CN113295722B - 一种基于深度学习算法的x射线光谱数据矫正方法及装置 - Google Patents

一种基于深度学习算法的x射线光谱数据矫正方法及装置 Download PDF

Info

Publication number
CN113295722B
CN113295722B CN202110560789.6A CN202110560789A CN113295722B CN 113295722 B CN113295722 B CN 113295722B CN 202110560789 A CN202110560789 A CN 202110560789A CN 113295722 B CN113295722 B CN 113295722B
Authority
CN
China
Prior art keywords
data
spectral data
ray
spectrum
spectrum data
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
CN202110560789.6A
Other languages
English (en)
Other versions
CN113295722A (zh
Inventor
方正
陈淮南
高逸飞
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.)
Xiamen University
Original Assignee
Xiamen University
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 Xiamen University filed Critical Xiamen University
Priority to CN202110560789.6A priority Critical patent/CN113295722B/zh
Publication of CN113295722A publication Critical patent/CN113295722A/zh
Application granted granted Critical
Publication of CN113295722B publication Critical patent/CN113295722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Analytical Chemistry (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Chemical & Material Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pulmonology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及一种基于深度学习算法的X射线光谱数据矫正方法及其装置，包含以下步骤：S1，采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；S2，通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；S3，建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；S4，将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。

Description

一种基于深度学习算法的X射线光谱数据矫正方法及装置
技术领域
本发明涉及X射线光谱矫正领域，具体指有一种基于深度学习算法的X射线光谱数据矫正方法及装置。
背景技术
近年来，X射线光子计数探测器发展迅速，它可以提高CT成像的空间分辨率，减少对患者的X射线辐射，降低图像噪声和伪影，成像质量更高，因此基于光子计数型X射线光谱技术应运而生。
然而，X射线光子计数探测器CT系统目前受到技术及硬件方面的限制，特别是电荷共享效应、射束硬化效应和脉冲堆积效应，这会导致光谱数据质量严重下降。通过硬件改进来校正光谱数据是相当昂贵和复杂的并且传统光谱数据矫正算法效果有限。
针对上述的现有技术存在的问题设计一种基于深度学习算法的X射线光谱数据矫正方法及装置是本发明研究的目的。
发明内容
针对上述现有技术存在的问题，本发明在于提供一种基于深度学习算法的X射线光谱数据矫正方法及装置，能够有效解决上述现有技术存在的问题。
本发明的技术方案是：
一种基于深度学习算法的X射线光谱数据矫正方法，包含以下步骤：
S1，采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；
S2，通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；
S3，建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；
S4，将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。
所述步骤S3具体为：
使用keras和/或TensorFlow数据库建立深度神经网络模型，基于对抗自编码器AAE算法，在监督学习模式下，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络。
进一步地，所述参数值包括损失函数、激活函数、批次大小、学习率、训练轮数、网络层数、隐藏单元个数其中的一种或多种。
进一步地，所述对抗自编码器AAE算法是自编码器网络和生成对抗网络的结合，所述生成对抗网络包含判别器，所述步骤S3具体为：
S3.1，计算所述仿真光谱数据的均值和方差，使用编码器对所述仿真光谱数据进行降维得到隐含变量z；
S3.2，输入所述隐含变量z和所述实测光谱数据至判别器，所述判别器对所述隐含变量z和所述实测光谱数据进行判断，训练所述判别器，通过所述判别器训练所述编码器；
S3.3，训练完成后，得到合适的参数值，生成光谱矫正网络。
进一步地，所述判别器的损失函数为交叉熵损失函数。
进一步地，所述自编码器的损失函数是均方误差损失函数。
进一步地，所述步骤S3.3中，训练完成后，所述判别器的判别方式为随机判定。
所述步骤S3之后进一步包含以下步骤：
采集X射线穿过新样本的光谱数据，计算得到X射线的新的实测光谱数据，通过数学软件模拟X射线穿过所述新的样本的光谱数据，计算得到X射线的新的仿真光谱数据；
通过所述新的实测光谱数据验证所述光谱矫正网络，若所述新的矫正光谱数据与所述新的仿真光谱数据不匹配，则调整所述参数值。
进一步提供一种基于深度学习算法的X射线光谱数据矫正装置，其特征在于：包含：
实测光谱数据计算单元，用于采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；
仿真光谱数据计算单元，用于通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；
光谱矫正网络生产单元，用于建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；
矫正单元，用于将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。
因此，本发明提供以下的效果和/或优点：
1、本发明通过建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络，可以对实测光谱数据进行矫正，使其逼近仿真光谱数据。提高了光谱数据的保真度，使光谱数据的应用价值得到提升。
2、本发明对不同原因导致的光谱数据失真都有矫正效果，建立模型比较方便简单。将实测光谱数据映射到仿真光谱数据，较为准确的对失真的实测光谱数据进行恢复。仿真数据是没有外部原因影响的数据，矫正后的数据接近仿真数据，所以对不同原因导致的光谱失真都有矫正效果。
3、本发明以对抗自编码器算法为理论依据，通过输入所述隐含变量z和所述实测光谱数据至判别器，所述判别器对所述隐含变量z和所述实测光谱数据进行判断，不断地训练所述判别器，再通过所述判别器不断地训练所述自编码器，最终得到判别器无法判定真假的网络，使其无限接近仿真光谱数据。
应当明白，本发明的上文的概述和下面的详细说明是示例性和解释性的，并且意在提供对如要求保护的本发明的进一步的解释。
附图说明
图1为本发明的流程示意图。
图2为抗自编码器AAE算法对应的模型架构示意图。
图3是自编码器的结构示意图。
图4为GAN网络从判别器的训练到最终达到纳什均衡的训练过程示意图。
图5为光谱矫正网络训练五万轮后得到的矫正光谱数据。
图6为光谱矫正网络训练二十万轮后得到的矫正光谱数据。
具体实施方式
为了便于本领域技术人员理解，现将实施例结合附图对本发明的结构作进一步详细描述：
参考图1，
一种基于深度学习算法的X射线光谱数据矫正方法，包含以下步骤：
S1，采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据。本实施例中通过光子计数探测器采集X射线穿过大量样本的光谱数据，得到大量的实测光谱数据。
S2，通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据。
本实施例中，使用MATLAB软件结合美国国家标准与技术研究所NIST数据库中X射线穿过物质衰减系数来进行入射光谱和透射光谱的仿真，再通过计算得出仿真光谱数据。
S3，使用keras和/或TensorFlow数据库建立深度神经网络模型，基于对抗自编码器AAE算法，在监督学习模式下，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；所述参数值包括损失函数、激活函数、批次大小、学习率、训练轮数、网络层数、隐藏单元个数其中的一种或多种。
本实施例中，深度神经网络模型是用python语言设计的，采用keras和TensorFlow数据库编写，分别建立了编码器、解码器和判别器，该网络是基于对抗自编码器AAE算法进行改进，在监督学习模式下将实测光谱数据直接映射到仿真光谱数据上。
所述对抗自编码器AAE算法是自编码器网络和生成对抗网络的结合，所述生成对抗网络包含判别器，所述步骤S3具体为：
S3.1，计算所述仿真光谱数据的均值和方差，使用自编码器对所述仿真光谱数据进行降维得到隐含变量z；
S3.2，输入所述隐含变量z和所述实测光谱数据至判别器，所述判别器对所述隐含变量z和所述实测光谱数据进行判断，训练所述判别器，通过所述判别器训练所述自编码器；
S3.3，训练完成后，所述判别器的判别方式为随机判定，得到合适的参数值，生成光谱矫正网络。
具体如下：
本实施例中，自编码器是一种无监督学习神经网络算法，通过均值和方差找到所述实测光谱数据分布的规律，然后使用自编码器对仿真光谱数据进行降维得到隐含变量，然后通过解码器对隐含变量解码输出，通过输出和输入之间的误差调整，可以控制解码器的输出最小化重构误差。
参考图2，图2是抗自编码器AAE算法对应的模型架构示意图，该模型的核心是由被用作生成器的自编码器和判别器组成的对抗网络。该模型的上半部分是一个普通的自编码器，该模型的下半部分是判别器。其中x表示仿真光谱数据样本输入，把它输入一个正常的自编码器中，让自编码器对数据进行编码，生成隐含变量z，p(z)是表示z的分布，q(z)是表示新规律下z的分布。本实施例中，自编码器也用作生成器，自编码器生成一维的隐含变量z，隐含变量z输入至判别器。判别器用于判断输入的隐含变量z是来自于实测数据还是编码器生成的数据。
参考图3，在一般的自编码器网络中输出是以输入作为目标进行训练，通过最小化输出和输入之间的误差调整网络参数，输出可以用下式表示：
Figure BDA0003078891540000071
式中gθ'是解码函数，fθ是编码函数，网络的输出和输入维度相同。该网络的重构误差可以用
Figure BDA0003078891540000072
表示，网络对所有输入样本的目标函数可以表示为：
Figure BDA0003078891540000073
其中M是输入样本的数量，θ是编码器参数集，θ'是解码器参数集。网络的最终目标是最小化输入和输出之间的重构误差，即
Figure BDA0003078891540000074
首先，抗自编码器AAE算法对应的模型先通过调整自编码器使q(z)逼近p(z)，从而使实测光谱数据经过自编码器之后的分布逼近仿真光谱数据的分布，然后使用仿真光谱数据生成隐含变量，再用解码器得到和仿真数据相同分布的数据。接着，对判别器模型进行训练，训练好之后用p(z)直接生成一个隐含变量，再通过解码器生成需要的数据。最后，生成器模型和判别器模型互相对抗，输入所述隐含变量z和所述实测光谱数据至判别器，判别器对生成器生成的隐含变量z和实测光谱数据进行判别，同时训练判别器和生成器，生成器不断优化尽可能的去混淆判别器的分辨能力，而判别器则不断提升自己的分辨能力。具体为，先对判别器进行优化，所以在刚开始训练的时候生成器的欺骗能力还不是很强，判别器能够很轻易的分辨出隐含变量z，在反向传播之后生成器能够快速的更新，在整个网络的训练过程中，每次只对一个模型进行训练，即固定一个模型的参数对另一个模型进行优化，这样交替训练使得整个网络达到平衡，这就是通常说的那什均衡。最后生成器生成的隐含变量z能够非常逼近实测光谱数据的分布，而判别器则无法轻易分辨出数据真伪，判别概率在0.5左右，认定判别器已经无法判断该数据是来自生成器还是来自实测光谱数据，其判定方式为随机。
参考图4，图中实线代表生成器生成的假数据分布，细虚线表示判别器的判断能力，粗虚线表示真实数据的分布，z代表随机噪声分布。图中(a)是该网络刚开始训练，判别器的判别能力还不能够较好的分辨出真实数据和生成器生成的假数据，因此先固定生成器然后对判别器进行训练；图中(b)是判别器已经训练好，此时生成器生成的假数据和真实数据分布差异较大判别器能够准确的对真假数据进行分辨，现在需要固定判别器对生成器进行训练，使生成器尽可能的去混淆判别器让其不能够轻易的分辨真假数据；图中(c)是不断重复a和b的训练过程，使判别器和生成器都在不断进步，生成器生成的假数据不断靠近真实数据的分布；图中(d)是模型最终训练完成，此时判别器已经无法分辨真假数据，达到纳什均衡。
在训练开始阶段固定生成模型，判别器的目标是最大化V(G，D)，可得到：
Figure BDA0003078891540000081
上式中积分下的x代表真实数据样本空间，z代表随机噪声的样本空间。对于积分括号的函数当取到中间值
Figure BDA0003078891540000082
时函数最大，判别器的目标函数是条件概率函数P(Y＝y|x)的最大似然估计，当y为零时表示数据来自于生成器模型，当y为1时代表该数据来自于真实数据分布，此时对上式进行变换可以得到：
Figure BDA0003078891540000091
由上式可以计算出，当Pg＝Pdata时，判别器模型最好，此时：
Figure BDA0003078891540000092
代入可得
Figure BDA0003078891540000093
使用KL散度表示可得：
Figure BDA0003078891540000094
JS散度表示两个样本分布的相似概率，解决了KL散度不对称的问题，使用JS散度表示可得：
C(G)＝-log(4)+2·JSD(Pdata||Pg)
两个样本分布的JS散度大于零，所以当Pg＝Pdata时该模型取得最优解0，此时生成器可以生成与真实数据分布相同的分布。
S4，将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。
进一步地，所述判别器的损失函数为交叉熵损失函数，激活函数使用LeakyReLU、tanh和sigmoid函数。
进一步地，所述自编码器的损失函数是均方误差损失函数。
所述步骤S3之后进一步包含以下步骤：
采集X射线穿过新样本的光谱数据，计算得到X射线的新的实测光谱数据，通过数学软件模拟X射线穿过所述新的样本的光谱数据，计算得到X射线的新的仿真光谱数据；
通过所述新的实测光谱数据验证所述光谱矫正网络，若所述新的矫正光谱数据与所述新的仿真光谱数据不匹配，则调整所述参数值。
本实施例进一步提供一种基于深度学习算法的X射线光谱数据矫正装置，包含：
实测光谱数据计算单元，用于采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；
仿真光谱数据计算单元，用于通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；
光谱矫正网络生产单元，用于建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；
矫正单元，用于将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。
实验数据
参考图5-6，图5为光谱矫正网络训练五万轮后得到的矫正光谱数据，图5为光谱矫正网络训练二十万轮后得到的矫正光谱数据。每个图有1条仿真光谱数据、1条矫正光谱数据、1条实测光谱数据，从图5可以清楚的看出仿真光谱数据最为平滑，实测光谱数据噪声较多，处在中间的是矫正光谱数据，显然经过五万轮的训练矫正效果还不够好。从图6可以看出，仿真光谱数据已经和矫正光谱数据基本重合，跟实测光谱数据对比，矫正效果较好。
在本发明所提供的几个实施方式中，应该理解到，所揭露的系统，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方式仅仅是示意性的，例如，模块或单元的划分，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。
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，或者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方式方案的目的。
另外，在本发明各个实施方式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。
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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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一个存储介质中，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)执行本发明各个实施方式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。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属于本发明的涵盖范围。

Claims (7)

1.一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：包含以下步骤：
S1，采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；
S2，通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；
S3，建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；所述步骤S3具体为：使用keras和/或TensorFlow数据库建立深度神经网络模型，基于对抗自编码器AAE算法，在监督学习模式下，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；所述对抗自编码器AAE算法是自编码器网络和生成对抗网络的结合，所述生成对抗网络包含判别器，所述步骤S3具体为：
S3.1，计算所述仿真光谱数据的均值和方差，通过均值和方差找到所述实测光谱数据分布的规律，然后使用自编码器对仿真光谱数据进行降维得到隐含变量，然后通过解码器对隐含变量解码输出，通过输出和输入之间的误差调整，控制解码器的输出最小化重构误差，使用自编码器对所述仿真光谱数据进行降维得到隐含变量z；
S3.2，输入所述隐含变量z和所述实测光谱数据至判别器，所述判别器对所述隐含变量z和所述实测光谱数据进行判断，训练所述判别器，通过所述判别器训练所述自编码器；具体为：每次只对一个模型进行训练，即固定一个模型的参数对另一个模型进行优化，这样交替训练使得整个网络达到平衡，生成器生成的隐含变量z能够逼近实测光谱数据的分布，而判别器则无法分辨出数据真伪，判别概率在0.5左右，认定判别器已经无法判断该数据是来自生成器还是来自实测光谱数据，其判定方式为随机；
S3.3，训练完成后，得到合适的参数值，生成光谱矫正网络；
S4，将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。
2.根据权利要求1所述的一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：所述参数值包括损失函数、激活函数、批次大小、学习率、训练轮数、网络层数、隐藏单元个数其中的一种或多种。
3.根据权利要求1所述的一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：
所述判别器的损失函数为交叉熵损失函数。
4.根据权利要求1所述的一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：
所述自编码器的损失函数是均方误差损失函数。
5.根据权利要求1所述的一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：
所述步骤S3.3中，训练完成后，所述判别器的判别方式为随机判定。
6.根据权利要求1所述的一种基于深度学习算法的X射线光谱数据矫正方法，其特征在于：所述步骤S3之后进一步包含以下步骤：
采集X射线穿过新样本的光谱数据，计算得到X射线的新的实测光谱数据，通过数学软件模拟X射线穿过所述新的样本的光谱数据，计算得到X射线的新的仿真光谱数据；
通过所述新的实测光谱数据验证所述光谱矫正网络，若所述新的矫正光谱数据与所述新的仿真光谱数据不匹配，则调整所述参数值。
7.一种基于深度学习算法的X射线光谱数据矫正装置，其特征在于：用于实现权利要求1－6任意一条所述的一种基于深度学习算法的X射线光谱数据矫正方法，包含：
实测光谱数据计算单元，用于采集X射线穿过样本的光谱数据，计算得到X射线的实测光谱数据；
仿真光谱数据计算单元，用于通过数学软件模拟X射线穿过所述样本的光谱数据，计算得到X射线的仿真光谱数据；
光谱矫正网络生产单元，用于建立深度神经网络模型，通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练，得到合适的参数值，生成光谱矫正网络；
矫正单元，用于将所述实测光谱数据通过所述光谱矫正网络矫正得到矫正光谱数据。
CN202110560789.6A 2021-05-21 2021-05-21 一种基于深度学习算法的x射线光谱数据矫正方法及装置 Active CN113295722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110560789.6A CN113295722B (zh) 2021-05-21 2021-05-21 一种基于深度学习算法的x射线光谱数据矫正方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110560789.6A CN113295722B (zh) 2021-05-21 2021-05-21 一种基于深度学习算法的x射线光谱数据矫正方法及装置

Publications (2)

Publication Number Publication Date
CN113295722A CN113295722A (zh) 2021-08-24
CN113295722B true CN113295722B (zh) 2022-09-20

Family

ID=77323826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110560789.6A Active CN113295722B (zh) 2021-05-21 2021-05-21 一种基于深度学习算法的x射线光谱数据矫正方法及装置

Country Status (1)

Country Link
CN (1) CN113295722B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024040608A1 (zh) * 2022-08-26 2024-02-29 西门子股份公司 能源管理系统的模型训练方法、装置及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108827918A (zh) * 2018-05-29 2018-11-16 天津九光科技发展有限责任公司 基于积分球的漫反射光谱测量装置、测量方法及校正方法
CN109567838A (zh) * 2018-10-29 2019-04-05 厦门大学 一种x射线吸收光谱法病灶检测仪
CN109543745B (zh) * 2018-11-20 2021-08-24 江南大学 基于条件对抗自编码网络的特征学习方法及图像识别方法
KR20200072302A (ko) * 2018-12-12 2020-06-22 삼성전자주식회사 두께 예측 네트워크 학습 방법, 반도체 소자 제조 방법 및 반도체 물질 퇴적 장비
US11288818B2 (en) * 2019-02-19 2022-03-29 The Trustees Of The University Of Pennsylvania Methods, systems, and computer readable media for estimation of optical flow, depth, and egomotion using neural network trained using event-based learning
CN110443882B (zh) * 2019-07-05 2021-06-11 清华大学 基于深度学习算法的光场显微三维重建方法及装置
CN111581884A (zh) * 2020-05-11 2020-08-25 上海无线电设备研究所 一种星载多分辨率目标光学辐射图像仿真方法

Also Published As

Publication number Publication date
CN113295722A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
RU2709437C1 (ru) Способ обработки изображений, устройство обработки изображений и носитель данных
CN109522857B (zh) 一种基于生成式对抗网络模型的人数估计方法
CN110074813B (zh) 一种超声图像重建方法及系统
CN110728729B (zh) 一种基于注意机制的无监督ct投影域数据恢复方法
CN112348936B (zh) 一种基于深度学习的低剂量锥束ct图像重建方法
CN115661144B (zh) 基于可变形U-Net的自适应医学图像分割方法
CN110363797B (zh) 一种基于过度形变抑制的pet与ct图像配准方法
CN111999731B (zh) 一种基于感知生成对抗网络的电磁逆散射成像方法
Jia et al. Three-category classification of magnetic resonance hearing loss images based on deep autoencoder
CN113295722B (zh) 一种基于深度学习算法的x射线光谱数据矫正方法及装置
CN112508782A (zh) 网络模型的训练方法、人脸图像超分辨率重建方法及设备
CN115563650A (zh) 基于联邦学习实现医疗数据的隐私保护系统
WO2023109702A1 (zh) 一种基于平扫ct的物质分解方法、智能终端及存储介质
CN114677263A (zh) Ct图像与mri图像的跨模态转换方法和装置
CN116342516A (zh) 基于模型集成的儿童手骨x光图像骨龄评估方法及系统
CN113160057B (zh) 基于生成对抗网络的rpgan图像超分辨率重建方法
CN115953317A (zh) 图像增强方法、装置、电子设备及存储介质
CN112232129A (zh) 基于生成对抗网络的电磁信息泄漏信号仿真系统及方法
CN115496659A (zh) 基于单张投影数据的三维ct图像重建方法及装置
Wu et al. Data-iterative Optimization Score Model for Stable Ultra-Sparse-View CT Reconstruction
CN115482434A (zh) 一种基于多尺度生成对抗网络的小样本高质量生成的方法
CN110060314B (zh) 一种基于人工智能的ct迭代重建加速方法及系统
CN111260742B (zh) 一种电阻抗成像方法及装置
WO2021159236A1 (zh) 基于非衰减校正pet图像生成合成pet-ct图像的方法和系统
CN113311429A (zh) 一种基于对抗样本的1比特雷达成像方法

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