权利要求的X射线相位衬度图像提取方法的步骤。
为解决上述技术问题，本发明还提供了一种存储介质，存储有能够实现如上述中任一项的X射线相位衬度图像提取方法的程序文件。
本发明的有益效果是：本发明的X射线相位衬度图像提取方法通过采用无光栅结构的Talbot-Lau相衬成像装置采集待测物体的X射线双能吸收衬度图像，再将其输入至训练好的深度神经网络模型中，而由于深度神经网络模型是根据带光栅结构的Talbot-Lau相衬成像装置采集到的样本相位步进投影图像和无光栅结构的Talbot-Lau相衬成像装置采集到的双能吸收衬度图像训练得到，因此，将X射线双能吸收衬度图像输入至深度神经网络模型即可得到相位衬度图像，其不依懒于光栅也可实现相位衬度图像的提取，并且只需要提取一组X射线双能吸收衬度图像即可得到相位衬度图像，使得整个提取相位衬度图像的过程更为简单，缩短了相位衬度图像的提取时间，而且因为去除了光栅，从而使得X射线不会被光栅损耗，因此，只需要更少剂量的辐射也可完成对相位衬度图像的提取，降低了对待测物体的辐射。
附图说明
图1是本发明无刷电机驱动系统一个实施例的结构示意图；
图2是本发明无刷电机驱动方法第一个实施例的流程示意图；
图3是本发明无刷电机驱动方法第二个实施例的流程示意图；
图4是本发明无刷电机驱动方法第三个实施例的流程示意图；
图5是本发明无刷电机驱动方法第四个实施例的流程示意图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，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。
本发明中的术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括至少一个该特征。本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1是本申请实施例的X射线相位衬度图像提取方法的流程示意图。需注意的是，若有实质上相同的结果，本申请的方法并不以图1所示的流程顺序为限。如图1所示，该方法包括步骤：
步骤S1：基于X射线光源、探测器、待测物体构建无光栅结构Talbot-Lau相衬成像装置。
具体地，目前，现有的Talbot-Lau相衬成像装置均是由X射线光源、探测器、待测物体、源光栅、相位光栅和吸收光栅组成。在步骤S1中，则是利用X射线光源、探测器、待测物体构建无光栅结构Talbot-Lau相衬成像装置，其余参数的设置与现有的Talbot-Lau相衬成像装置相同。
步骤S2：调节X射线光源的工作电压和工作电流，采集待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像。
在步骤S2中，通过条件X摄像的工作电压和工作电流，并且采集待测物体在高能条件下的投影图像和在低能条件下的投影图像，从而得到X射线双能吸收衬度图像。
具体地，该步骤S2具体包括：
1、调节X射线光源的低能工作电压和工作电流，采集待测物体的投影图像，记为X射线低能吸收衬度图像。
2、调节X射线光源的高能工作电压和工作电流，采集待测物体的投影图像，记为X射线高能吸收衬度图像。
步骤S3：将X射线双能吸收衬度图像输入至训练好的深度神经网络模型，输出得到相位衬度图像，深度神经网络模型根据带光栅结构的Talbot-Lau相衬成像装置采集到的样本相位步进投影图像和无光栅结构的Talbot-Lau相衬成像装置采集到的双能吸收衬度图像训练得到。
在步骤S3中，在获取到X射线高能吸收衬度图像之后，将其输入至训练好的深度神经网络模型中进行计算，而深度神经网络模型是根据带光栅结构的Talbot-Lau相衬成像装置采集到的样本相位步进投影图像和无光栅结构的Talbot-Lau相衬成像装置采集到的双能吸收衬度图像训练得到的，从而将X射线高能吸收衬度图像输入至深度神经网络模型即可得到相应的相位衬度图像。
进一步的，需要理解的是，X射线双能吸收衬度图像与相位衬度图像满足一定的对应关系，该对应关系包括两种模式的图像之间满足空间角度及尺度上的一一对应、两种模式的图像之间具有相同的噪声水平，这种对应关系是为了最大限度地降低各种不同类型的噪声对后续模型训练的干扰，因此，可通过深度神经网络模型学习X射线双能吸收衬度图像与相位衬度图像两种模式之间的内在的物理映射关系，经过学习训练之后，深度神经网络模型能够通过新的未用于网络训练的X射线双能吸收衬度图像得到对应的相位衬度图像。因此，如图2所示，在使用该深度神经网络模型之前，需要训练深度神经网络模型，具体包括以下步骤：
步骤S10：基于X射线光源、探测器、样本物体、源光栅、相位光栅和吸收光栅构建带有光栅结构的Talbot-Lau相衬成像装置。
在步骤S10中，该带有光栅结构的Talbot-Lau相衬成像装置与现有的Talbot-Lau相衬成像装置相同，此处不再赘述。
步骤S11：利用带有光栅结构的Talbot-Lau相衬成像装置采集不同样本物体或样本物体在不同角度的多张样本相位步进投影图像，并在每采集一张样本相位步进投影图像时，移除带有光栅结构的Talbot-Lau相衬成像装置中的所有光栅，再采集样本X射线双能吸收衬度图像，对应的样本相位步进投影图像和样本X射线双能吸收衬度图像组成一组训练数据。
在步骤S11中，首先利用带有光栅结构的Talbot-Lau相衬成像装置采集不同样本物体或样本物体在不同角度的多张样本相位步进投影图像，再将样本相位步进投影图像做相位信息的分离提取，即可得到相衬图像，以该相衬图像作为训练深度神经网络的真实结果。然后，再通过移除带有光栅结构的Talbot-Lau相衬成像装置中的所有光栅，得到无光栅结构的Talbot-Lau相衬成像装置来采集样本物体的样本X射线双能吸收衬度图像，将其作为训练深度神经网络的输入，即样本X射线双能吸收衬度图像与样本相位步进投影图像构成一组深度神经网络的训练数据。
具体地，步骤S11包括：
1、利用带有光栅结构的Talbot-Lau相衬成像装置采集样本物体的样本相位步进投影图像。
2、计算样本相位步进投影图像的平均灰度值。
具体地，通过获取图像中每一个像素的灰度值，然后计算所有像素的灰度值的平均值，从而得到平均灰度值。
3、移除带有光栅结构的Talbot-Lau相衬成像装置中的源光栅、相位光栅和吸收光栅，得到无光栅结构的Talbot-Lau相衬成像装置。
4、调节X射线光源的低能工作电压，再调节X射线光源的工作电流，直至探测器像素读数的平均值与平均灰度值的差值正在预设范围内时，采集样本物体的投影图像，得到样本X射线低能吸收衬度图像。
具体地，预设范围预先设定，在调节X射线光源的低能工作电压后，调节X射线光源的工作电流时，实时读取探测器像素读数的平均值，并与平均灰度值进行比较，当两者的差值在预设范围内时，采集样本物体的投影图像，得到样本X射线低能吸收衬度图像。
5、调节X射线光源的高能工作电压，再调节X射线光源的工作电流，直至探测器像素读数的平均值与平均灰度值的差值正在预设范围内时，采集样本物体的投影图像，得到样本X射线高能吸收衬度图像。
具体地，在调节X射线光源的高能工作电压后，调节X射线光源的工作电流时，实时读取探测器像素读数的平均值，并与平均灰度值进行比较，当两者的差值在预设范围内时，采集样本物体的投影图像，得到样本X射线高能吸收衬度图像。
6、对样本相位步进投影图像做相位信息的分离提取，得到相衬图像，样本X射线低能吸收衬度图像、样本X射线高能吸收衬度图像和相衬图像组成一组训练数据。
7、更换样本物品或者调整样本物品的角度，并重复执行上述样本采集过程，从而得到多组训练数据。
具体地，在获取当前样本物体在当前角度的样本数据之后，更换样本物体或调整样本物体的角度，然后再次执行上述1-6的样本采集过程，从而得到更多的训练数据。
进一步的，在更换样本物品或者调整样本物品的角度，并重复执行上述样本采集过程，从而得到多组训练数据之后，还包括：
8、调整带有光栅结构的Talbot-Lau相衬成像装置的源光栅、相位光栅、吸收光栅之间的距离，再执行样本采集过程，得到新的多组训练数据。
具体地，通过调整带有光栅结构的Talbot-Lau相衬成像装置的源光栅、相位光栅、吸收光栅之间的距离后，采集不同情形下的数据进行训练，从而提高深度卷积神经网络模型的迁移效果。
需要说明的是，深度神经网络模型包括10个卷积层，第一层为输入层，包括样本X射线低能吸收衬度图像输入端和样本X射线高能吸收衬度图像输入端，最后一层为输出端，其余8个卷积层包括串联的4个图像模式转换结构。
进一步的，图像模式转换结构包括三个并行通道，第一通道中两个串联卷积核大小均为1*1，第二通道中两个卷积层的卷积核大小分别为1*3和3*1，第三通道中两个串联卷积层的卷积核大小分别为1*5和5*1。其中，第一通道的作用是保证网络输出图像的分辨率与输入图像相同，第二通道和第三通道的作用是反映样本X射线双能吸收衬度图像中邻域像素相互间的运算可能包含的相位信息。
本实施例中的深度神经网络模型在训练完成之后，可以迁移至其他具有相同结构类型的X射线成像设备中，因此对于具有相同结构类型的多台X射线成像设备，只需在其中一台设备中搭建Talbot-Lau相衬成像装置并完成训练图像数据的实验采集即可。其中，相同结构类型是指成像设备的光源及探测器特性相同，装置的几何参数(如光栅之间的距离)相同。
步骤S12：将样本X射线双能吸收衬度图像输入至初始的深度神经网络模型中，得到输出结果，再将输出结果与样本相位步进投影图像进行比较，并反向传播更新深度神经网络模型，直至深度神经网络模型训练完成。
本实施例的X射线相位衬度图像提取方法通过采用无光栅结构的Talbot-Lau相衬成像装置采集待测物体的X射线双能吸收衬度图像，再将其输入至训练好的深度神经网络模型中，而由于深度神经网络模型是根据带光栅结构的Talbot-Lau相衬成像装置采集到的样本相位步进投影图像和无光栅结构的Talbot-Lau相衬成像装置采集到的双能吸收衬度图像训练得到，因此，将X射线双能吸收衬度图像输入至深度神经网络模型即可得到相位衬度图像，其不依懒于光栅也可实现相位衬度图像的提取，并且只需要提取一组X射线双能吸收衬度图像即可得到相位衬度图像，使得整个提取相位衬度图像的过程更为简单，缩短了相位衬度图像的提取时间，而且因为去除了光栅，从而使得X射线不会被光栅损耗，因此，只需要更少剂量的辐射也可完成对相位衬度图像的提取，降低了对待测物体的辐射。
图3是本申请实施例的X射线相位衬度图像提取装置的功能模块示意图。如图3所示，该X射线相位衬度图像提取装置30包括：构建模块31、采集模块32和计算模块33。
构建模块31，用于基于X射线光源、探测器、待测物体构建无光栅结构Talbot-Lau相衬成像装置；
采集模块32，用于调节X射线光源的工作电压和工作电流，采集待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像；
计算模块33，用于将X射线双能吸收衬度图像输入至训练好的深度神经网络模型，输出得到相位衬度图像，深度神经网络模型根据带光栅结构的Talbot-Lau相衬成像装置采集到的样本相位步进投影图像和无光栅结构的Talbot-Lau相衬成像装置采集到的双能吸收衬度图像训练得到。
可选地，采集模块32调节X射线光源的工作电压和工作电流，采集待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像的操作还可以为：调节X射线光源的低能工作电压和工作电流，采集待测物体的投影图像，记为X射线低能吸收衬度图像；调节X射线光源的高能工作电压和工作电流，采集待测物体的投影图像，记为X射线高能吸收衬度图像。
可选地，该X射线相位衬度图像提取装置30还包括训练模块，该训练模块用于训练深度神经网路模型，训练模块训练深度神经网路模型的操作可以为：基于X射线光源、探测器、样本物体、源光栅、相位光栅和吸收光栅构建带有光栅结构的Talbot-Lau相衬成像装置；利用带有光栅结构的Talbot-Lau相衬成像装置采集不同样本物体或样本物体在不同角度的多张样本相位步进投影图像，并在每采集一张样本相位步进投影图像时，移除带有光栅结构的Talbot-Lau相衬成像装置中的所有光栅，再采集样本X射线双能吸收衬度图像，对应的样本相位步进投影图像和样本X射线双能吸收衬度图像组成一组训练数据；将样本X射线双能吸收衬度图像输入至初始的深度神经网络模型中，得到输出结果，再将输出结果与样本相位步进投影图像进行比较，并反向传播更新深度神经网络模型，直至深度神经网络模型训练完成。
可选地，训练模块利用带有光栅结构的Talbot-Lau相衬成像装置采集不同样本物体或样本物体在不同角度的多张样本相位步进投影图像，并在每采集一张样本相位步进投影图像时，移除带有光栅结构的Talbot-Lau相衬成像装置中的所有光栅，再采集样本X射线双能吸收衬度图像，对应的样本相位步进投影图像和样本X射线双能吸收衬度图像组成一组训练数据的操作还可以为：利用带有光栅结构的Talbot-Lau相衬成像装置采集样本物体的样本相位步进投影图像；计算样本相位步进投影图像的平均灰度值；移除带有光栅结构的Talbot-Lau相衬成像装置中的源光栅、相位光栅和吸收光栅，得到无光栅结构的Talbot-Lau相衬成像装置；调节X射线光源的低能工作电压，再调节X射线光源的工作电流，直至探测器像素读数的平均值与平均灰度值的差值正在预设范围内时，采集样本物体的投影图像，得到样本X射线低能吸收衬度图像；调节X射线光源的高能工作电压，再调节X射线光源的工作电流，直至探测器像素读数的平均值与平均灰度值的差值正在预设范围内时，采集样本物体的投影图像，得到样本X射线高能吸收衬度图像；对样本相位步进投影图像做相位信息的分离提取，得到相衬图像，样本X射线低能吸收衬度图像、样本X射线高能吸收衬度图像和相衬图像组成一组训练数据；更换样本物品或者调整样本物品的角度，并重复执行上述样本采集过程，从而得到多组训练数据。
可选地，训练模块更换样本物品或者调整样本物品的角度，并重复执行上述样本采集过程，从而得到多组训练数据之后，还用于调整带有光栅结构的Talbot-Lau相衬成像装置的源光栅、相位光栅、吸收光栅之间的距离，再执行样本采集过程，得到新的多组训练数据。
可选地，深度神经网络模型包括10个卷积层，第一层为输入层，包括样本X射线低能吸收衬度图像输入端和样本X射线高能吸收衬度图像输入端，最后一层为输出端，其余8个卷积层包括串联的4个图像模式转换结构。
可选地，图像模式转换结构包括三个并行通道，第一通道中两个串联卷积核大小均为1*1，第二通道中两个卷积层的卷积核大小分别为1*3和3*1，第三通道中两个串联卷积层的卷积核大小分别为1*5和5*1。
关于上述实施例X射线相位衬度图像提取装置中各模块实现技术方案的其他细节，可参见上述实施例中的X射线相位衬度图像提取方法中的描述，此处不再赘述。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
请参阅图4，图4为本申请实施例的终端的结构示意图。如图4所示，该终端40包括处理器41及和处理器41耦接的存储器42。
存储器42存储有程序指令，程序指令被处理器41执行时，使得处理器41执行上述实施例中的X射线相位衬度图像提取方法的步骤。
其中，处理器41还可以称为CPU(Central Processing Unit，中央处理单元)。处理器41可能是一种集成电路芯片，具有信号的处理能力。处理器41还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
参阅图5，图5为本申请实施例的存储介质的结构示意图。本申请实施例的存储介质存储有能够实现上述所有方法的程序文件51，其中，该程序文件51可以以软件产品的形式存储在上述存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (9)
1.一种X射线相位衬度图像提取方法，其特征在于，其包括：
基于X射线光源、探测器、待测物体构建无光栅结构Talbot-Lau相衬成像装置；
调节所述X射线光源的工作电压和工作电流，采集所述待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像；
将所述X射线双能吸收衬度图像输入至训练好的深度神经网络模型，输出得到相位衬度图像，所述深度神经网络模型根据带有光栅结构的Talbot-Lau相衬成像装置采集到的样本相位步进投影图像和所述无光栅结构的Talbot-Lau相衬成像装置采集到的双能吸收衬度图像训练得到；
训练所述深度神经网络模型，所述训练所述深度神经网络模型的步骤包括：
基于所述X射线光源、所述探测器、样本物体、源光栅、相位光栅和吸收光栅构建所述带有光栅结构的Talbot-Lau相衬成像装置；
利用所述带有光栅结构的Talbot-Lau相衬成像装置采集不同所述样本物体或所述样本物体在不同角度的多张样本相位步进投影图像，并在每采集一张所述样本相位步进投影图像时，移除所述带有光栅结构的Talbot-Lau相衬成像装置中的所有光栅，再采集样本X射线双能吸收衬度图像，对应的所述样本相位步进投影图像和所述样本X射线双能吸收衬度图像组成一组训练数据；
将所述样本X射线双能吸收衬度图像输入至初始的深度神经网络模型中，得到输出结果，再将所述输出结果与所述样本相位步进投影图像进行比较，并反向传播更新所述深度神经网络模型，直至所述深度神经网络模型训练完成。
2.根据权利要求1所述的X射线相位衬度图像提取方法，其特征在于，所述调节所述X射线光源的工作电压和工作电流，采集所述待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像，包括：
调节所述X射线光源的低能工作电压和工作电流，采集所述待测物体的投影图像，记为X射线低能吸收衬度图像；
调节所述X射线光源的高能工作电压和工作电流，采集所述待测物体的投影图像，记为X射线高能吸收衬度图像。
3.根据权利要求1所述的X射线相位衬度图像提取方法，其特征在于，所述利用所述带有光栅结构的Talbot-Lau相衬成像装置采集不同所述样本物体或所述样本物体在不同角度的多张样本相位步进投影图像，并在每采集一张所述样本相位步进投影图像时，移除所述带有光栅结构的Talbot-Lau相衬成像装置中的所有光栅，再采集样本X射线双能吸收衬度图像，对应的所述样本相位步进投影图像和所述样本X射线双能吸收衬度图像组成一组训练数据，包括：
利用所述带有光栅结构的Talbot-Lau相衬成像装置采集所述样本物体的样本相位步进投影图像；
计算所述样本相位步进投影图像的平均灰度值；
移除所述带有光栅结构的Talbot-Lau相衬成像装置中的所述源光栅、所述相位光栅和所述吸收光栅，得到所述无光栅结构的Talbot-Lau相衬成像装置；
调节所述X射线光源的低能工作电压，再调节所述X射线光源的工作电流，直至所述探测器像素读数的平均值与所述平均灰度值的差值正在预设范围内时，采集所述样本物体的投影图像，得到样本X射线低能吸收衬度图像；
调节所述X射线光源的高能工作电压，再调节所述X射线光源的工作电流，直至所述探测器像素读数的平均值与所述平均灰度值的差值正在所述预设范围内时，采集所述样本物体的投影图像，得到样本X射线高能吸收衬度图像；
对所述样本相位步进投影图像做相位信息的分离提取，得到相衬图像，所述样本X射线低能吸收衬度图像、所述样本X射线高能吸收衬度图像和所述相衬图像组成一组训练数据；
更换所述样本物体或者调整所述样本物体的角度，并重复执行上述样本采集过程，从而得到多组训练数据。
4.根据权利要求3所述的X射线相位衬度图像提取方法，其特征在于，所述更换所述样本物体或者调整所述样本物体的角度，并重复执行上述样本采集过程，从而得到多组训练数据之后，还包括：
调整所述带有光栅结构的Talbot-Lau相衬成像装置的所述源光栅、所述相位光栅、所述吸收光栅之间的距离，再执行样本采集过程，得到新的多组训练数据。
5.根据权利要求1所述的X射线相位衬度图像提取方法，其特征在于，所述深度神经网络模型包括10个卷积层，第一层为输入层，包括样本X射线低能吸收衬度图像输入端和样本X射线高能吸收衬度图像输入端，最后一层为输出端，其余8个卷积层包括串联的4个图像模式转换结构。
6.根据权利要求5所述的X射线相位衬度图像提取方法，其特征在于，所述图像模式转换结构包括三个并行通道，第一通道中两个串联卷积核大小均为1*1，第二通道中两个卷积层的卷积核大小分别为1*3和3*1，第三通道中两个串联卷积层的卷积核大小分别为1*5和5*1。
7.一种X射线相位衬度图像提取装置，其特征在于，其包括：
构建模块，用于基于X射线光源、探测器、待测物体构建无光栅结构Talbot-Lau相衬成像装置；
采集模块，用于调节所述X射线光源的工作电压和工作电流，采集所述待测物体在高能和低能时的投影图像，记为X射线双能吸收衬度图像；
计算模块，用于将所述X射线双能吸收衬度图像输入至训练好的深度神经网络模型，输出得到相位衬度图像，所述深度神经网络模型根据带有光栅结构的Talbot-Lau相衬成像装置采集到的样本相位步进投影图像和所述无光栅结构的Talbot-Lau相衬成像装置采集到的双能吸收衬度图像训练得到；
所述X射线相位衬度图像提取装置还包括训练模块，该训练模块用于训练深度神经网络模型，训练模块训练深度神经网络模型的操作可以为：基于X射线光源、探测器、样本物体、源光栅、相位光栅和吸收光栅构建带有光栅结构的Talbot-Lau相衬成像装置；利用带有光栅结构的Talbot-Lau相衬成像装置采集不同样本物体或样本物体在不同角度的多张样本相位步进投影图像，并在每采集一张样本相位步进投影图像时，移除带有光栅结构的Talbot-Lau相衬成像装置中的所有光栅，再采集样本X射线双能吸收衬度图像，对应的样本相位步进投影图像和样本X射线双能吸收衬度图像组成一组训练数据；将样本X射线双能吸收衬度图像输入至初始的深度神经网络模型中，得到输出结果，再将输出结果与样本相位步进投影图像进行比较，并反向传播更新深度神经网络模型，直至深度神经网络模型训练完成。
8.一种终端，其特征在于，所述终端包括处理器、与所述处理器耦接的存储器，所述存储器中存储有程序指令，所述程序指令被所述处理器执行时，使得所述处理器执行如权利要求1-6中任一项权利要求所述的X射线相位衬度图像提取方法的步骤。
9.一种存储介质，其特征在于，存储有能够实现如权利要求1-6中任一项所述的X射线相位衬度图像提取方法的程序文件。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011437945.1A CN112568923B (zh) | 2020-12-10 | 2020-12-10 | X射线相位衬度图像提取方法、装置、终端及存储介质 |
| PCT/CN2020/139342 WO2022120983A1 (zh) | 2020-12-10 | 2020-12-25 | X射线相位衬度图像提取方法、装置、终端及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011437945.1A CN112568923B (zh) | 2020-12-10 | 2020-12-10 | X射线相位衬度图像提取方法、装置、终端及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112568923A CN112568923A (zh) | 2021-03-30 |
| CN112568923B true CN112568923B (zh) | 2022-08-19 |
Family
ID=75130504
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011437945.1A Active CN112568923B (zh) | 2020-12-10 | 2020-12-10 | X射线相位衬度图像提取方法、装置、终端及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112568923B (zh) |
| WO (1) | WO2022120983A1 (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113367717B (zh) * | 2021-05-26 | 2022-11-22 | 中国科学院深圳先进技术研究院 | 一种锥束x射线荧光成像方法、系统、终端以及存储介质 |
| CN113870184A (zh) * | 2021-08-30 | 2021-12-31 | 深圳湾实验室 | 基于x射线吸收图像生成相位衬度图像和暗场图像的方法、装置、计算设备和存储介质 |
| CN114018961B (zh) * | 2021-11-03 | 2023-08-18 | 北京航空航天大学宁波创新研究院 | 基于深度学习的单步x射线光栅差分相位衬度成像方法及装置 |
| CN114137002B (zh) * | 2021-11-18 | 2023-07-14 | 北京航空航天大学 | 一种基于衬度间增强的低剂量x射线差分相位衬度成像方法 |
| CN114113167B (zh) * | 2021-11-26 | 2024-07-09 | 中国科学技术大学 | 一种X射线Talbot-Lau光栅相衬成像方法 |
| CN116309237A (zh) * | 2021-12-20 | 2023-06-23 | 中国科学院深圳先进技术研究院 | 深度高分辨相位信息提取方法 |
| CN116843596B (zh) * | 2023-08-28 | 2023-11-14 | 浙江大学杭州国际科创中心 | X射线光栅多模态图像自适应融合方法、系统及装置 |
| CN118135238B (zh) * | 2024-05-09 | 2024-08-23 | 浙江大学杭州国际科创中心 | 基于x射线衬度图像的特征提取方法、系统及装置 |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8972191B2 (en) * | 2009-02-05 | 2015-03-03 | Paul Scherrer Institut | Low dose single step grating based X-ray phase contrast imaging |
| CN104132953B (zh) * | 2014-08-01 | 2017-03-29 | 中国科学技术大学 | 一种双能x射线相位衬度成像装置及其实现方法 |
| CN107807139B (zh) * | 2016-09-05 | 2020-04-24 | 天津工业大学 | 一种无步进装置的双能x射线相衬成像系统及其实现方法 |
| WO2019056309A1 (en) * | 2017-09-22 | 2019-03-28 | Shenzhen United Imaging Healthcare Co., Ltd. | METHOD AND SYSTEM FOR GENERATING A PHASE CONTRAST IMAGE |
| JP2019066283A (ja) * | 2017-09-29 | 2019-04-25 | 株式会社島津製作所 | 放射線位相差撮影装置 |
| WO2020039654A1 (ja) * | 2018-08-22 | 2020-02-27 | 株式会社島津製作所 | Ｘ線位相イメージング装置 |
| CN209894730U (zh) * | 2018-12-29 | 2020-01-03 | 深圳大学 | X射线双相位光栅相衬成像系统 |
| CN111089869B (zh) * | 2019-12-12 | 2022-06-17 | 中国科学院苏州生物医学工程技术研究所 | 多能探测器x射线相衬成像方法及系统、储存介质及设备 |
| CN111089871B (zh) * | 2019-12-12 | 2022-12-09 | 中国科学院苏州生物医学工程技术研究所 | X射线光栅相衬图像的相位信息分离方法及系统、储存介质、设备 |
-
2020
- 2020-12-10 CN CN202011437945.1A patent/CN112568923B/zh active Active
- 2020-12-25 WO PCT/CN2020/139342 patent/WO2022120983A1/zh active Application Filing
Also Published As
| Publication number | Publication date |
|---|---|
| CN112568923A (zh) | 2021-03-30 |
| WO2022120983A1 (zh) | 2022-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112568923B (zh) | X射线相位衬度图像提取方法、装置、终端及存储介质 | |
| CN109493328B (zh) | 医学图像显示方法、查看设备以及计算机设备 | |
| Tang et al. | E 2 Net: An edge enhanced network for accurate liver and tumor segmentation on CT scans | |
| Wang et al. | Review and prospect: artificial intelligence in advanced medical imaging | |
| CN109753866A (zh) | 机器学习中具有密集特征金字塔网络架构的医学图像对象检测 | |
| CN112819831B (zh) | 基于卷积Lstm及多模型融合的分割模型生成方法及装置 | |
| CN104114091B (zh) | 空间校正核图像重建 | |
| CN114548238A (zh) | 图像三维重建方法、装置、电子设备及存储介质 | |
| Chen et al. | Generative adversarial U-Net for domain-free medical image augmentation | |
| WO2019224800A1 (en) | Method and system for simulating and constructing original medical images from one modality to other modality | |
| CN115908449A (zh) | 一种基于改进UNet模型的2.5D医学CT影像分割方法及装置 | |
| Marosán-Vilimszky et al. | Automated skin lesion classification on ultrasound images | |
| CN107146263B (zh) | 一种基于张量字典约束的动态pet图像重建方法 | |
| Saeed et al. | A granular level feature extraction approach to construct hr image for forensic biometrics using small training dataset | |
| Razali et al. | Enhancement technique based on the breast density level for mammogram for computer-aided diagnosis | |
| Poonkodi et al. | 3D-MedTranCSGAN: 3D medical image transformation using CSGAN | |
| Wang et al. | A novel automatic acne detection and severity quantification scheme using deep learning | |
| US11455755B2 (en) | Methods and apparatus for neural network based image reconstruction | |
| CN116228732A (zh) | 一种乳腺癌分子分型预测方法、系统、介质、设备及终端 | |
| CN113139627B (zh) | 纵隔肿物识别方法、系统及装置 | |
| CN115984257A (zh) | 一种基于多尺度transformer的多模态医学图像融合方法 | |
| Valeri et al. | UNet and MobileNet CNN-based model observers for CT protocol optimization: comparative performance evaluation by means of phantom CT images | |
| Hou et al. | A computationally-inexpensive strategy in CT image data augmentation for robust deep learning classification in the early stages of an outbreak | |
| Liu et al. | DCE-Net: A Dynamic Context Encoder Network for Liver Tumor Segmentation | |
| CN116369981B (zh) | 基于超声造影的保乳切缘状态预测方法、系统、设备及介质 |
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 |