CN113096211A - 一种校正散射的方法和系统 - Google Patents
一种校正散射的方法和系统 Download PDFInfo
- Publication number
- CN113096211A CN113096211A CN202110414431.2A CN202110414431A CN113096211A CN 113096211 A CN113096211 A CN 113096211A CN 202110414431 A CN202110414431 A CN 202110414431A CN 113096211 A CN113096211 A CN 113096211A
- Authority
- CN
- China
- Prior art keywords
- corrected
- auxiliary model
- projection data
- convolution kernel
- scattering
- 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
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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本说明书实施例提供了一种校正散射的方法和系统。所述方法包括:获取待校正设备对应的辅助模型,所述辅助模型根据所述待校正设备相关的第一投影数据和第二投影数据训练获得,所述第二投影数据校正了所述第一投影数据中所述的待校正设备的散射;所述辅助模型包括至少一个卷积层;基于所述辅助模型,确定所述至少一个卷积层对应的目标卷积核;所述目标卷积核用于确定待校正设备的散射信息,所述散射信息用于校正所述待校正设备的散射。
Description
技术领域
本申请涉及扫描设备以及计算机技术领域,特别涉及一种校正散射的方法和系统。
背景技术
在射线扫描设备例如X光扫描设备、CT设备、PET-CT设备、激光扫描设备等的使用中,射线的传输会受到各种调制,比如物体的散射,球管靶面的散射,这些调制过程会造成各种散射影响,进而对设备的扫描数据如投影数据产生影响,导致扫描数据出现偏差。例如物体的散射会造成扫描时射线发生散射,对探测器接收到的信号产生影响,造成投影数据的偏差。又例如,球管靶面的散射会造成扫描时发生焦点散射,即散焦,造成投影数据的偏差。散射影响带来的扫描数据的偏差会导致图像产生伪影,影响成像效果。
因此,亟需一种校正散射的方法和系统。
发明内容
本说明书一个方面提供一种校正散射的方法。所述方法包括:获取待校正设备对应的辅助模型,所述辅助模型根据所述待校正设备相关的第一投影数据和第二投影数据训练获得,所述第二投影数据校正了所述第一投影数据中所述待校正设备的散射;所述辅助模型包括至少一个卷积层;基于所述辅助模型,确定所述至少一个卷积层对应的目标卷积核;所述目标卷积核用于确定待校正设备的散射信息,所述散射信息用于校正所述待校正设备的散射。
本说明书另一个方面提供一种校正散射的系统。所述系统包括:模型确定模块:用于获取待校正设备对应的辅助模型,所述辅助模型根据所述待校正设备相关的第一投影数据和第二投影数据训练获得,所述第二投影数据校正了所述第一投影数据中所述待校正设备的散射;所述辅助模型包括至少一个卷积层;卷积核确定模块:用于基于所述辅助模型,确定所述至少一个卷积层对应的目标卷积核;散射信息确定模块:用于将所述目标卷积核用于确定待校正设备的散射信息,所述散射信息用于校正所述待校正设备的散射。
本说明书另一个方面提供一种校正散射的装置,包括处理器,所述处理器用于执行校正散射的方法。
本说明书另一个方面提供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,计算机执行校正散射的方法。
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校正散射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散射的系统的模块图;
图3是根据本说明书一些实施例所示的校正散射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待校正设备的焦点散射的方法的示例性流程图;
图5是根据本说明书一些实施例所示的校正待校正设备的射线散射的方法的示例性流程图;
图6是根据本说明书一些实施例所示的焦点散射的探测单元像素的示意图;
图7是根据本说明书一些实施例所示的一种辅助模型的结构示意图;
图8是根据本说明书一些实施例所示的另一种辅助模型的结构示意图。
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校正散射的系统的应用场景示意图。
校正散射的系统可以用于各种射线扫描装置的散射校正,例如可以用于X光扫描设备的散射校正、CT设备的散射校正、PET-CT设备的散射校正、激光扫描设备的散射校正等等。
如图1所示,校正散射的系统的应用场景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可以包括第一投影数据和第二投影数据。其中,第一投影数据可以是基于待校正设备对参考对象进行扫描得到的数据,第二投影数据可以是基于标准设备对参考对象进行扫描得到的数据。所述参考对象是指用于作为样本来参考的对象,参考对象可以为模体。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可以包括初始辅助模型。在一些实施例中,该初始辅助模型可以是神经网络模型。第二投影数据可以作为第一投影数据的标签,来对初始辅助模型进行训练。初始辅助模型训练好后,即可得到辅助模型。第二计算系统120可以基于辅助模型确定目标卷积核,并基于目标卷积核确定得到待校正设备的散射信息125。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可以获取待校正设备的投影数据140和待校正设备的散射信息125。待校正设备的投影数据140和待校正设备的散射信息125可以通过各种常见的方式进入第一计算系统130。
通过基于待校正设备的散射信息125对待校正设备的投影数据140进行校正,第一计算系统130可以得到校正散射后的投影数据150。可以实现通过少量训练样本数据学习得到的目标卷积核来得到比较稳定的几个散射信息,基于通过目标卷积核确定的散射信息来实现待校正设备的散射校正,不需大量的训练样本来支撑,实用性更强,能够更方便地校正散射。
图2是根据本说明书的一些实施例所示的示例性校正散射的系统的模块图。
在一些实施例中,校正散射的系统200可以包括模型确定模块210、卷积核确定模块220、散射信息确定模块230,散射信息确定模块230可以包括焦点散射校正信息确定模块232和射线散射校正信息确定模块234。
在一些实施例中,模型确定模块210可以用于获取待校正设备对应的辅助模型,所述辅助模型根据所述待校正设备相关的第一投影数据和第二投影数据训练获得,所述第二投影数据校正了所述第一投影数据中所述待校正设备的散射;所述辅助模型包括至少一个卷积层。在一些实施例中,所述辅助模型包括对所述至少一个卷积层的输入数据和输出数据的融合,所述模型确定模块210还用于:以所述第一投影数据和所述第二投影数据作为训练样本,对初始辅助模型进行训练得到所述辅助模型。在一些实施例中,所述辅助模型包括激活函数,所述激活函数包括第一激活函数和第二激活函数,所述第一激活函数用于将投影数据转换为目标类型数据,所述第二激活函数用于将所述目标类型数据转换为投影数据。在一些实施例中,所述目标类型数据为强度域数据,所述第一激活函数为对所述辅助模型的所述输入数据做指数变换,所述第二激活函数为对所述辅助模型的所述输出数据做对数变换。在一些实施例中,所述模型确定模块210还用于:根据所述第一投影数据、所述第二投影数据以及损失函数对所述初始辅助模型进行迭代更新,得到所述辅助模型;其中,所述损失函数包括根据中间卷积核的元素的加和值与预设值的差异确定的第一损失函数,所述中间卷积核基于所述初始辅助模型或更新模型的参数确定。在一些实施例中,所述待校正设备的散射包括所述待校正设备的焦点散射。在一些实施例中,所述辅助模型包括用于对所述辅助模型的所述输入数据做变换来确定至少一个焦点散射位置的相关数据的变换函数。在一些实施例中,所述散射包括由于被扫描物体与所述待校正设备的射线相互作用引起的射线散射。
在一些实施例中,卷积核确定模块220可以用于基于所述辅助模型,确定所述至少一个卷积层对应的目标卷积核。在一些实施例中,所述至少一个卷积层包括至少一个候选卷积核,所述卷积核确定模块220还用于:确定输入矩阵,所述输入矩阵的大小基于所述至少一个候选卷积核的大小确定;将所述输入矩阵输入所述辅助模型,通过所述输入矩阵,从所述辅助模型中提取所述至少一个卷积层对应的所述目标卷积核。在一些实施例中,所述输入矩阵的每一行中只有一个元素为1,其它元素为0。在一些实施例中,所述卷积核确定模块还用于:对所述至少一个候选卷积核执行卷积操作,得到所述目标卷积核。
在一些实施例中,散射信息确定模块230可以用于基于所述目标卷积核确定待校正设备的散射信息,所述散射信息用于校正所述待校正设备的散射。
在一些实施例中,焦点散射校正信息确定模块232可以用于根据所述目标卷积核,确定所述至少一个焦点散射位置的所述待校正设备的焦点散射校正信息。
在一些实施例中,射线散射校正信息确定模块234可以用于根据所述目标卷积核,确定每个视角下所述待校正设备的射线散射校正信息。
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,以上对于校正散射的系统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,模型确定模块210、卷积核确定模块220、散射信息确定模块230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散射的方法的示例性流程图。
如图3所示,该校正散射的方法300可以包括:
步骤310,获取待校正设备对应的辅助模型,所述辅助模型根据所述待校正设备相关的第一投影数据和第二投影数据训练获得,所述第二投影数据校正了所述第一投影数据中所述待校正设备的散射;所述辅助模型包括至少一个卷积层。
具体的,该步骤310可以由模型确定模块210执行。
设备可以为射线扫描装置。射线扫描装置可以是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。
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,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,投影数据可以是指设备对对象进行扫描,探测器得到的信号数据。例如CT设备对对象进行扫描,探测器所接收得到的信号数据。投影数据包括了与探测器对应的像素数据,例如,设备包含了一个3×3的探测器阵列,投影数据中对应包含大小为3×3的像素矩阵数据。
散射是指光束通过不均匀媒质或分界面时,部分光束偏离原来方向而分散传播的现象。扫描过程中,待校正设备产生的散射(比如,物体的散射,球管靶面的散射) 会在成像的图像中产生伪影。具体地,物体的散射会造成扫描时射线发生散射,对探测器接收到的信号产生影响,造成投影数据的偏差,令成像的图像中产生伪影。球管靶面的散射会造成扫描时发生焦点散射,即散焦,造成投影数据的偏差,令成像的图像中产生伪影。
第二投影数据校正了第一投影数据中待校正设备的散射。即第一投影数据为包含待校正设备的散射影响的待校正投影数据,第二投影数据为不含有待校正设备的散射影响的金标准投影数据。
在一些实施例中,第一投影数据可以基于待校正设备对参考对象进行扫描得到。第二投影数据可以基于标准设备对参考对象进行扫描得到。待校正设备为未经校正的设备,未经校正的设备包含有散射。标准设备为不包含散射的设备或散射已经被校正的设备。参考对象是指用于作为样本来参考的对象。在一些实施例中,参考对象可以为模体。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。模体的大小可以为1CM×1CM、2CM×2CM、10CM×10CM等,本实施例对模体的大小不做限制。在一些实施例中,模体的形状可以为带有梯度的规则形状或不规则形状,例如圆形,不规则多边形等。
在一些实施例中,待校正设备与标准设备可以为同一类型的设备。同一类型可以包括设备种类型号相同、探测器单元排列相同。
在一些实施例中,第一投影数据与第二投影数据的扫描方式可以相同。在一些实施例中,相同的扫描的方式可以包括模体相同角度、相同方向、相同位置的扫描。
在一些实施例中,还可以利用已有的校正方法或模拟的方法获取第一投影数据与第二投影数据。例如可以基于待校正设备对参考对象进行扫描得到第一投影数据,采用已有的校正方法或模拟方法基于第一投影数据确定得到对应的第二投影数据,还可以基于待校正设备对参考对象进行扫描得到第二投影数据,采用已有的校正方法或模拟方法基于第二投影数据确定得到对应的第一投影数据。
在一些实施例中,还可以利用一些其它测量工具获取第一投影数据与第二投影数据。例如测量投影仪等。
在一些实施例中,可以对初始辅助模型进行训练得到待校正设备对应的辅助模型。
初始辅助模型为初始化未经训练的神经网络模型。初始辅助模型的模型参数还处于初始化的状态。初始辅助模型训练好后,即可以得到辅助模型。
在一些实施例中,初始辅助模型可以为包括至少一个卷积层的卷积神经网络。在一些实施例中,在至少一个卷积层的基础上,可以结合其它的网络结构来构成卷积神经网络作为初始辅助模型。例如,可以是包括输入层、M个卷积层、输出层的卷积神经网络,也可以是包括输入层、N个卷积层、全连接层、输出层的卷积神经网络,M和N 为大于等于1的整数。初始辅助模型训练好后即得到同样为包括至少一个卷积层的卷积神经网络的辅助模型。
在一些实施例中,采用第一投影数据和第二投影数据作为训练样本,对初始辅助模型进行训练,是指将第一投影数据作为初始辅助模型的输入,并将第二投影数据作为第一投影数据对应的模型输出的金标准数据,也就是第一投影数据的标签,来对初始辅助模型进行训练。具体地,在初始辅助模型的训练过程中,输入第一投影数据训练初始辅助模型,并将输入第一投影数据对应的模型输出,与对应的第二投影数据进行比较,调整模型的参数。随着初始辅助模型的训练,可以学习得到模型的各个参数,例如卷积核。
在一些实施例中,初始辅助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。
在一些实施例中,辅助模型包括对所述至少一个卷积层的输入数据和输出数据的融合。卷积层的卷积操作可以理解为将输入辅助模型的投影数据进行卷积操作得到散射的校正数据,将该散射的校正数据与原始输入的投影数据相加,即可得到校正散射后的投影数据。具体的,是将至少一个卷积层的输出数据与至少一个卷积层的输入数据进行叠加的过程。例如,至少一个卷积层的输入为包含有散射的强度数据,输出为散射的校正数据,将散射的校正数据与输入的强度数据叠加,得到校正散射后的强度数据。可以理解为如下公式的过程:
Icorr=I+ΔI,其中,Icorr是校正散射后的强度数据,I是输入的强度数据,ΔI 是散射的校正数据。
在一些实施例中,辅助模型包括激活函数,激活函数包括第一激活函数和第二激活函数。第一激活函数用于将投影数据转换为目标类型数据。第二激活函数用于将所述目标类型数据转换为投影数据。目标类型数据可以是任意数据类型的数据,例如,强度域数据。激活函数可以为任何具有可逆运算的函数,例如,线性整流函数ReLU (RectifiedLinear Unit)、双曲正切函数tanh、指数函数exp等。第一激活函数和第二激活函数是互为逆运算的,例如,第一激活函数为指数函数exp且第二激活函数为对数函数log。具体地,如图7中700或图8中800所示,辅助模型的输入数据为待校正数据,如第一投影数据,训练模型时,样本数据类型需要为目标数据类型,当输入数据类型与所需目标数据类型不同时,需要将输入的待校正数据转换为目标数据类型,输入到 N个卷积层中进行卷积操作。在输出数据时,需要将目标数据类型转换为需要的输出数据类型,并将其作为输出的校正数据。例如,输入数据为投影数据,而目标数据类型为强度域数据,则可以使用第一激活函数将输入数据从投影数据转换为强度域数据,在输出数据时,可以使用第二激活函数将输出数据从强度域数据转换为投影数据。
在一些实施例中,第一激活函数可以为对所述辅助模型的输入数据(例如,第一投影数据)做指数变换,用于将输入数据从投影数据转换为强度域数据。可以理解为如下公式的过程:I=e-p,其中,I是强度数据,p是投影数据,例如待校正的投影数据或第一投影数据。第二激活函数对应可以为对辅助模型的输出数据做对数变换,用于将输出数据从强度域数据转换为投影数据。例如,可以理解为如下公式的过程:pcorr= -ln(Icorr),其中,Icorr是校正后的强度数据,pcorr是校正后的投影数据。
在一些实施例中,可以根据第一投影数据、第二投影数据以及损失函数对初始辅助模型进行迭代更新,得到辅助模型。
在一些实施例中,可以基于模型的实际输出与输入对应的金标准数据即第二投影数据的差异来构造损失函数。
在一些实施例中,损失函数还可以包括额外的第一损失函数。第一损失函数可以根据中间卷积核的中心元素的值与预设值的差异确定。
中间卷积核是指在初始辅助模型训练过程中,所确定的单一卷积核,该单一卷积核在初始辅助模型训练好后,即对应为目标卷积核,关于目标卷积核的具体内容可以参见步骤320的相关描述,此处不再赘述。
中间卷积核可以根据初始辅助模型或更新模型的参数确定,具体地,可以根据初始辅助模型的至少一个卷积核确定,或根据在训练过程中更新了参数的初始辅助模型的至少一个卷积核确定。例如,在初始辅助模型进行第一条训练样本的训练时,中间卷积核根据初始辅助模型的至少一个卷积核确定。又例如,在训练过程中,初始辅助模型更新了参数,中间卷积核根据更新了参数的至少一个卷积核确定。根据至少一个卷积核确定中间卷积核的方法,与基于辅助模型的至少一个候选卷积核确定目标卷积核的方法相似,其中基于辅助模型的至少一个候选卷积核即对应为本实施例中基于初始辅助模型的至少一个卷积核,确定目标卷积核即对应为本实施例中确定中间卷积核。关于基于辅助模型的至少一个候选卷积核确定目标卷积核的方法可以参见步骤320的相关描述,此处不再赘述。
中间卷积核的中心元素是指中间卷积核的中心位置的元素。预设值为预先设定好的值,具体地,预设值可以为1。在一些实施例中,中间卷积核的中心元素的值与预设值的差异可以为中心元素与预设值的差值的绝对值、平方差等。通过本实施例,在对初始辅助模型训练得到辅助模型时,可以令第一损失函数最小化,即令中间卷积核的中心元素的值与预设值例如1的差异接近0,来更新学习模型参数,以使得在初始辅助模型训练好后,与中间卷积核对应的的目标卷积核的中心元素接近1,一方面可以加速模型的训练过程,另一方面也能使训练得到的模型参数更加准确。
通过本实施例,辅助模型的至少一个候选卷积核是根据初始辅助模型的训练过程来学习得到的,训练时,带有散射的第一投影数据输入模型,校正了散射的第二投影数据作为模型输出的金标准,所以通过训练得到辅助模型,学习得到的至少一个候选卷积核的卷积即代表了对输入的待校正投影数据进行计算得到散射的校正数据(例如ΔI) 的计算过程,至少一个候选卷积核即包含了散射信息,例如对于目标探测单元或主焦点,散射在周围探测单元像素上的信号比例。当辅助模型包括多个卷积层或多个候选卷积核时,可以对待校正投影数据进行多次校正计算,实现提高校正精度,对应的基于辅助模型得到的模型参数也更加精确。
步骤320,基于所述辅助模型,确定所述至少一个卷积层对应的目标卷积核。
具体的,该步骤320可以由卷积核确定模块220执行。
目标卷积核是指最终所需的一个单一卷积核。具体地,可以基于辅助模型的至少一个候选卷积核来确定。例如,当辅助模型包括一个卷积层,卷积层包括一个候选卷积核时,将该候选卷积核作为目标卷积核。当辅助模型包括多个卷积层,多个卷积层包括多个候选卷积核或者辅助模型包括一个卷积层,卷积层包括多个候选卷积核时,可以基于多个卷积核得到一个单一卷积核作为目标卷积核。
候选卷积核指辅助模型中卷积层包含的卷积核。初始辅助模型可以包括一个或多个卷积层,每一个卷积层可以包括一个或多个卷积核,对应地,初始辅助模型训练好后得到的辅助模型包括一个或多个卷积层,每一个卷积层包括一个或多个候选卷积核。例如,辅助模型可以包括三个卷积层,每个卷积层包括一个候选卷积核,再例如,辅助模型可以为一个卷积层,卷积层中包含有两个候选卷积核。辅助模型的一个或多个卷积层中的多个候选卷积核的大小是一致的。在一些实施例中,候选卷积核的大小可以与探测器中的多个探测单元的大小一致。
在一些实施例中,基于多个卷积核得到一个单一卷积核作为目标卷积核,可以采用对辅助模型的多个候选卷积核进行卷积得到一个单一卷积核作为目标卷积核的方法。例如,辅助模型包括3个3×3的候选卷积核A、B、C,对3个候选卷积核进行卷积,为A*B*C,得到一个新的3×3的单一卷积核,将该3×3的单一卷积核作为目标卷积核。
在一些实施例中,基于至少一个卷积核得到一个单一卷积核作为目标卷积核,可以通过确定特定的输入矩阵,将输入矩阵输入辅助模型,通过输入矩阵,基于至少一个候选卷积核,从所述辅助模型中提取所述目标卷积核。输入矩阵可以基于候选卷积核的大小确定。仅作为示例,候选卷积核的大小为3×3,即对应的目标卷积核大小也为3 ×3,输入矩阵的大小可以为5×5,将5×5输入矩阵输入辅助模型,在辅助模型的至少一个卷积层中卷积时的步长为1,辅助模型输出得到3×3的单一卷积核,即为目标卷积核。候选卷积核的大小为3×3,输入矩阵的大小可以为7×7,将7×7的输入矩阵输入辅助模型,在辅助模型的至少一个卷积层中卷积时的步长为2,辅助模型输出得到 3×3的单一卷积核,即为目标卷积核。在一些实施例中,输入矩阵可以包括但不限于卷积核的单位元、2倍单位元、3倍单位元等。在一些实施例中,输入矩阵的每一行中,只有一个元素为1,其余元素为0。具体地,可以是输入矩阵的第n行的第n个元素为 1,其余元素为0。通过本实施例,输入矩阵等同于一个脉冲冲击函数,辅助模型的至少一个卷积层的至少一个候选卷积核可以被看做一个单一的目标卷积核,将等同于一个脉冲冲击函数的输入矩阵输入辅助模型,可以输出得到这个目标卷积核本身。通过本实施例,可以简便且快速地得到目标卷积核。
由前述可知,学习得到的至少一个候选卷积核的卷积即代表了对输入的待校正投影数据进行计算得到散射的校正数据(例如ΔI)的计算过程,至少一个候选卷积核即包含了散射信息。进而,至少一个卷积层对应的目标卷积核也包括了散射信息,例如对于目标探测单元或主焦点,散射在周围探测单元像素上的信号比例。
步骤330,将所述目标卷积核用于确定待校正设备的散射信息,所述散射信息用于校正所述待校正设备的散射。
具体的,该步骤330可以由散射信息确定模块230执行。
散射信息是指待校正设备的散射所带来的对探测单元像素信号的影响信息,具体地,可以是对探测单元像素信号的影响的大小的度量,例如对于目标探测单元或主焦点,散射在各个探测单元像素上的信号的比例,这个比例表示对应的这个探测单元将相当于自身强度多少的信号给予目标探测单元或主焦点。
在一些实施例中,待校正设备的散射包括待校正设备的焦点散射,目标卷积核可以用于确定待校正设备的焦点散射校正信息。焦点散射校正信息可以是散射系数,散射系数为对于主焦点,散射在各个探测单元像素上的信号的比例表示。
在一些实施例中,待校正设备的散射包括待校正设备的焦点散射时,辅助模型可以包括用于对辅助模型的输入数据做变换来确定至少一个焦点散射位置的相关数据的变换函数,如图7中700所示,数据旋转中可以包括旋转函数。旋转函数可以理解为如下函数ΔI=∑viewI(chanview,view)*kernel(view)中对I做变换求得 I(chanview,view)的过程。其中,ΔI为散射的校正数据,kernel是卷积核,卷积核的长度与旋转角度有关和焦点散射的角度范围有关(例如焦点散射的角度范围为5°,扫描时每次旋转0.5°,kernel的长度就可以设置为10)。I(chanview,view)为每一个旋转角度下的强度数据,chanview为角度下散焦信号对应的校正通道,I(chanview,view)依次与卷积核相乘后叠加。
在一些实施例中,焦点散射校正信息可以用于校正待校正设备的焦点散射。校正待校正设备的焦点散射的具体方法和更多细节见图4及其相关描述。此处不再赘述。
在一些实施例中,待校正设备的散射包括由于被扫描物体与待校正设备的射线相互作用引起的射线散射。待校正设备的散射包括待校正设备的射线散射时,目标卷积核可以用于确定待校正设备的射线散射校正信息。具体地,射线散射校正信息可以是散射系数,散射系数为对于目标探测单元,散射在各个探测单元像素上的信号的比例表示。
在一些实施例中,射线散射校正信息可以用于校正待校正设备的射线散射。校正待校正设备的射线散射的具体方法和更多细节见图5及其相关描述。此处不再赘述。
图4是根据本说明书的一些实施例所示的校正待校正设备的焦点散射的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,根据所述目标卷积核,确定所述至少一个焦点散射位置的所述待校正设备的焦点散射校正信息。
具体的,该步骤410可以由焦点散射校正信息确定模块232执行。
由前述可知,目标卷积核包括了散射信息,例如对于目标探测单元或主焦点,散射在周围探测单元像素上的信号比例。所以可以根据目标卷积核的各个元素值,确定所述至少一个焦点散射位置的所述待校正设备的焦点散射校正信息。具体地,根据目标卷积核的各个元素值,确定对应位置的探测单元像素的散射系数。
如图6所示,对于1个主焦点F11离散出10个散焦焦点F1-F10,A点(方框处)为扫描的对象的某一点,1-12为12个探测单元。考虑对象上的A点处,主焦点F11 发出的射线经过A点被探测单元6接收,但最左侧的散焦点F1发出的射线经过A点却被探测单元6右侧的探测单元10接收。所以,需要从探测单元10拿出一部分信号还给探测单元6,依次从10个散焦点提取需要还给主焦点的信号,就是目标卷积核的卷积过程。换言之,对于每个散焦点或者每个视角(旋转角度view),找到需要从哪个探测单元要信号,然后乘以对应的散射系数,加回给主焦点对应的探测单元信号的过程就是卷积。因此,基于目标卷积核中对应位置的元素值,即可以确定各个焦点散射位置的散射系数。
在一些实施例中,视角维度不变,探测单元像素可以由一维变为二维,散焦的范围也由一维变为二维,目标卷积核对应在二维平面进行类似的卷积,也采用类似的基于目标卷积核中对应位置的元素值,确定各个焦点散射位置的散射系数的方法,去确定至少一个焦点散射位置的待校正设备的焦点散射校正信息。
步骤420,基于所述至少一个焦点散射位置的所述待校正设备的所述焦点散射校正信息,校正待校正设备的焦点散射。
基于至少一个焦点散射位置的待校正设备的焦点散射校正信息校正待校正设备的焦点散射,具体地,可以基于根据目标卷积核的各个元素值,确定得到的对应位置的探测单元像素的散射系数去校正待校正设备的焦点散射。在一些实施例中,校正待校正设备的焦点散射可以包括以下步骤:
第一步,利用第一激活函数将待校正的投影数据转化为强度数据,例如,可以采用如下第一激活函数:
I=e-p,
其中,I是强度数据,p是待校正的投影数据。
第二步,基于确定得到的至少一个焦点散射位置的探测单元像素的散射系数,对待校正的投影数据同时沿着探测单元通道方向和角度方向进行如下卷积运算,得到焦点散射的校正数据ΔI:
ΔI=∑viewI(chanview,view)*kernel(view),
其中,chan是探测单元通道,view是旋转角度,kernel(view)是至少一个焦点散射位置的探测单元像素的散射系数对应的卷积核,I(chanview,view)为每一个旋转角度下的强度数据,chanview为角度下散焦信号对应的校正通道,I(chanview,view)依次与卷积核相乘后叠加。
第三步,将计算得到的焦点散射的校正数据ΔI叠加到待校正的投影数据对应的强度数据I上,得到校正后的强度数据Icorr。例如,可以采用如下公式:
Icorr=I+ΔI,
第四步,将强度数据I转化为投影数据,得到校正后的投影数据pcorr。例如,可以采用如下公式:
pcorr=-ln(Icorr)。
在一些实施例中,用于确定待校正设备的焦点散射校正信息的目标卷积核对应的辅助模型可以采用可以如图7中700所示的神经网络模型。
图5是根据本说明书的一些实施例所示的校正待校正设备的射线散射的方法的示例性流程图。
如图5所示,该方法500可以包括:
步骤510,根据所述目标卷积核,确定每个视角下所述待校正设备的射线散射校正信息。
具体的,该步骤510可以由射线散射校正信息确定模块234执行。
由前述可知,目标卷积核包括了散射信息,例如对于目标探测单元或主焦点,散射在周围探测单元像素上的信号比例。所以可以根据目标卷积核的各个元素值,确定每个视角下待校正设备的射线散射校正信息。具体地,根据目标卷积核的各个元素值,确定每个视角下对应的探测单元像素的散射系数。
在每个视角下,可以得到探测单元阵列对应的探测单元像素矩阵数据,射线经过物体发生散射,使得目标探测单元的信号被散射到了周围其它探测单元,所以需要从周围其它探测单元拿出一部分信号还给目标探测单元,依次从各个射线散射的探测单元提取需要还给目标探测单元的信号,就是目标卷积核的卷积过程。换言之,对于每个视角(view),找到需要从哪个探测单元要信号,然后乘以对应的散射系数,加回给目标探测单元的信号的过程就是卷积。因此,基于目标卷积核中对应位置的元素值,即可以确定每个视角下对应的探测单元像素的散射系数。
步骤520,基于所述每个视角下所述待校正设备的所述射线散射校正信息,校正待校正设备的射线散射。
基于每个视角下待校正设备的射线散射校正信息校正待校正设备的射线散射,具体地,可以基于根据目标卷积核的各个元素值,确定得到的每个视角下对应的探测单元像素的散射系数去校正待校正设备的射线散射。在一些实施例中,校正待校正设备的射线散射可以包括以下步骤:
第一步,利用第一激活函数将待校正的投影数据转化为强度数据,例如,可以采用如下第一激活函数:
I=e-p,
其中,I是强度数据,p是待校正的投影数据。
第二步,基于确定得到的每个视角下对应的探测单元像素的散射系数,对待校正的投影数据同时沿着探测单元通道方向和探测单元排方向进行如下卷积运算,得到射线散射的校正数据ΔI:
ΔI=∑slice∑chanI(chan,slice)*kernel(chan,slice),
其中,chan是探测单元通道,slice是探测单元排,kernel(chan,slice)是各个视角下对应的探测单元像素的散射系数对应的卷积核,I(chan,slice)为每一个旋转角度下的强度数据,I(chan,slice)依次与卷积核相乘后叠加。
第三步,将计算得到的射线散射的校正数据ΔI叠加到强度数据I上,得到校正后的强度数据Icorr。例如,可以采用如下公式:
Icorr=I+ΔI,
第四步,将强度数据I转化为投影数据,得到校正后的投影数据pcorr。例如,可以采用如下公式:
pcorr=-ln(Icorr)。
在一些实施例中,用于确定待校正设备的射线散射校正信息的目标卷积核对应的辅助模型可以采用可以如图8中800所示的神经网络模型。
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散射的方法。所述校正散射的方法可以包括:获取待校正设备对应的辅助模型,所述辅助模型根据所述待校正设备相关的第一投影数据和第二投影数据训练获得,所述第二投影数据校正了所述第一投影数据中所述待校正设备的散射;所述辅助模型包括至少一个卷积层;基于所述辅助模型,确定所述至少一个卷积层对应的目标卷积核;所述目标卷积核用于确定待校正设备的散射信息,所述散射信息用于校正所述待校正设备的散射。
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散射的方法。所述校正散射的方法可以包括:获取待校正设备对应的辅助模型,所述辅助模型根据所述待校正设备相关的第一投影数据和第二投影数据训练获得,所述第二投影数据校正了所述第一投影数据中所述待校正设备的散射;所述辅助模型包括至少一个卷积层;基于所述辅助模型,确定所述至少一个卷积层对应的目标卷积核;所述目标卷积核用于确定待校正设备的散射信息,所述散射信息用于校正所述待校正设备的散射。
本说明书实施例可能带来的有益效果包括但不限于:(1)实现通过少量训练样本数据学习得到目标卷积核来得到散射信息,基于确定的散射信息来实现待校正设备的散射校正,不需大量的训练样本来支撑,实用性更强,能够更方便地校正设备的散射; (2)根据中间卷积核的元素的加和值与预设值的差异确定额外的损失函数来训练初始辅助模型,一方面可以加速模型的训练过程,另一方面也能使训练得到的模型参数更加准确;(3)通过构建输入矩阵,将输入矩阵输入辅助模型来提取所述目标卷积核,令提取得到目标卷积核更加高效;(4)构建的辅助模型采用多个卷积层,基于多个卷积层的多个卷积核确定得到目标卷积核,多个卷积层的多次卷积令散射的校正计算精度更高,对应得到的目标卷积核所确定的散射信息也更加精确。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)
1.一种校正散射的方法,其特征在于,包括:
获取待校正设备对应的辅助模型,所述辅助模型根据所述待校正设备相关的第一投影数据和第二投影数据训练获得,所述第二投影数据校正了所述第一投影数据中所述待校正设备的散射;所述辅助模型包括至少一个卷积层;
基于所述辅助模型,确定所述至少一个卷积层对应的目标卷积核;和
将所述目标卷积核用于确定待校正设备的散射信息,所述散射信息用于校正所述待校正设备的散射。
2.如权利要求1所述的方法,所述至少一个卷积层包括至少一个候选卷积核,所述基于所述辅助模型,确定所述至少一个卷积层对应的所述目标卷积核包括:
确定输入矩阵,所述输入矩阵的大小基于所述至少一个候选卷积核的大小确定;和
将所述输入矩阵输入所述辅助模型,通过所述输入矩阵,从所述辅助模型中提取所述至少一个卷积层对应的所述目标卷积核。
3.如权利要求1所述的方法,所述辅助模型包括对所述至少一个卷积层的输入数据和输出数据的融合,所述获取待校正设备对应的所述辅助模型包括:
以所述第一投影数据和所述第二投影数据作为训练样本,对初始辅助模型进行训练得到所述辅助模型。
4.如权利要求3所述的方法,所述辅助模型包括激活函数,所述激活函数包括第一激活函数和第二激活函数,所述第一激活函数用于将投影数据转换为目标类型数据,所述第二激活函数用于将所述目标类型数据转换为投影数据。
5.如权利要求3所述的方法,所述以所述第一投影数据和所述第二投影数据作为训练样本,对初始辅助模型进行训练得到辅助模型包括:
根据所述第一投影数据、所述第二投影数据以及损失函数对所述初始辅助模型进行迭代更新,得到所述辅助模型;其中,所述损失函数包括根据中间卷积核的元素的加和值与预设值的差异确定的第一损失函数,所述中间卷积核基于所述初始辅助模型或更新模型的参数确定。
6.如权利要求1所述的方法,所述至少一个卷积层包括至少一个候选卷积核,基于所述辅助模型,确定所述至少一个卷积层对应的所述目标卷积核包括:
对所述至少一个候选卷积核执行卷积操作,得到所述目标卷积核。
7.如权利要求1所述的方法,所述待校正设备的散射包括所述待校正设备的焦点散射,所述辅助模型包括用于对所述辅助模型的所述输入数据做变换来确定至少一个焦点散射位置的相关数据的变换函数。
8.如权利要求1所述的方法,所述将所述目标卷积核用于确定待校正设备的散射信息包括:
根据所述目标卷积核,确定每个视角下所述待校正设备的散射校正信息。
9.一种校正散射的系统,其特征在于,包括:
模型确定模块:用于获取待校正设备对应的辅助模型,所述辅助模型根据所述待校正设备相关的第一投影数据和第二投影数据训练获得,所述第二投影数据校正了所述第一投影数据中所述待校正设备的散射;所述辅助模型包括至少一个卷积层;
卷积核确定模块:用于基于所述辅助模型,确定所述至少一个卷积层对应的目标卷积核;和
散射信息确定模块:用于基于所述目标卷积核确定待校正设备的散射信息,所述散射信息用于校正所述待校正设备的散射。
10.一种校正散射的装置,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。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110414431.2A CN113096211B (zh) | 2021-04-16 | 2021-04-16 | 一种校正散射的方法和系统 |
PCT/CN2022/087408 WO2022218438A1 (en) | 2021-04-16 | 2022-04-18 | Calibration methods and systems for imaging field |
US18/488,012 US20240070918A1 (en) | 2021-04-16 | 2023-10-16 | Calibration methods and systems for imaging field |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110414431.2A CN113096211B (zh) | 2021-04-16 | 2021-04-16 | 一种校正散射的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113096211A true CN113096211A (zh) | 2021-07-09 |
CN113096211B CN113096211B (zh) | 2023-04-18 |
Family
ID=76678814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110414431.2A Active CN113096211B (zh) | 2021-04-16 | 2021-04-16 | 一种校正散射的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113096211B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114979605A (zh) * | 2022-07-27 | 2022-08-30 | 深圳市美特乐光电科技有限公司 | 一种智能定位矫正的投影仪及投影方法 |
WO2022218438A1 (en) * | 2021-04-16 | 2022-10-20 | Shanghai United Imaging Healthcare Co., Ltd. | Calibration methods and systems for imaging field |
US12008689B2 (en) | 2021-12-03 | 2024-06-11 | Canon Medical Systems Corporation | Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108065950A (zh) * | 2016-11-14 | 2018-05-25 | 通用电气公司 | 一种放射成像方法及其系统 |
US20180330233A1 (en) * | 2017-05-11 | 2018-11-15 | General Electric Company | Machine learning based scatter correction |
CN110047113A (zh) * | 2017-12-29 | 2019-07-23 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备和存储介质 |
US20190294108A1 (en) * | 2018-03-21 | 2019-09-26 | The Regents Of The University Of California | Method and system for phase recovery and holographic image reconstruction using a neural network |
CN110349236A (zh) * | 2019-07-15 | 2019-10-18 | 上海联影医疗科技有限公司 | 一种图像校正方法和系统 |
CN111579097A (zh) * | 2020-05-21 | 2020-08-25 | 浙江大学 | 基于神经网络的高精度光学散射补偿方法 |
-
2021
- 2021-04-16 CN CN202110414431.2A patent/CN113096211B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108065950A (zh) * | 2016-11-14 | 2018-05-25 | 通用电气公司 | 一种放射成像方法及其系统 |
US20180330233A1 (en) * | 2017-05-11 | 2018-11-15 | General Electric Company | Machine learning based scatter correction |
CN110047113A (zh) * | 2017-12-29 | 2019-07-23 | 清华大学 | 神经网络训练方法和设备、图像处理方法和设备和存储介质 |
US20190294108A1 (en) * | 2018-03-21 | 2019-09-26 | The Regents Of The University Of California | Method and system for phase recovery and holographic image reconstruction using a neural network |
CN110349236A (zh) * | 2019-07-15 | 2019-10-18 | 上海联影医疗科技有限公司 | 一种图像校正方法和系统 |
CN111579097A (zh) * | 2020-05-21 | 2020-08-25 | 浙江大学 | 基于神经网络的高精度光学散射补偿方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022218438A1 (en) * | 2021-04-16 | 2022-10-20 | Shanghai United Imaging Healthcare Co., Ltd. | Calibration methods and systems for imaging field |
US12008689B2 (en) | 2021-12-03 | 2024-06-11 | Canon Medical Systems Corporation | Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction |
CN114979605A (zh) * | 2022-07-27 | 2022-08-30 | 深圳市美特乐光电科技有限公司 | 一种智能定位矫正的投影仪及投影方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113096211B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10984565B2 (en) | Image processing method using convolutional neural network, image processing device and storage medium | |
CN113096211B (zh) | 一种校正散射的方法和系统 | |
US8311296B2 (en) | Voting in mammography processing | |
Dufour et al. | Shape, displacement and mechanical properties from isogeometric multiview stereocorrelation | |
US20210247737A1 (en) | Neural network-based error compensation method, system and device for 3d printing | |
KR20150079560A (ko) | 콘빔 컴퓨터 단층 촬영 장치의 기하 특성화 및 교정 | |
US11662320B2 (en) | Ascertaining the pose of an x-ray unit relative to an object on the basis of a digital model of the object | |
CN112734877B (zh) | 一种校正伪影的方法和系统 | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
KR102036834B1 (ko) | 이미지 처리 방법 | |
Pandey et al. | Iterative blind deconvolution algorithm for deblurring a single PSP/TSP image of rotating surfaces | |
US11373018B2 (en) | Method of displaying model and designing pattern, and storage medium | |
Wohlgemuth et al. | Development of a virtual metrological CT for numerical measurement uncertainty determination using aRTist 2: Monte-Carlo based numerical measurement uncertainty determination for CT measurements according to GUM supplement 1 | |
CN113100802B (zh) | 一种校正机械偏差的方法和系统 | |
CN112991228B (zh) | 一种校正串扰的方法和系统 | |
US8867809B2 (en) | Image processing method | |
US10943339B2 (en) | Image compositing system, image compositing method, and image compositing program recording medium | |
Jeon et al. | Shape prior metal artefact reduction algorithm for industrial 3D cone beam CT | |
Liu et al. | Cooperative data fusion of transmission and surface scan for improving limited-angle computed tomography reconstruction | |
KR102593247B1 (ko) | 컴퓨터 단층 촬영의 기하 보정 방법 및 기하 보정 장치 | |
US20240070918A1 (en) | Calibration methods and systems for imaging field | |
Medvedev et al. | Developing of algorithms for improving accuracy of search for biomarkers within results of the computed tomography | |
US20220292736A1 (en) | Computed tomography (ct) image reconstruction from polychromatic projection data | |
Cruz-Bastida et al. | Task-based transferable deep-learning scatter correction in cone beam computed tomography: a simulation study | |
WO2018142780A1 (ja) | 放射線撮影装置、放射線撮影方法およびプログラム |
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 |