CN112734877B - 一种校正伪影的方法和系统 - Google Patents

一种校正伪影的方法和系统 Download PDF

Info

Publication number
CN112734877B
CN112734877B CN202110045078.5A CN202110045078A CN112734877B CN 112734877 B CN112734877 B CN 112734877B CN 202110045078 A CN202110045078 A CN 202110045078A CN 112734877 B CN112734877 B CN 112734877B
Authority
CN
China
Prior art keywords
projection data
correction
entity
data
transformation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110045078.5A
Other languages
English (en)
Other versions
CN112734877A (zh
Inventor
刘炎炎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai United Imaging Healthcare Co Ltd
Original Assignee
Shanghai United Imaging Healthcare Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai United Imaging Healthcare Co Ltd filed Critical Shanghai United Imaging Healthcare Co Ltd
Priority to CN202110045078.5A priority Critical patent/CN112734877B/zh
Publication of CN112734877A publication Critical patent/CN112734877A/zh
Priority to PCT/CN2022/071843 priority patent/WO2022152218A1/en
Application granted granted Critical
Publication of CN112734877B publication Critical patent/CN112734877B/zh
Priority to US18/344,816 priority patent/US20230342997A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • 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
    • 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
    • A61B6/48—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 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/41—Medical
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/408—Dual energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/441—AI-based methods, deep learning or artificial neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/448—Computed tomography involving metal artefacts, streaking artefacts, beam hardening or photon starvation

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Surgery (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提出了一种校正伪影的方法和系统。所述方法包括：获取与成像对象相关的实体投影数据和变换投影数据，所述变换投影数据包括与探测器组件产生的像素遮挡相关的第一投影数据；将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据。通过训练得到的校正模型实现对多能谱射线伪影的高效和准确校正，令得到的校正投影数据更符合实际系统的复杂性，校正效果更好。

Description

一种校正伪影的方法和系统
技术领域
本申请涉及扫描设备以及计算机技术领域，特别涉及一种校正伪影的方法和系统。
背景技术
在设备扫描成像过程中，射线发射装置例如球管产生的射线具有连续的能量分布。多能谱(Multi-energy/spectral)射线成像是利用物质在不同射线能量下产生的不同的吸收来提供影像信息。多能谱射线成像中，由于发出的射线是宽光谱光源，传输过程中会发生射束硬化，导致不同位置的物质衰减有所不同，进而在图像上表现为杯状伪影，造成物质投影数据例如CT值的偏差，影响扫描图像的均匀性，降低了成像质量。
因此，亟需一种校正伪影的方法和系统。
发明内容
本说明书一个方面提供一种校正伪影的方法。所述方法包括：获取与成像对象相关的实体投影数据和变换投影数据，所述变换投影数据包括与探测器组件产生的像素遮挡相关的第一投影数据；将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据。
本说明书另一个方面提供一种校正伪影的系统。所述系统包括：数据获取模块：用于获取与成像对象相关的实体投影数据和变换投影数据，所述变换投影数据包括与探测器组件产生的像素遮挡相关的第一投影数据；校正模块：用于将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据。
本说明书另一个方面提供一种校正伪影的装置，包括处理器，所述处理器用于执行校正伪影的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：
图1是根据本说明书一些实施例所示的伪影校正的系统的应用场景示意图；
图2是根据本说明书的一些实施例所示的示例性校正伪影的系统的模块图；
图3是根据本说明书一些实施例所示的校正伪影的方法的示例性流程图；
图4是根据本说明书一些实施例所示的校正模型的训练方法的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
应当理解，本说明书中所使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。
图1是根据本说明书的一些实施例所示的伪影校正的系统的应用场景示意图。
在多能谱射线成像中，发出的射线是宽光谱光源，传输过程中会发生射束硬化，导致不同位置的物质衰减有所不同，进而在图像上表现为伪影，可以称为多能谱射线伪影，多能谱射线伪影会对实体投影数据造成影响，影响扫描图像的均匀性，降低成像质量。校正伪影的系统可以用于各种射线扫描装置的多能谱射线伪影的校正，例如可以用于X光扫描设备的多能谱射线伪影校正、CT设备(计算机X线断层扫描设备)的多能谱射线伪影校正、PET-CT设备(正电子发射计算机断层显像设备)的多能谱射线伪影校正、激光扫描设备的多能谱射线伪影校正等等。
如图1所示，伪影校正系统的应用场景100中可以包括第一计算系统130、第二计算系统120。第一计算系统130和第二计算系统120可以相同也可以不同。第一计算系统130和第二计算系统120是指具有计算能力的系统，可以包括各种计算机，比如服务器、个人计算机，也可以是由多台计算机以各种结构连接组成的计算平台。
第一计算系统130和第二计算系统120中可以包括处理器，处理器可以执行程序指令。处理器可以包括各种常见的通用中央处理器(Central Processing Unit,CPU)，图形处理器(Graphics Processing Unit,GPU)，微处理器(Microprocessor Unit,MPU)，特殊应用集成电路(Application-Specific Integrated Circuit,ASIC)，或其他类型的集成电路。
第一计算系统130和第二计算系统120中可以包括存储介质，存储介质可以存储指令，也可以存储数据。存储介质可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器(ROM)等或其任意组合。
第一计算系统130和第二计算系统120还可以包括用于内部连接和与外部连接的网络，也可以包括用于输入或输出的终端。网络可以是有线网络或无线网络中的任意一种或多种。终端可以包括各类具有信息接收和/或发送功能的设备，如计算机、手机、文字扫描设备、显示设备、打印机等。
第二计算系统120可以获取训练样本110。训练样本110可以包括实体投影数据样本、第一投影数据样本、第二投影数据样本和实体投影数据样本对应的标准能谱射线的标准投影数据。训练样本110可以通过各种常见的方式进入第二计算系统120。
第二计算系统120可以包括初始校正模型。在一些实施例中，该初始校正模型可以是神经网络模型。标准投影数据可以作为输入投影数据140(包括实体投影数据样本、第一投影数据样本和第二投影数据样本)的标签，来对初始校正模型进行训练。初始校正模型训练好后，即可得到校正模型125。第二计算系统120可以得到校正模型125，还可以基于校正模型125确定校正系数126，校正系数126可以用于投影数据的多能谱射线伪影校正计算，或用于其它探测设备的误差分析。关于该过程的详细描述可以参见图3、图4的说明，此处不再赘述。
第一计算系统130可以获取探测设备的输入投影数据140(包括实体投影数据样本、第一投影数据样本和第二投影数据样本)。探测设备的输入投影数据140(包括实体投影数据样本、第一投影数据样本和第二投影数据样本)可以通过各种常见的方式进入第一计算系统130。
第一计算系统130可以通过基于输入投影数据140(包括实体投影数据样本、第一投影数据样本和第二投影数据样本)和校正模型125进行校正，得到校正多能谱射线伪影后的校正投影数据150。第一计算系统130还可以通过校正系数126，进行投影数据的多能谱射线伪影校正计算校正投影数据150。可以实现对多能谱射线伪影的高效和准确校正，且多能谱射线伪影的校正在原始投影数据的基础上结合了第一投影数据和第二投影数据，考虑了像素遮挡的影响和探测器位置的影响，令得到的校正投影数据150更符合实际系统的复杂性，校正效果更好。
图2是根据本说明书的一些实施例所示的示例性校正伪影的系统的模块图。
在一些实施例中，校正伪影的系统200可以包括数据获取模块210和校正模块220。
在一些实施例中，数据获取模块210可以用于获取探测设备的与多能谱射线成像相关的实体投影数据和变换投影数据，所述变换投影数据包括与探测器组件产生的像素遮挡相关的第一投影数据。在一些实施例中，所述第一投影数据基于所述实体投影数据和探测器组件产生的像素遮挡对所述投影数据的影响确定，所述数据获取模块还可以用于：基于所述实体投影数据的指数变换确定所述第一投影数据。在一些实施例中，所述变换投影数据还包括与探测器位置相关的第二投影数据。在一些实施例中，所述第二投影数据基于所述实体投影数据和探测器位置对所述投影数据的影响确定，所述数据获取模块还可以用于：基于所述实体投影数据相对于所述探测器位置的变化程度确定所述第二投影数据。在一些实施例中，所述实体投影数据包括实体的原始投影数据和至少一个所述原始投影数据的N次项，N为大于或等于2的整数。
在一些实施例中，校正模块220可以用于将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据，所述校正投影数据为对偏差进行校正后的投影数据，所述偏差为所述探测设备所得探测图像的多能谱射线伪影对应的投影数据偏差。
在一些实施例中，伪影校正系统200可以进一步包括模型训练模块和校正系数确定模块(图中未示出)。
在一些实施例中，模型训练模块可以用于获取所述探测设备的实体投影数据样本、变换投影数据样本和所述实体投影数据样本对应的标准投影数据；将所述实体投影数据样本、所述变换投影数据样本和所述标准投影数据作为训练样本，对初始校正模型进行训练得到所述训练好的校正模型。
在一些实施例中，校正系数确定模块可以用于基于所述训练好的校正模型的参数确定校正系数，所述校正系数用于校正所述探测设备的所述偏差。在一些实施例中，所述校正系数确定模块还可以用于：基于所述训练好的校正模型的权重确定所述校正系数。
应当理解，所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。
需要注意的是，以上对于校正伪影的系统200及其模块的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个模块进行任意组合，或者构成子系统与其他模块连接。例如，数据获取模块210、校正模块220、模型训练模块和/或校正系数确定模块可以共用一个存储模块，各个模块也可以分别具有各自的存储模块。诸如此类的变形，均在本申请的保护范围之内。
图3是根据本说明书的一些实施例所示的校正伪影的方法的示例性流程图。
如图3所示，该校正伪影的方法300可以包括：
步骤310，获取与成像对象相关的实体投影数据和变换投影数据，所述变换投影数据包括与探测器组件产生的像素遮挡相关的第一投影数据。
具体的，该步骤310可以由数据获取模块210执行。
探测设备是指用来探测或扫描的设备，可以为射线扫描装置。例如可以是X光扫描设备、CT设备、PET-CT设备、激光扫描设备或其它射线扫描装置。
探测设备可以用来对对象进行扫描，对象可以是能够被射线扫描的实体对象，例如模体、人体、物品等。扫描的方式可以为普通扫描或特殊扫描。在一些实施例中，普通扫描可以包括横断扫描、冠状扫描。在一些实施例中，特殊扫描可以包括定位扫描、薄层扫描、放大扫描、靶扫描、高分辨力扫描等。在一些实施例中，探测设备可以从不同角度对对象进行多次扫描，获取多个不同角度的扫描数据。在一些实施例中，探测设备可以采用多能谱射线进行扫描，也可以采用单能谱射线进行扫描。
投影数据可以是指设备对对象进行扫描时，探测器获得的扫描数据。例如CT设备对对象进行扫描，探测器可以获得对象的投影值p。
实体投影数据是指探测设备对实体对象进行扫描获得的投影数据。在本实施例中，实体投影数据可以为探测设备采用多能谱射线对实体对象进行扫描获得的投影数据。因为多能谱射线成像中，发出的射线是宽光谱光源，传输过程中会发生射束硬化，导致不同位置的物质衰减有所不同，进而在所得探测图像上表现为伪影，可以称为多能谱射线伪影，实体投影数据可以是探测设备的与多能谱射线成像相关的投影数据，所以实体投影数据是包含有多能谱射线伪影的影响的投影数据。
在一些实施例中，实体投影数据可以包括实体的原始投影数据和至少一个原始投影数据的N次项，N为大于或等于2的整数。实体的原始投影数据即是基于对实体对象进行扫描可以直接获得的投影数据，例如对象的投影值p。至少一个原始投影数据的N次项是指对原始投影数据进行处理计算得到的投影数据的多项式数据。例如，对于原始投影数据为对象的投影值p，至少一个原始投影数据的N次项可以包括p2、p3…pN，N为大于或等于2的整数。在一些实施例中，实体投影数据可以包括原始投影数据的N次项中的一个或多个。
变换投影数据是指基于实体投影数据进行变换或处理得到的投影数据。
在一些实施例中，变换投影数据包括与探测器组件产生的像素遮挡相关的第一投影数据。
第一投影数据是探测设备对实体对象进行扫描获得的与探测器组件产生的像素遮挡相关的投影数据。探测器组件产生的像素遮挡是指在探测设备对实体对象进行扫描时，探测器组件对每个像素可能会产生遮挡区域，像素遮挡会影响扫描得到的投影数据，进而导致扫描生成的图像产生伪影。具体地，探测器组件可以包括防散射栅格(ASG)、前准直器、蝶形滤过器等探测器组件，因防散射栅格的栅格片可能会产生倾斜或变形等因素，以及前准直器、蝶形滤过器等探测器组件可能会由于安装位置偏差、倾斜、变形等因素而对像素产生遮挡区域，导致扫描生成的图像产生伪影。在不同像素位置，探测器组件产生的遮挡区域存在差异，可以基于探测器组件对各个像素产生的不同遮挡区域对投影数据的影响来确定第一投影数据。
在一些实施例中，第一投影数据可以基于获得的实体投影数据和探测器组件产生的像素遮挡对投影数据的影响确定，具体地，可以基于实体投影数据的指数变换确定第一投影数据。以实体投影数据为对象的投影值p为例，可以对投影值p做指数变换，例如exp(-p)，将exp(-p)作为对应的第一投影数据。通过本实施例，对投影数据做指数变换，可以将投影数据从投影域数据转换到强度域数据，在强度域数据中，可以体现出像素遮挡对投影数据的影响。
在一些实施例中，变换投影数据还包括与探测器位置相关的第二投影数据。
第二投影数据是探测设备对实体对象进行扫描获得到与探测器位置相关的投影数据。探测器位置是指探测器的实际安装位置，在探测设备对实体对象进行扫描时，探测器的实际安装位置可能与理想位置或者设计位置有所偏差，由于该偏差，会对扫描得到投影数据产生影响，导致投影数据出现偏差，可以基于探测器位置对投影数据的影响来确定第二投影数据。
在一些实施例中，第二投影数据可以基于实体投影数据和探测器位置对投影数据的影响确定，具体地，可以基于实体投影数据相对于探测器位置的变化程度确定第二投影数据。在一些实施例中，可以基于实体投影数据对应的与探测器位置相关的梯度信息来确定第二投影数据。以实体投影数据为对象的投影值p为例，可以对投影值p进行微分变换，例如dp/dx，将dp/dx作为对应的第二投影数据。通过本实施例，基于探测器位置对投影数据做微分变换，可以得到投影数据相对于探测器位置的变化情况数据，通过该变化情况数据可以体现出探测器位置对投影数据的影响。
步骤320，将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据。
具体的，该步骤320可以由校正模块220执行。
校正投影数据是指对实体投影数据进行多能谱射线伪影校正后的投影数据。
校正模型是用于得到校正投影数据的神经网络模型，校正模型的输入为实体投影数据、变换投影数据(第一投影数据和/或第二投影数据)，输出为校正投影数据。其中，输入校正模型的实体投影数据可以只包括原始投影数据，也可以包括原始投影数据和原始投影数据的多项式。将原始投影数据的多项式作为校正模型的输入，具体地是将原始投影数据的各个多项式(例如p2、p3…pN)分别作为校正模型的输入中的一个。基于原始投影数据的多项式，可以实现对原始投影数据的拟合，通过对原始投影数据的拟合，可以实现将含有多能谱射线伪影的投影数据拟合为单能谱射线的投影数据，单能谱射线的投影数据是指采用单一能量(即单一频率)的射线获得的投影数据，单一能量射线源的情况下，可以消除多能谱射线伪影，即可以理解为多能谱射线伪影的投影数据拟合为单能谱射线的投影数据后，消除了多能谱射线伪影的投影数据偏差。
在一些实施例中，校正模型的输入还可以包括常数，例如常数f。输入校正模型的常数可以用于表示探测器在没有光照时的基线输出的值。常数输入模型中，可以等同于模型的偏置。在一些实施例中，常数可以通过对探测设备测试或获取探测设备的设备参数进行确定，例如对探测设备测试得到探测器在没有光照时的基线输出的值并将其作为输入模型的常数。
校正模型可以采用机器学习模型。在一些实施例中，校正模型可以采用神经网络模型。在一些实施例中，神经网络模型可以为包含能够对输入和输出之间关系建模的神经元的神经网络模型。在一些实施例中，神经网络模型可以采用包含输入层、隐藏层和输出层的神经网络模型，其中隐藏层可以包括1个或多个(例如2个、3个等)，每个隐藏层的节点可以包括1个或多个(例如4个、5个等)，例如可以采用包含输入层、隐藏层和输出层的前馈神经网络模型RBF、前馈神经网络模型FFNN或其他简单神经网络模型，还可以采用包括多个隐藏层的循环神经网络模型RNN、深度前馈神经网络模型DFF等深度神经网络模型。以校正模型采用深度前馈神经网络模型DFF为例，将实体投影数据、第一投影数据和第二投影数据输入深度前馈神经网络模型DFF，经过多个隐藏层，深度前馈神经网络模型DFF最后输出得到校正投影数据。
校正模型是通过训练得到的，在一些实施例中，校正模型可以基于训练样本，通过常用的方法对初始校正模型进行训练，学习模型参数，初始校正模型训练好后即得到校正模型。关于校正模型的训练方法，可以参见图4及其相关说明，此处不再赘述。
在一些实施例中，得到校正了探测设备的多能谱射线伪影的校正投影数据后，可以有多种用途，可以用来重建图像，得到校正了多能谱射线伪影的图像，还可以用于得到校正了多能谱射线的射束硬化影响的能谱数据等。
图4是根据本说明书的一些实施例所示的校正模型的训练方法的示例性流程图。
如图4所示，该方法400可以包括：
步骤410，获取所述探测设备的实体投影数据样本、变换投影数据样本和所述实体投影数据样本对应的标准能谱射线的标准投影数据。
具体的，该步骤410可以由模型训练模块执行。
实体投影数据样本是指实体投影数据的样本数据。在一些实施例中，实体投影数据样本可以基于探测设备扫描模体得到、可以通过模拟的方法获取得到(例如通过单能谱射线的投影数据模拟获得实体投影数据)、还可以通过采集探测设备的历史扫描数据得到，本实施例对此不做限制。模体是指用于模拟实际所要扫描对象的物体，模体对辐射的吸收或散射作用可以与要扫描的对象相同。在一些实施例中，模体可以为非金属材料或金属材料，金属材料可以包括铜、铁、镍、合金等；非金属材料可以包括有机材料、无机材料等。
变换投影数据样本是指变换投影数据的样本数据，变换投影数据样本可以包括第一投影数据样本和/或第二投影数据样本。
第一投影数据样本是指第一投影数据的样本数据。在一些实施例中，第一投影数据样本可以基于对实体投影数据样本做预处理得到，具体地，可以基于实体投影数据样本的指数变换确定第一投影数据样本。基于实体投影数据样本得到第一投影数据样本的方法与基于实体投影数据得到第一投影数据的方法相同，具体内容可以参见图3中步骤310及其相关描述，此处不再赘述。
第二投影数据样本是指第二投影数据的样本数据。在一些实施例中，第二投影数据样本可以基于对实体投影数据样本做预处理得到，具体地，可以基于实体投影数据样本相对于探测器位置的变化程度确定第二投影数据样本，例如对实体投影数据样本做微分变换。基于实体投影数据样本得到第二投影数据样本的方法与基于实体投影数据得到第二投影数据的方法相同，具体内容可以参见图3中步骤310及其相关描述，此处不再赘述。
标准能谱射线是指能够消除多能谱射线伪影的能谱射线，具体地，可以是单能谱射线。采用标准能谱射线得到的投影数据可以称为标准投影数据，具体地，标准投影数据可以为单能谱射线的投影数据。对于每一个实体投影数据样本，都获取得到对应的标准投影数据。在一些实施例中，标准投影数据可以通过对实体投影数据(即多能谱射线的投影数据)进行模拟获得，还可以通过利用探测设备进行单能谱射线的扫描来获得，本实施例对此不做限制。
步骤420，将所述实体投影数据样本、所述变换投影数据样本和所述标准投影数据作为训练样本，对初始校正模型进行训练得到所述训练好的所述校正模型。
具体的，该步骤420可以由模型训练模块执行。
将实体投影数据样本、变换投影数据样本和标准投影数据作为训练样本，对初始校正模型进行训练，是指将实体投影数据样本、变换投影数据样本(第一投影数据样本和/或第二投影数据样本)作为初始校正模型的输入，并将对应的标准投影数据作为初始校正模型的输出的金标准数据，也就是模型的输入数据(实体投影数据样本、第一投影数据样本、第二投影数据样本)的标签，来对初始校正模型进行训练。具体地，在校正模型的训练过程中，输入实体投影数据样本、变换投影数据样本到初始校正模型，并将输入数据对应的模型输出，与对应的标准投影数据进行比较，调整模型的参数。随着初始校正模型的训练，可以学习得到模型的各个参数，例如校正模型的权重。
在一些实施例中，初始校正模型可以基于训练样本，通过常用的方法进行训练，学习模型参数。例如，可以基于梯度下降法、牛顿法、多次迭代或其它模型方法等进行训练。在一些实施例中，当训练得到的辅助模型满足预设条件时，训练结束。其中，预设条件可以是损失函数结果收敛或小于预设阈值等。具体地，可以通过调整问答模型的参数(例如，学习率、迭代次数、批次大小等参数)优化损失函数，当损失函数满足预设条件时，训练结束，得到辅助模型。在一些实施例中，优化损失函数的方法可以通过梯度下降(BGD)、随机梯度下降(SGD)等方法实现。
在一些实施例中，可以基于训练好的校正模型的参数确定校正系数，校正系数用于校正所述探测设备的偏差，所述偏差为所述探测设备所得探测图像的多能谱射线伪影对应的投影数据偏差。该步骤可以由校正系数确定模块执行。例如，可以基于训练好的校正模型的权重、偏置、卷积核等参数确定校正系数。
在一些实施例中，可以基于训练好的校正模型的权重确定校正系数。对于训练好的校正模型，每一个输入(包括实体投影数据、第一投影数据、第二投影数据)都会对应有一个权重。例如，校正模型对输入数据实体投影数据p、第一投影数据exp(-p)、第二投影数据dp/dx和输出数据p’之间的关系建模为式(1)：
Figure BDA0002896955030000101
其中，a、b、c为各个输入数据对应的权重。
训练好的校正模型即可以确定得到各个输入数据对应的权重a、b、c，权重a、b、c即为所需的校正系数。得到校正系数后，可以用于校正投影数据的多能谱射线伪影校正计算，或用于其它探测设备的误差分析。
在一些实施例中，输入校正模型的实体投影数据可以包括至少一个原始投影数据的N次项，以p2和p3为例，校正模型对输入数据实体投影数据p、p的多项式p2和p3、第一投影数据exp(-p)、第二投影数据dp/dx和输出数据p’之间的关系可以建模为式(2)：
Figure BDA0002896955030000102
其中，a、b、c、d、e为各个输入数据对应的权重。
训练好的校正模型可以确定得到各个输入数据对应的权重a、b、c、d、e，并将其作为校正系数。其中，基于至少一个原始投影数据的N次项，即原始投影数据的多项式，可以实现原始投影数据的拟合，通过训练好的校正模型得到作为输入的各个多项式的各个权重，该权重即为可以用于实现对原始数据进行拟合的拟合系数，也即校正系数。
通过本实施例，基于校正模型的参数去确定校正系数的方法，可以实现只需少量训练样本数据来训练得到校正模型。由于校正系数的数据量是较少的，只有几个数据，所以少量训练样本数据训练得到的校正模型即能够得到比较稳定的几个校正系数数据，不需大量的训练样本来支撑校正模型的训练，实用性更强，能够更方便地校正探测设备的多能谱射线伪影。
本说明书实施例还提供一种装置，包括处理器，所述处理器用于执行前述的校正伪影的方法。所述校正伪影的方法可以包括：获取探测设备的与多能谱射线成像相关的实体投影数据和变换投影数据，所述变换投影数据包括与探测器组件产生的像素遮挡相关的第一投影数据；将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据，所述校正投影数据为对偏差进行校正后的投影数据，所述偏差为所述探测设备所得探测图像的多能谱射线伪影对应的投影数据偏差。
本说明书实施例还提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行前述的校正伪影的方法。所述校正伪影的方法可以包括：获取探测设备的与多能谱射线成像相关的实体投影数据和变换投影数据，所述变换投影数据包括与探测器组件产生的像素遮挡相关的第一投影数据；将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据，所述校正投影数据为对偏差进行校正后的投影数据，所述偏差为所述探测设备所得探测图像的多能谱射线伪影对应的投影数据偏差。
本说明书实施例可能带来的有益效果包括但不限于：(1)通过训练得到的校正模型实现对多能谱射线伪影的高效和准确校正，且多能谱射线伪影的校正在原始投影数据的基础上结合了第一投影数据、第二投影数据，考虑了像素遮挡的影响和探测器位置的影响，令得到的校正投影数据更符合实际系统的复杂性，校正效果更好；(2)通过将投影值的原始数据、第一投影数据、第二投影数据作为校正模型的输入，借由校正模型的训练可以获取不同输入的权重，可以实现只需少量训练样本数据来训练得到校正系数，实用性更强，能够更方便地校正探测设备的多能谱射线伪影；(3)通过使用校正模型进行多能谱射线伪影的校正，可以实现基于神经网络强大的拟合能力，进行除多项式拟合校正外的多种输入数据拟合校正，不受限于多项式拟合校正，且可以使得拟合的效果更好。需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或处理设备上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网(LAN)或广域网(WAN)，或连接至外部计算机(例如通过因特网)，或在云计算环境中，或作为服务使用如软件即服务(SaaS)。
此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的处理设备或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种校正伪影的方法，其特征在于，包括：
获取与成像对象相关的实体投影数据和变换投影数据，其中，所述实体投影数据通过探测设备对所述成像对象进行扫描获得，所述变换投影数据包括与探测设备对所述成像对象进行扫描时探测器组件产生的像素遮挡相关的第一投影数据，以及所述变换投影数据通过对所述实体投影数据进行变换或处理得到；
将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据，所述校正投影数据为对所述实体投影数据进行多能谱射线伪影影响校正后的投影数据。
2.如权利要求1所述的方法，所述第一投影数据的确定方法包括：基于所述实体投影数据的指数变换确定所述第一投影数据。
3.如权利要求1所述的方法，所述变换投影数据还包括与探测器位置相关的第二投影数据。
4.如权利要求3所述的方法，所述第二投影数据的确定方法包括：基于所述实体投影数据对应的与所述探测器位置相关的梯度信息确定所述第二投影数据。
5.如权利要求1所述的方法，所述实体投影数据包括原始投影数据和所述原始投影数据的N次项中的至少一个，N为大于或等于2的整数。
6.如权利要求1所述的方法，还包括：基于所述训练好的校正模型的参数确定校正系数，根据所述校正系数得到所述校正投影数据。
7.如权利要求6所述的方法，所述基于所述训练好的校正模型的参数确定校正系数包括：基于所述训练好的校正模型的权重确定所述校正系数。
8.如权利要求1所述的方法，所述实体投影数据和所述变换投影数据与所述探测设备的多能谱射线成像相关。
9.一种校正伪影的系统，其特征在于，包括：
数据获取模块：用于获取与成像对象相关的实体投影数据和变换投影数据，其中，所述实体投影数据通过探测设备对所述成像对象进行扫描获得，所述变换投影数据包括与探测设备对所述成像对象进行扫描时探测器组件产生的像素遮挡相关的第一投影数据，以及所述变换投影数据通过对所述实体投影数据进行变换或处理得到；
校正模块：用于将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据，所述校正投影数据为对所述实体投影数据进行多能谱射线伪影影响校正后的投影数据。
10.一种校正伪影的装置，包括至少一个存储介质和至少一个处理器，所述至少一个存储介质用于存储计算机指令；所述至少一个处理器用于执行所述计算机指令以实现如权利要求1~8任一项所述的方法。
CN202110045078.5A 2021-01-13 2021-01-13 一种校正伪影的方法和系统 Active CN112734877B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110045078.5A CN112734877B (zh) 2021-01-13 2021-01-13 一种校正伪影的方法和系统
PCT/CN2022/071843 WO2022152218A1 (en) 2021-01-13 2022-01-13 Methods and systems for correcting projection data
US18/344,816 US20230342997A1 (en) 2021-01-13 2023-06-29 Methods and systems for correcting projection data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110045078.5A CN112734877B (zh) 2021-01-13 2021-01-13 一种校正伪影的方法和系统

Publications (2)

Publication Number Publication Date
CN112734877A CN112734877A (zh) 2021-04-30
CN112734877B true CN112734877B (zh) 2023-04-07

Family

ID=75592761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110045078.5A Active CN112734877B (zh) 2021-01-13 2021-01-13 一种校正伪影的方法和系统

Country Status (3)

Country Link
US (1) US20230342997A1 (zh)
CN (1) CN112734877B (zh)
WO (1) WO2022152218A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734877B (zh) * 2021-01-13 2023-04-07 上海联影医疗科技股份有限公司 一种校正伪影的方法和系统
CN114638907B (zh) * 2022-02-23 2023-04-14 赛诺威盛科技(北京)股份有限公司 基于深度学习的骨硬化伪影校正方法及装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111627083A (zh) * 2020-05-26 2020-09-04 上海联影医疗科技有限公司 骨硬化伪影校正方法、装置、计算机设备和可读存储介质

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609908B (zh) * 2012-01-13 2014-02-12 中国人民解放军信息工程大学 基于基图像tv模型的ct射束硬化校正方法
GB2599504B (en) * 2015-09-18 2022-06-29 Shanghai United Imaging Healthcare Co Ltd System and method for computer tomography
CN105528800B (zh) * 2016-01-21 2017-04-05 上海联影医疗科技有限公司 一种计算机断层成像伪影校正方法及装置
CN105225208B (zh) * 2015-10-14 2017-10-03 上海联影医疗科技有限公司 一种计算机断层成像金属伪影校正方法及装置
US9916648B1 (en) * 2017-01-10 2018-03-13 National Taiwan University Method for correcting a diffusion image having an artifact
CN107330949B (zh) * 2017-06-28 2020-11-03 上海联影医疗科技有限公司 一种伪影校正方法及系统
US10977843B2 (en) * 2017-06-28 2021-04-13 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for determining parameters for medical image processing
CN108109185B (zh) * 2017-12-18 2021-07-20 上海联影医疗科技股份有限公司 一种生成用于消除ct伪影的校正系数的方法，以及一种基于校正系数消除ct伪影的方法
CN108670282B (zh) * 2018-03-28 2021-12-17 上海联影医疗科技股份有限公司 一种骨硬化伪影校正方法
CN112734877B (zh) * 2021-01-13 2023-04-07 上海联影医疗科技股份有限公司 一种校正伪影的方法和系统

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111627083A (zh) * 2020-05-26 2020-09-04 上海联影医疗科技有限公司 骨硬化伪影校正方法、装置、计算机设备和可读存储介质

Also Published As

Publication number Publication date
US20230342997A1 (en) 2023-10-26
WO2022152218A1 (en) 2022-07-21
CN112734877A (zh) 2021-04-30

Similar Documents

Publication Publication Date Title
KR102260802B1 (ko) 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정
US11430162B2 (en) System and method for image conversion
US11126914B2 (en) Image generation using machine learning
CN110807737B (zh) 迭代图像重建框架
US10475214B2 (en) Tomographic reconstruction based on deep learning
US11232543B2 (en) System and method for image correction
US20190066268A1 (en) System and method for determining a trained neural network model for scattering correction
CN112734877B (zh) 一种校正伪影的方法和系统
US20140369581A1 (en) Iterative reconstruction in image formation
CN113096211B (zh) 一种校正散射的方法和系统
Abascal et al. A novel prior-and motion-based compressed sensing method for small-animal respiratory gated CT
Kong et al. Spectral CT reconstruction based on PICCS and dictionary learning
US11532074B2 (en) Providing a resultant image dataset and providing a trained generator function
Gao et al. Principal component reconstruction (PCR) for cine CBCT with motion learning from 2D fluoroscopy
Hsieh Estimating scatter in cone beam CT with striped ratio grids: A preliminary investigation
CN112991228B (zh) 一种校正串扰的方法和系统
CN113100802B (zh) 一种校正机械偏差的方法和系统
Jiang et al. Prior image-guided cone-beam computed tomography augmentation from under-sampled projections using a convolutional neural network
Jeon et al. Shape prior metal artefact reduction algorithm for industrial 3D cone beam CT
US20240070918A1 (en) Calibration methods and systems for imaging field
WO2023087260A1 (en) Systems and methods for data processing
US20230419455A1 (en) System and method for image correction
Cruz-Bastida et al. Task-based transferable deep-learning scatter correction in cone beam computed tomography: a simulation study
Sha et al. Removing ring artifacts in CBCT images via Transformer with unidirectional vertical gradient loss
Ingacheva et al. Computer Tomography as an Artificial Intelligence Instrument—the Survey of Approach and Results of VL Arlazarov’s Scientific School

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