CN112603345B - 模型训练、多能谱ct扫描方法、装置、电子设备 - Google Patents
模型训练、多能谱ct扫描方法、装置、电子设备 Download PDFInfo
- Publication number
- CN112603345B CN112603345B CN202011390911.1A CN202011390911A CN112603345B CN 112603345 B CN112603345 B CN 112603345B CN 202011390911 A CN202011390911 A CN 202011390911A CN 112603345 B CN112603345 B CN 112603345B
- Authority
- CN
- China
- Prior art keywords
- scanning
- sampling
- voltage
- scanning data
- neural network
- 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
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/02—Devices for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computerised tomographs
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/482—Diagnostic techniques involving multiple energy imaging
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus for radiation diagnosis, e.g. 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
Abstract
本申请提供了一种模型训练方法、多能谱CT扫描方法、装置和电子设备,其中,模型训练方法包括:按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,渐变射线源电压按周期性变化,采样电压与曝光点一一对应;分别以多个采样电压进行单能扫描,得到第一扫描数据;以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;将第二扫描数据作为神经网络模型的输入,将第一扫描数据作为输出对神经网络模型进行训练,进而可以得到该采样电压下所有角度的扫描数据。进而对扫描数据进行补全,进而可以采用的重建方法,重建得到各个采样电压下的扫描图像,可以实现多能谱CT,大幅增强CT的材料分辨能力。
Description
技术领域
本申请涉及成像技术领域,尤其涉及一种模型训练、多能谱CT扫描方法、装置、电子设备。
背景技术
能谱CT技术是近年来高端医用CT经常采用的一种技术。传统的CT没有能量分辨能力,只能得到一个能量下的衰减系数图像。能谱CT同时使用两套或者多套不同能量的数据,使CT有了一定的能量分辨能力,使对CT 图像进行材料分解成为可能,在临床上有很多有潜力的应用场景。
目前已有的能谱CT有三种不同的技术方案:
1.同时使用两套X射线源和探测器,给每个射线源设置不同的能量。
2.使用能迅速切换高压的设备,使光源发出的X射线能量峰值在两个值之间切换。
3.使用特殊设计的双层探测器,上层主要用于探测低能光子,下层主要用于探测器高能光子。
已有方案主要的问题是需要额外的原件或者特殊的设备,成本比较高。使用两个能量扫描,相比单个能量具有一定的材料分辨能力,但分辨能力也很有限。
发明内容
本申请提供了一种模型训练、多能谱CT扫描方法、装置、电子设备和 CT设备,以至少解决相关技术中存在C设备分辨能力有限的问题。
根据本申请实施例的一个方面,提供了一种模型训练方法,包括:按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;分别以多个所述采样电压进行单能扫描,得到第一扫描数据;以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;将所述第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出对所述神经网络模型进行训练得到训练好的神经网络模型。
可选地,所述分别以多个所述采样电压进行单能扫描,得到第一扫描数据包括:分别以多个所述采样电压对不同材料组合的被扫描物进行单能扫描,得到每个采样电压在所有曝光点下的不同材料组合的扫描物的第一扫描数据。
可选地,以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据包括:以渐变射线源电压对不同材料组合的被扫描物进行渐变能扫描,得到每个曝光点对应的一个采样电压下的不同材料组合的被扫描物的第二扫描数据。
可选地,模型训练方法还包括:按照曝光点将第一扫描数据和第二扫描数据进行配对,得到扫描数据对;将所述扫描数据对作为训练样本。
可选地,将所述第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出对所述神经网络模型进行训练得到训练好的神经网络模型包括:将所述第二扫描数据输入所述神经网络模型,得到输出结果;将所述输出结果与所述第二扫描数据所在的扫描数据对中的第一扫描数据进行对比,得到结果误差;基于所述结果误差调整所述神经网络模型的参数,直至所述输出结果与所述第二扫描数据所在的扫描数据对中的第一扫描数据的误差在预设范围内,得到训练好的神经网络模型。
根据本申请实施例的又一个方面,还提供了一种多能谱CT扫描方法,包括:按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;将所述第二扫描数据输入训练好的神经网络模型,得到第一扫描数据,所述第一扫描数据为每个曝光点以同样的采样电压进行扫描得到每个曝光点在所有采样电压下的扫描数据,所述神经网络模型采用第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出进行训练得到;对所述第一扫描数据进行重建得到每个采样电压下的CT图像。
根据本申请实施例的又一个方面,还提供了一种模型训练装置,包括:第一采样模块,用于按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;第一扫描模块,用于分别以多个所述采样电压进行单能扫描,得到第一扫描数据;第二扫描模块,用于以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;训练模块,用于将所述第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出对所述神经网络模型进行训练得到训练好的神经网络模型。
根据本申请实施例的又一个方面,还提供了一种多能谱CT扫描装置,包括:第二采样模块,用于按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;第三扫描模块,用于以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;扫描参数补全模块,将所述第二扫描数据输入训练好的神经网络模型,得到第一扫描数据,所述第一扫描数据为每个曝光点以同样的采样电压进行扫描得到每个曝光点在所有采样电压下的扫描数据,所述神经网络模型采用第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出进行训练得到;重建模块,用于对所述第一扫描数据进行重建得到每个采样电压下的CT图像。
根据本申请实施例的又一个方面,还提供了一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;其中,存储器,用于存储计算机程序;处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行上述任一实施例中的方法步骤。
根据本申请实施例的又一个方面,还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一实施例中的方法步骤。
根据本申请实施例的又一个方面,还提供了一种CT设备,包括:电压发生器,用于产生按周期性变化的射线源电压;射线源,用于在所述射线源电压驱动下发出扫描射线;上述实施例中描述的电子设备。
在本申请实施例中,将射线源电压调制成按照周期变化的渐变电压,并基于曝光点的数量对射线源电压进行采样,获取每一采样电压的在某一角度下的扫描数据,再通过单能扫描得到每个采样电压下所有曝光点的扫描数据,并基于两种数据对神经网络模型进行训练,可以得到输入为某一采样电压下某一曝光点的扫描数据,得到该采样电压下所有角度的扫描数据。进而对扫描数据进行补全,进而可以采用的重建方法,重建得到各个采样电压下的扫描图像,可以实现多能谱CT,大幅增强CT的材料分辨能力。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种可选的模型训练方法和/或多能谱CT 扫描方法的硬件环境的示意图;
图2是根据本申请实施例的一种可选的模型训练方法的流程示意图;
图3是根据本申请实施例的一种可选的对射线源电压采样的示意图;
图4是根据本申请实施例的另一种可选的对射线源电压采样的示意图;
图5是根据本申请实施例的一种可选的多能谱CT扫描方法的流程示意图;
图6是根据本申请实施例的一种可选的模型训练装置的结构框图;
图7是根据本申请实施例的一种可选的多能谱CT扫描装置的结构框图;
图8是根据本申请实施例的一种可选的电子设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,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、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请实施例的一个方面,提供了一种模型训练方法和/或多能谱 CT扫描方法。可选地,在本实施例中,上述模型训练方法和/或多能谱CT 扫描方法可以应用于如图1所示的硬件环境中。如图1所示的由终端102 和服务器104所构成的硬件环境中。如图1所示,服务器104通过网络与终端102进行连接,可在服务器上或独立于服务器设置数据库,用于为服务器104提供数据存储服务,还可以用于处理云服务,上述网络包括但不限于:广域网、城域网或局域网,终端102并不限定于PC、手机、平板电脑、CT设备等。本申请实施例的模型训练方法和/或多能谱CT扫描方法可以由服务器104来执行,也可以由终端102来执行,还可以是由服务器104 和终端102共同执行。其中,终端102执行本申请实施例的模型训练方法和/或多能谱CT扫描方法也可以是由安装在其上的客户端来执行。
以由服务器104和/或终端102来执行本实施例中的模型训练方法和/ 或多能谱CT扫描方法为例,图2是根据本申请实施例的一种可选的模型训练方法的流程示意图,如图2所示,该方法的流程可以包括以下步骤:
步骤S202,按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应。作为示例性的实施例,CT设备在扫描时具有固定的扫描角度,旋转一周则具有固定的曝光点(下面以view为例进行介绍),示例性的,可以对射线源电压kV进行调制,让射线源电压kV在扫描过程中周期性变化。例如最低电压为80kV,最高为140kV,
参见图3所示的射线源电压可以按照三角波变化,在采样时,按照图3 所示的三角波变化进行采样,采样电压为80,82,84,…140,每个view的kV 变化2千伏。当然,在实际实现中也可以采用台阶状的采样电压,比如只使用80,90,100,110,120,130,140,在前面相同的设置下,每5个view的kV变化10千伏。
对于数据的采集,可以设在一圈内有3600个View,在等角度间隔的 3600个角度上曝光并采集数据。
第1个view,kV=80
第2个view,kV=82
…
第60个view,KV=82。
这样完成一次kV渐变的循环。在一圈内循环60次。完成一圈扫描后:
kV=80的view有第1,61,121,…
kV=82的view有第2,60,62,120,…
对采样电压的最小值80和最大值140KV,有60个view数据。对于82 到138之间的采样电压,有120个view的数据。当然,还可以图4所示射线源电压按正弦波变化,采用时可以按照正弦波变化进行采样,其中,采样不是等间距的,每个采样电压的间隔也可以不等
由于低射线源电压kV下射线的穿透能力较弱,射线源电流mA需要配合射线源电压kV同步变化。
步骤S204,分别以多个所述采样电压进行单能扫描,得到第一扫描数据。第一扫描数据可以为每个采样电压在所有曝光点下的不同材料组合的扫描物的扫描数据,具体的,给定的材料组合X,先进行一遍分别遍历所有的采样电压的单能扫描。具体的可以扫描大量不同材料组合的被扫描物的扫描数据。例如,若共有60个采样电压,每一曝光点得到60个采样电压下所有曝光点的不同材料组合的被扫描物的扫描数据。
步骤S206,以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据。示例性的,作为示例性的实施例,每个采样电压对应多个扫描数据,例如,对采样电压的最小值80和最大值140KV, 有60个view数据。对于82到138之间的采样电压,有120个view的数据。示例性的,旋转一圈具有60个曝光点,以第一个采样电压和第一个曝光点为例,第二扫描数据可以为第一个采样电压下第一个曝光点的对不同材料组合的被扫描物的扫描数据。
步骤S208,将所述第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出对所述神经网络模型进行训练得到训练好的神经网络模型。作为示例性的实施例,按照曝光点将第一扫描数据和第二扫描数据进行配对,得到扫描数据对;将所述扫描数据对作为训练样本。将所述第二扫描数据输入所述神经网络模型,得到输出结果;将所述输出结果与所述第二扫描数据所在的扫描数据对中的第一扫描数据进行对比,得到结果误差;基于所述结果误差调整所述神经网络模型的参数,直至所述输出结果与所述第二扫描数据所在的扫描数据对中的第一扫描数据的误差在预设范围内,得到训练好的神经网络模型。示例性的,神经网络模型可以采用CNN网络模型或RNN网络模型。
通过上述步骤S202至步骤S208,将射线源电压调制成按照周期变化的渐变电压,并基于曝光点的数量对射线源电压进行采样,获取每一采样电压的在某一角度下的扫描数据,再通过单能扫描得到每个采样电压下所有曝光点的扫描数据,并基于两种数据对神经网络模型进行训练,可以得到输入为某一采样电压下某一曝光点的扫描数据,得到该采样电压下所有角度的扫描数据。进而对扫描数据进行补全,进而可以采用的重建方法,重建得到各个采样电压下的扫描图像,可以实现多能谱CT,大幅增强CT 的材料分辨能力。
本发明实施例还提供了一种多能谱CT扫描方法,如图5所示,该方法可以包括如下步骤:
S302,按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应。具体可以参见上述实施例中步骤S202的描述。
S304,以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据。具体可以参见上述实施例中步骤S206的描述。
S306,将所述第二扫描数据输入训练好的神经网络模型,得到第一扫描数据,所述第一扫描数据为每个采样电压在所有曝光点下的不同材料组合的扫描物的扫描数据,所述神经网络模型采用第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出进行训练得到,具体的神经网络模型可以参见上述实施例中对于神经网络模型的描述。通过将所述第二扫描数据输入训练好的神经网络模型,利用该神经网络模型对第二扫描数据进行补全,得到每个采样电压在所有曝光点对不同材料组合的扫描物的扫描数据。
S308,对所述第一扫描数据进行重建得到每个采样电压下的CT图像。在补全采样电压在所有角度的数据后,可以采用各种常用的重建方法,重建得到各个采样电压下的图像。
将射线源电压调制成按照周期变化的渐变电压,并基于曝光点的数量对射线源电压进行采样,获取每一采样电压的在某一角度下的扫描数据,通过利用训练好的神经网络模型,得到该采样电压下所有角度的扫描数据。进而对扫描数据进行补全,采用重建方法,重建得到各个采样电压下的扫描图像,可以实现多能谱CT,大幅增强CT的材料分辨能力。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM (Read-Only Memory,只读存储器)/RAM(Random Access Memory,随机存取存储器)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
根据本申请实施例的另一个方面,还提供了一种用于实施上述模型训练方法对应的模型训练装置。图6是根据本申请实施例的一种可选的模型训练装置的示意图,如图6所示,该装置可以包括:
第一采样模块402,用于按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;
第一扫描模块404,用于分别以多个所述采样电压进行单能扫描,得到第一扫描数据;
第二扫描模块406,用于以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;
训练模块408,用于将所述第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出对所述神经网络模型进行训练得到训练好的神经网络模型。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本申请实施例的另一个方面,还提供了一种用于实施上述多能谱 CT扫描方法对应的多能谱CT扫描装置。图7是根据本申请实施例的一种可选的多能谱CT扫描装置的示意图,如图7所示,该装置可以包括:
第二采样模块502,用于按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;
第三扫描模块504,用于以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;
扫描参数补全模块506,将所述第二扫描数据输入训练好的神经网络模型,得到第一扫描数据,所述第一扫描数据为每个曝光点以同样的采样电压进行扫描得到每个曝光点在所有采样电压下的扫描数据,所述神经网络模型采用第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出进行训练得到;
重建模块508,用于对所述第一扫描数据进行重建得到每个采样电压下的CT图像。
此处需要说明的是,上述模块与对应的步骤所实现的示例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在如图1所示的硬件环境中,可以通过软件实现,也可以通过硬件实现,其中,硬件环境包括网络环境。
根据本申请实施例的又一个方面,还提供了一种用于实施上述模型训练方法和/或多能谱CT扫描方法的电子设备,该电子设备可以是服务器、终端、或者其组合。
图8是根据本申请实施例的一种可选的电子设备的结构框图,如图8 所示,包括处理器602、通信接口604、存储器606和通信总线608,其中,处理器602、通信接口604和存储器606通过通信总线608完成相互间的通信,其中,
存储器606,用于存储计算机程序;
处理器602,用于执行存储器606上所存放的计算机程序时,实现上述实施例中的模型训练方法和/或多能谱CT扫描方法。
可选地,在本实施例中,上述的通信总线可以是PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线、或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM,也可以包括非易失性存储器(non-volatile memory),例如,至少一个磁盘存储器。可选地,存储器还可以是至少一个位于远离前述处理器的存储装置。
作为一种示例,如图8所示,上述存储器602中可以但不限于包括上述模型训练装置和/或多能谱CT扫描装置。
上述处理器可以是通用处理器,可以包含但不限于:CPU(Central ProcessingUnit,中央处理器)、NP(Network Processor,网络处理器)等;还可以是DSP(DigitalSignal Processing,数字信号处理器)、ASIC (Application Specific IntegratedCircuit,专用集成电路)、FPGA (Field-Programmable Gate Array,现场可编程门阵列)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。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例在此不再赘述。
本领域普通技术人员可以理解,图8所示的结构仅为示意,实施上述模型训练方法和/或多能谱CT扫描方法的设备可以是终端设备,该终端设备可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图8其并不对上述电子装置的结构造成限定。例如,终端设备还可包括比图8中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图8所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面,还提供了一种存储介质。可选地,在本实施例中,上述存储介质可以用于执行模型训练方法和/或多能谱CT 扫描方法的程序代码。
可选地,在本实施例中,上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地,在本实施例中,存储介质被设置为存储用于执行模型训练方法和/或多能谱CT扫描方法的程序代码。
可选地,本实施例中的具体示例可以参考上述实施例中所描述的示例,本实施例中对此不再赘述。
可选地,在本实施例中,上述存储介质可以包括但不限于:U盘、 ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,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,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例中所提供的方案的目的。
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。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (9)
1.一种模型训练方法,其特征在于,包括:
按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;
分别以多个所述采样电压进行单能扫描,得到第一扫描数据;
以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;
将所述第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出对所述神经网络模型进行训练得到训练好的神经网络模型;
其中,所述分别以多个所述采样电压进行单能扫描,得到第一扫描数据包括:
分别以多个所述采样电压对不同材料组合的被扫描物进行单能扫描,得到每个采样电压在所有曝光点下的不同材料组合的扫描物的第一扫描数据。
2.如权利要求1所述的模型训练方法,其特征在于,以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据包括:
以渐变射线源电压对不同材料组合的被扫描物进行渐变能扫描,得到每个曝光点对应的一个采样电压下的不同材料组合的被扫描物的第二扫描数据。
3.如权利要求1所述的模型训练方法,其特征在于,还包括:
按照曝光点将第一扫描数据和第二扫描数据进行配对,得到扫描数据对;
将所述扫描数据对作为训练样本。
4.如权利要求3所述的模型训练方法,其特征在于,将所述第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出对所述神经网络模型进行训练得到训练好的神经网络模型包括:
将所述第二扫描数据输入所述神经网络模型,得到输出结果;
将所述输出结果与所述第二扫描数据所在的扫描数据对中的第一扫描数据进行对比,得到结果误差;
基于所述结果误差调整所述神经网络模型的参数,直至所述输出结果与所述第二扫描数据所在的扫描数据对中的第一扫描数据的误差在预设范围内,得到训练好的神经网络模型。
5.一种多能谱CT扫描方法,其特征在于,包括:
按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;
以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;
将所述第二扫描数据输入训练好的神经网络模型,得到第一扫描数据,所述第一扫描数据为每个曝光点以同样的采样电压进行扫描得到每个曝光点在所有采样电压下的扫描数据,所述神经网络模型采用第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出进行训练得到;
对所述第一扫描数据进行重建得到每个采样电压下的CT图像;
其中,所述第一扫描数据为每个采样电压在所有曝光点下的不同材料组合的扫描物的扫描数据。
6.一种模型训练装置,其特征在于,包括:
第一采样模块,用于按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;
第一扫描模块,用于分别以多个所述采样电压进行单能扫描,得到第一扫描数据;
第二扫描模块,用于以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;
训练模块,用于将所述第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出对所述神经网络模型进行训练得到训练好的神经网络模型;
其中,第一扫描模块,用于分别以多个所述采样电压进行单能扫描,得到第一扫描数据包括:
分别以多个所述采样电压对不同材料组合的被扫描物进行单能扫描,得到每个采样电压在所有曝光点下的不同材料组合的扫描物的第一扫描数据。
7.一种多能谱CT扫描装置,其特征在于,包括:
第二采样模块,用于按照曝光点的数量对渐变射线源电压进行采样,得到多个采样电压,所述渐变射线源电压按周期性变化,所述采样电压与所述曝光点一一对应;
第三扫描模块,用于以渐变射线源电压进行渐变能扫描,得到每个采样电压对应的曝光点的第二扫描数据;
扫描参数补全模块,将所述第二扫描数据输入训练好的神经网络模型,得到第一扫描数据,所述第一扫描数据为每个曝光点以同样的采样电压进行扫描得到每个曝光点在所有采样电压下的扫描数据,所述神经网络模型采用第二扫描数据作为神经网络模型的输入,将所述第一扫描数据作为所述神经网络模型的输出进行训练得到;
重建模块,用于对所述第一扫描数据进行重建得到每个采样电压下的CT图像;
其中,所述第一扫描数据为每个采样电压在所有曝光点下的不同材料组合的扫描物的扫描数据。
8.一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,所述处理器、所述通信接口和所述存储器通过所述通信总线完成相互间的通信,其特征在于,
所述存储器,用于存储计算机程序;
所述处理器,用于通过运行所述存储器上所存储的所述计算机程序来执行权利要求1至4中任一项所述的模型训练方法和/或权利要求5中所述的多能谱CT扫描方法。
9.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行权利要求1至4中任一项所述的模型训练方法和/或权利要求5中所述的多能谱CT扫描方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390911.1A CN112603345B (zh) | 2020-12-02 | 2020-12-02 | 模型训练、多能谱ct扫描方法、装置、电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390911.1A CN112603345B (zh) | 2020-12-02 | 2020-12-02 | 模型训练、多能谱ct扫描方法、装置、电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112603345A CN112603345A (zh) | 2021-04-06 |
CN112603345B true CN112603345B (zh) | 2021-10-15 |
Family
ID=75228500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011390911.1A Active CN112603345B (zh) | 2020-12-02 | 2020-12-02 | 模型训练、多能谱ct扫描方法、装置、电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112603345B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116842321B (zh) * | 2023-07-11 | 2024-03-15 | 赛诺威盛医疗科技(扬州)有限公司 | 计算机断层扫描设备的扫描数据的校正方法及校正装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6950493B2 (en) * | 2003-06-25 | 2005-09-27 | Besson Guy M | Dynamic multi-spectral CT imaging |
EP2378974B1 (en) * | 2008-12-17 | 2013-04-03 | Koninklijke Philips Electronics N.V. | X-ray examination apparatus and method |
CN103876772B (zh) * | 2014-03-20 | 2015-12-09 | 中北大学 | 一种多谱成像方法和装置 |
WO2016003957A2 (en) * | 2014-07-03 | 2016-01-07 | Duke University | Spectral estimation and poly-energetic reconstruction methods and x-ray systems |
CN106683145B (zh) * | 2014-12-22 | 2020-06-02 | 上海联影医疗科技有限公司 | 获取ct图像的方法 |
CN109242920B (zh) * | 2017-07-11 | 2020-06-02 | 清华大学 | 物质分解方法、装置和系统 |
CN108921282B (zh) * | 2018-05-16 | 2022-05-31 | 深圳大学 | 一种深度神经网络模型的构建方法和装置 |
DE102018221691A1 (de) * | 2018-12-13 | 2020-06-18 | Siemens Healthcare Gmbh | Individuell angepasstes Erzeugen von virtuellen Bilddaten auf Basis einer Multi-Energie-Röntgenbildgebung |
US20200312611A1 (en) * | 2019-03-29 | 2020-10-01 | Fei Company | Artificial intelligence enabled volume reconstruction |
CN110189389B (zh) * | 2019-05-31 | 2022-08-05 | 首都师范大学 | 基于深度学习的双能谱ct投影域基材料分解方法及装置 |
CN110544282B (zh) * | 2019-08-30 | 2022-03-29 | 清华大学 | 基于神经网络的三维多能谱ct重建方法和设备及存储介质 |
-
2020
- 2020-12-02 CN CN202011390911.1A patent/CN112603345B/zh active Active
Non-Patent Citations (1)
Title |
---|
基于小波分析的分能段计算机断层扫描成像;孙春霞等;《激光与光电子学进展》;20160824;第53卷(第9期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112603345A (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schawinski et al. | Generative adversarial networks recover features in astrophysical images of galaxies beyond the deconvolution limit | |
Lutz et al. | PACS evolutionary probe (PEP)–a Herschel key program | |
US11250595B2 (en) | Tiled image compression using neural networks | |
Bordoloi et al. | Photo-z performance for precision cosmology | |
Watson | Efficiency of a model human image code | |
CN112603345B (zh) | 模型训练、多能谱ct扫描方法、装置、电子设备 | |
Gießübel et al. | Polarized synchrotron radiation from the Andromeda galaxy M 31 and background sources at 350 MHz | |
Lu et al. | A learning‐based material decomposition pipeline for multi‐energy x‐ray imaging | |
Cerruti et al. | Constraining the parameter space of the one-zone synchrotron-self-Compton model for GeV-TeV detected BL Lacertae objects | |
GB2583623A (en) | Fusing sparse kernels to approximate a full kernel of a convolutional neural network | |
Smolčić et al. | The XXL Survey-XXIX. GMRT 610 MHz continuum observations | |
AT514901A1 (de) | Energiegerät | |
CN103622716A (zh) | 图像处理设备、图像处理方法和图像处理系统 | |
Kang et al. | Fusion framework for multi‐focus images based on compressed sensing | |
Neronov et al. | Online data analysis system of the INTEGRAL telescope | |
CN112697821B (zh) | 多能谱ct扫描方法、装置、电子设备和ct设备 | |
CN110675467B (zh) | 能谱ct的材料分解方法、装置、存储介质及电子设备 | |
CN111223161B (zh) | 一种图像重建方法、装置及存储介质 | |
Peralta de Arriba et al. | Constraints on the evolutionary mechanisms of massive galaxies since z∼ 1 from their velocity dispersions | |
Martínez et al. | LFSR generation for high test coverage and low hardware overhead | |
CN109459452A (zh) | 有效原子序数计算方法、装置和存储介质 | |
CN111839557A (zh) | X射线高压发生器的双能曝光控制方法、装置 | |
Cruz et al. | Detection of the secondary eclipse of Qatar-1b in the Ks band | |
CN109959669A (zh) | 基材料分解方法和装置及计算机可读存储介质 | |
Uehara et al. | Infrared/optical–X-ray simultaneous observations of X-ray flares in GRB 071112C and GRB 080506 |
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: 100176 1st floor, building 8, 11 Kangding street, Beijing Economic and Technological Development Zone, Daxing District, Beijing Applicant after: Sinovision Technology (Beijing) Co.,Ltd. Address before: 1 / F, building 8, No. 11, Kangding street, Daxing Economic and Technological Development Zone, Beijing 100176 Applicant before: SAINUO WEISHENG TECHNOLOGY (BEIJING) Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |