CN114004909A - 一种基于x射线通量分布的ct重建方法及装置 - Google Patents
一种基于x射线通量分布的ct重建方法及装置 Download PDFInfo
- Publication number
- CN114004909A CN114004909A CN202111284947.6A CN202111284947A CN114004909A CN 114004909 A CN114004909 A CN 114004909A CN 202111284947 A CN202111284947 A CN 202111284947A CN 114004909 A CN114004909 A CN 114004909A
- Authority
- CN
- China
- Prior art keywords
- flux
- consistency index
- flux distribution
- particle
- 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.)
- Pending
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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出一种基于X射线通量分布的CT重建方法及装置,其中,方法包括:获取CT扫描后得到的探测器数据,通过负对数变换得到探测器数据对应的投影图;将投影图输入预设的神经网络,得到重建图像与通量一致性指标;如果通量一致性指标满足预设条件,则直接输出重建图像;如果通量一致性指标不满足所述预设条件,则以通量一致性指标为优化目标更新神经网络,直至通量一致性指标满足所述预设条件,再最终输出重建图像。本申请的方法提升了图像重建质量,并且相较传统迭代过程的极大减少了运算量和运算时间。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于X射线通量分布的CT重建方法及装置。
背景技术
CT重建是根据CT扫描仪探测到的X射线计算得到被扫描物体的衰减系数分布的过程。CT作为重要的无损检测手段,在医学、安检、工业等诸多领域均有重要的应用。而无论是心脏CT快速成像,还是机场等重要交通节点的安检需要,都要求进一步提升CT成像速度。传统螺旋CT受限于滑环材料强度,速度提升遇到了瓶颈,而取消了滑环结构、用分布式光源的多个靶点交替出束来实现扫描过程的静态CT系统,以其扫描速度和可靠性的突出优势,被公认是新一代CT系统的最佳选择,对与其相配套的静态CT快速重建算法的需求也愈发迫切。
经典的CT重建方法包括解析重建和迭代重建两种,解析重建通常是基于对Radon变换及其逆变换所得到的闭式求解,因此依赖特定几何结构,而迭代算法则是基于系统矩阵求解最优化问题,故适应各种不同几何结构,且迭代方法可以通过引入额外的惩罚项,如全变分最小化,达到提升重建质量的目的。通常而言,解析算法速度更快,迭代算法重建质量更高,但速度相对较慢。由于静态CT系统的成像几何与传统螺旋轨道和圆轨道有很大不同,传统的解析算法并不适用,而迭代算法的速度又不适应于快速重建的需求。
近年来,随着人工神经网络及其训练技巧的发展,深度学习方法应用于CT重建显著提升了重建图像质量效果。数据驱动的训练过程使得深度学习可以根据训练数据自行提取几何结构的信息,具有与迭代算法相似的灵活性与更胜一筹的图像质量。而与此同时,网络前馈过程相较迭代算法通常较快。因此深度学习方法的应用可以兼得速度和图像质量的提升。虽然神经网络有着强大的潜力,但严重依赖丰富且高质量的训练数据集。一般所使用的监督学习需要配对的完备数据和不完备数据作为真值共同训练网络。而在大多数实际场景中,配对数据尤其是完备数据往往难以获得或获取成本高昂,从而阻碍了深度学习相关算法的实际应用。
针对以上问题,本专利提出了一种基于不完备数据的通量分布一致性约束自监督深度学习CT重建方法。本专利可以仅利用实际场景下易获得的不完备数据集进行网络训练与图像重建。该方法也同时兼容以有监督的方式通过配对数据来训练神经网络。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种基于X射线通量分布的CT重建方法,以实现提升图像重建质量,并且相较传统迭代过程的极大减少运算量和运算时间。
本发明的第二个目的在于提出一种基于X射线通量分布的CT重建装置。
本发明的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本发明第一方面实施例提出了一种基于X射线通量分布的CT重建方法,包括以下步骤:
S10、获取CT扫描后得到的探测器数据,通过负对数变换得到所述探测器数据对应的投影图;
S20、将所述投影图输入预设的神经网络,得到重建图像与通量一致性指标;
S30、如果所述通量一致性指标满足预设条件,则直接输出所述重建图像;
S40、如果所述通量一致性指标不满足所述预设条件,则以所述通量一致性指标为优化目标更新所述神经网络,直至所述通量一致性指标满足所述预设条件,再最终输出所述重建图像。
可选地,在本申请的一个实施例中,通过下述方式训练所述神经网络:
获取训练数据集,所述训练数据集中包括多种物体的随机组合;
随机初始化所述神经网络的参数,根据所述训练数据集的通量一致性代价函数对所述神经网络的网络参数进行优化,得到训练后的所述神经网络。
可选地,在本申请的一个实施例中,还包括:
从粒子输运方程入手获得通量分布一致性指标,从粒子输运方程入手,推导出射线通量分布应满足的偏微分方程,并基于伪逆求解方法构建了空间各点权重相同的通量分布一致性指标,通过最小化通量分布的不一致来求解CT重建问题;
基于通量分布一致性指标的自监督神经网络重建方法,为全局通量分布一致性指标J设计优化算法,先将射线通量分布视为多粒子动态系统,优化目标被视作该系统势能,由于动力学系统的稳态对应势能最低点,故此状态下粒子分布对应令目标函数全局最小的通量分布;
最终的端到端网络由该基本模块堆叠而成,可以是同一分辨率也可以是多级分辨率的金字塔,该网络有两个输出分支:
1)计算各channel的feature map平均值以获得输出图像,当训练集内含对应完备数据,该分支可以与完备重建图像计算距离,实现有监督学习;
2)计算各channel的feature map。
可选地,在本申请的一个实施例中,所述粒子输运方程描述了射线与物质相互作用的物理过程:
其中,代表被扫描物体的支撑域,具有光滑边界 为空间坐标,为单位球面,v=S2为方向向量,σ(x)是衰减系数,K(x,v,v')是散射指数,F(x,v)是源项,定义I(x,v)为在位置x∈Ω中沿方向v∈S2运动的粒子密度。
可选地,在本申请的一个实施例中,所述通量分布一致性指标,所述通量分布一致性指标J体现了当前解与真实解之间的误差水平,一致性指标越接近0,当前解越接近真实解,可以用于将CT重建问题转化为数值优化问题求解,还可以在相同数据上比较不同算法的性能优劣,可为数值算法的优化提供自监督信息。
xi(t0)=wi,i=1,...,n
其中,F(xi(t),[x1(t),…,xn(t),t],t)为扩散项,表达了粒子间的相互作用,G(x,t)为对流项,由空间和时间决定。
可选地,在本申请的一个实施例中,上式中,扩散与对流两项相互耦合,直接求解困难,数值解法中通常会将其解耦合之后数值求解,解耦方法是Lie-Trotter分裂格式,该算法拆分了对流项与扩散项,逐步独立计算,而偏微分方程数值解法中最简单的是欧拉法,Lie-Trotter分裂格式的欧拉法基于xi(t)的数据计算xi(t+γ):
逐步迭代,可以得到任意时间点的粒子状态;
为设计针对通量分布一致性指标J的数值优化器,将通量分布u视为多粒子动态系统,对应不同光源α的通量uα视作独立的粒子J视作势能,则这一多粒子系统势能最低时对应的粒子状态即为该边界条件下输运方程的解。
可选地,在本申请的一个实施例中,所述对流项,所述对流项对应单一光源视角通量分布变化,而作为边界条件的投影值只与单个光源有关,因此边界条件应放入对流项中处理,设计所述对流项时,通过减均值加偏移量的方法,来调整通量分布满足投影值的约束。
本申请的技术效果:本专利提出一种空间分布均匀的通量分布一致性指标,该指标在空间的权重分布均匀,这一指标避免了传统迭代算法中优化目标权重与穿过该点的射线数量成正比的缺点,可提升图像重建质量;本专利进一步提出一种通过自监督的方式训练神经网络的CT重建实现方法,从而将通量分布一致性指标优化算法中的对流及扩散过程网络化,充分利用神经网络强大的特征提取能力,充分利用不完备样本精确学习当前分布式光源几何排布特征,实现高效优质的图像重建,同时网络在训练完成后可以端到端的方式实现从投影到图像的重建过程,相较传统迭代过程的极大减少了运算量和运算时间,相较传统解析算法在时间相似的前提下,极大提升了图像质量。
为达上述目的,本申请第二方面实施例提出本发明一种基于X射线通量分布的CT重建装置,包括以下模块:
获取模块,用于获取CT扫描后得到的探测器数据,通过负对数变换得到所述探测器数据对应的投影图;
处理模块,用于将所述投影图输入预设的神经网络,得到重建图像与通量一致性指标;
输出模块,用于在所述通量一致性指标满足预设条件时,直接输出所述重建图像;
优化模块,用于在所述通量一致性指标不满足所述预设条件时,以所述通量一致性指标为优化目标更新所述神经网络,直至所述通量一致性指标满足所述预设条件;所述输出模块还用于再最终输出所述重建图像。
本申请的技术效果:本专利提出一种空间分布均匀的通量分布一致性指标,该指标在空间的权重分布均匀,这一指标避免了传统迭代算法中优化目标权重与穿过该点的射线数量成正比的缺点,可提升图像重建质量;本专利进一步提出一种通过自监督的方式训练神经网络的CT重建实现方法,从而将通量分布一致性指标优化算法中的对流及扩散过程网络化,充分利用神经网络强大的特征提取能力,充分利用不完备样本精确学习当前分布式光源几何排布特征,实现高效优质的图像重建,同时网络在训练完成后可以端到端的方式实现从投影到图像的重建过程,相较传统迭代过程的极大减少了运算量和运算时间,相较传统解析算法在时间相似的前提下,极大提升了图像质量。
为达上述目的,本申请第三方面实施例提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请第一方面实施例所述的基于X射线通量分布的CT重建方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例的基于X射线通量分布的CT重建方法的流程图。
图2是本申请实施例的网络结构与resnet的对照示意图;
图3是本申请实施例的使用并行子集方法加速的本专利基本模块示意图;
图4是本申请实施例的使用并行子集方法加速的基本模块实现方法示意图;
图5是本申请实施例的使用多分辨率方法的完整网络示意图;
图6为本申请实施例的基于X射线通量分布的CT重建装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的一所提供的一种基于关节组间关联建模的动作识别方法。
如图1所示,为达上述目的,本发明第一方面实施例提出了一种基于X射线通量分布的CT重建方法,包括以下步骤:
S10、获取CT扫描后得到的探测器数据,通过负对数变换得到所述探测器数据对应的投影图;
S20、将所述投影图输入预设的神经网络,得到重建图像与通量一致性指标;
S30、如果所述通量一致性指标满足预设条件,则直接输出所述重建图像;
S40、如果所述通量一致性指标不满足所述预设条件,则以所述通量一致性指标为优化目标更新所述神经网络,直至所述通量一致性指标满足所述预设条件,再最终输出所述重建图像。
在本申请的一个实施例中,进一步地,通过下述方式训练所述神经网络:
获取训练数据集,所述训练数据集中包括多种物体的随机组合;
随机初始化所述神经网络的参数,根据所述训练数据集的通量一致性代价函数对所述神经网络的网络参数进行优化,得到训练后的所述神经网络。
在本申请的一个实施例中,进一步地,还包括:
从粒子输运方程入手获得通量分布一致性指标,从粒子输运方程入手,推导出射线通量分布应满足的偏微分方程,并基于伪逆求解方法构建了空间各点权重相同的通量分布一致性指标,通过最小化通量分布的不一致来求解CT重建问题;
基于通量分布一致性指标的自监督神经网络重建方法,为全局通量分布一致性指标J设计优化算法,先将射线通量分布视为多粒子动态系统,优化目标被视作该系统势能,由于动力学系统的稳态对应势能最低点,故此状态下粒子分布对应令目标函数全局最小的通量分布;
最终的端到端网络由该基本模块堆叠而成,可以是同一分辨率也可以是多级分辨率的金字塔,该网络有两个输出分支:
1)计算各channel的feature map平均值以获得输出图像,当训练集内含对应完备数据,该分支可以与完备重建图像计算距离,实现有监督学习;
2)计算各channel的feature map。
可选地,在本申请的一个实施例中,所述粒子输运方程描述了射线与物质相互作用的物理过程:
其中,代表被扫描物体的支撑域,具有光滑边界 为空间坐标,为单位球面,v=S2为方向向量,σ(x)是衰减系数,K(x,v,v')是散射指数,F(x,v)是源项,定义I(x,v)为在位置x∈Ω中沿方向v∈S2运动的粒子密度。
在本申请的一个实施例中,进一步地,具体而言,对X射线CT而言,支撑域内不存在射线源,在无散射的条件下,上式可简化为
式在实际应用中面临如下问题:的定义范围是由射线扫描区域决定的,由于α为离散值,且相邻的视角射线所覆盖的重建范围未必重合,故可能存在无法计算的区域。为充分利用扫描数据,考虑到偏导为零等价于各视角完全一致,而衡量数据离散程度可经由方差实现,故定义沿α方向均方差为通量分布一致性指标,将其图像域作为优化目标函数,如下式所示,
通量分布一致性指标J体现了当前解与真实解之间的误差水平,一致性指标越接近0,当前解越接近真实解,其不仅可以用于将CT重建问题转化为数值优化问题求解,还在相同数据上比较不同算法的性能优劣,可为数值算法的优化提供了自监督信息,相比于传统迭代算法,该指标在射线经过的任意位置x均可计算,全局优化目标为其图像空间的积分,从而确保空间各点权重均匀分布。
在本申请的一个实施例中,进一步地,所述通量分布一致性指标,所述通量分布一致性指标J体现了当前解与真实解之间的误差水平,一致性指标越接近0,当前解越接近真实解,可以用于将CT重建问题转化为数值优化问题求解,还可以在相同数据上比较不同算法的性能优劣,可为数值算法的优化提供自监督信息。
在本申请的一个实施例中,进一步地,所述多粒子动态系统,所述动态系统对应的ODE被称为对流扩散方程,假设空间中有n个粒子,对应n个视角.令为第i个粒子在时间t所在的空间位置,粒子i的动力学可如下式表示:
xi(t0)=wi,i=1,...,n
其中,F(xi(t),[x1(t),…,xn(t),t],t)为扩散项,表达了粒子间的相互作用,G(x,t)为对流项,由空间和时间决定。
在本申请的一个实施例中,进一步地,上式中,扩散与对流两项相互耦合,直接求解困难,数值解法中通常会将其解耦合之后数值求解,解耦方法是Lie-Trotter分裂格式,该算法拆分了对流项与扩散项,逐步独立计算,而偏微分方程数值解法中最简单的是欧拉法,Lie-Trotter分裂格式的欧拉法基于xi(t)的数据计算xi(t+γ):
逐步迭代,可以得到任意时间点的粒子状态;
为设计针对通量分布一致性指标J的数值优化器,将通量分布u视为多粒子动态系统,对应不同光源α的通量uα视作独立的粒子J视作势能,则这一多粒子系统势能最低时对应的粒子状态即为该边界条件下输运方程的解。
在本申请的一个实施例中,进一步地,具体而言,为设计针对通量分布一致性指标J的数值优化器,将通量分布u视为多粒子动态系统,对应不同光源α的通量uα视作独立的粒子,J视作势能,则这一多粒子系统势能最低时对应的粒子状态即为该边界条件下输运方程的解。接下来的任务是在Lie-Trotter splitting scheme框架内,通过构建适当的动力学方程扩散项与对流项得到,可使系统经过有限的步长达到稳态,从而得到既满足边界条件又使势能J最低的通量分布,此时动力学方程的数值求解器即为J的数值优化器。
由定义不难得出,对流项对应单一光源视角通量分布变化,而作为边界条件的投影值只与单个光源有关,因此边界条件应放入对流项中处理。设计对流项时,可通过减均值加偏移量的方法,来调整通量分布满足投影值的约束。而扩散项对应多个光源视角通量分布的交互,势能函数J(u)所表达的通量分布一致性指标与此有关,故应放在扩散项中处理。设计扩散项时,可通过引入注意力机制实现视角间信息交流,从而减少各视角通量分布不一致性,降低势能J(u)函数,得到更接近真实情况的通量分布。经过如上设计的对流项与扩散项,与经典神经网络resnet的基本结构有某种相通之处,如附图2所示。
本申请的一个实施例中,进一步地,具体而言,如图3所示,本专利使用了神经网络来实现这一数值解法,同时考虑到相邻视角之间存在着信息冗余,为提供信息利用效率,加速数值求解过程,可以采用并行子集的策略。图4为这种加速方法的一个具体网络结构示例。
最终的端到端网络由该基本模块堆叠而成,可以是同一分辨率也可以是多级分辨率的金字塔,该网络有两个输出分支:第一个输出分支、计算各channel的feature map平均值以获得输出图像,(当训练集内含对应完备数据,该分支可以与完备重建图像计算距离,实现有监督学习);第二个输出分支、计算各channel的feature map的,图5展示了多种分辨率组成的网络。
在本申请的一个实施例中,进一步地,所述对流项,所述对流项对应单一光源视角通量分布变化,而作为边界条件的投影值只与单个光源有关,因此边界条件应放入对流项中处理,设计所述对流项时,通过减均值加偏移量的方法,来调整通量分布满足投影值的约束。
在本申请的一个实施例中,进一步地,具体而言,在单能X射线CT扫描时,X射线从X光机发出,在被探测物体中指数衰减,并在探测器中沉积能量,将每个角度下探测器阵列数据按角度顺序排列得到一次扫描的二维探测器信号响应图像IN,而投影数据g由探测器信号进一步经过负对数变换得到:
gN=-ln(IN/γN0)
当角度不足180时,被称为不完备数据重建而言
在本申请的一个实施例中,进一步地,二维不完备X射线CT重建具体的实施案例:
第一步、训练数据集收集:
准备多种箱包、常见物品、危险品(枪支、刀具、爆炸物模拟物)并随机组合,用有限角X射线CT对其扫描,扫描数据经负对数变换得到训练数据集若干张(>500),用于自监督训练神经网络。
第二步、神经网络构建:
自监督神经网络采用图4中的多分辨率神经网络,其中的基础模块使用图3的设置。
第三步、神经网络训练:
随机初始化网络各项参数,代价函数为前文定义的通量一致性代价函数J,优化器在本实施例中采用Adam优化器对网络参数优化,其学习率为0.0001
第四步、神经网络使用:
神经网络训练完成后,对于不完备CT扫描得到的探测器数据,首先通过负对数变换得到投影图,随后将投影图输入重建神经网络,得到重建图像与通量一致性指标J,如果J的值满足预设条件则直接输出重建图像,否则以J为优化目标更新网络,直到J满足预设条件再最终输出此时的重建图像。
本申请的发明目的:深度学习在CT重建应用中表现出良好的性能,相比于经典重建方法可以兼得速度和图像质量的提升,但深度学习方法在不完备数据重建中的效果严重依赖丰富且高质量的配对训练数据集;对完备数据训练集的硬性需求限制了深度学习在真实不完备重建问题中的实施效果和应用范围;本申请实施例首先提出基于粒子输运方程的伪逆求解方法,构建了通量分布一致性指标,该指标的权重在空间分布均匀,可提升图像重建质量;本申请实施例进一步提出一种通过自监督的方式训练神经网络的CT重建实现方法,其优势在于可以充分利用不完备样本精确学习当前分布式光源几何排布特征,实现高效优质的图像重建。
在本申请的一个实施例中,进一步地,具体而言,本实施例所述CT重建指一般空间二维或三维重建,射线包括X射线、伽马射线等,本方法可应用于公共安全影像,医学影像,工业探伤成像等多个领域。
本申请的技术效果:本专利提出一种空间分布均匀的通量分布一致性指标,该指标在空间的权重分布均匀,这一指标避免了传统迭代算法中优化目标权重与穿过该点的射线数量成正比的缺点,可提升图像重建质量;本专利进一步提出一种通过自监督的方式训练神经网络的CT重建实现方法,从而将通量分布一致性指标优化算法中的对流及扩散过程网络化,充分利用神经网络强大的特征提取能力,充分利用不完备样本精确学习当前分布式光源几何排布特征,实现高效优质的图像重建,同时网络在训练完成后可以端到端的方式实现从投影到图像的重建过程,相较传统迭代过程的极大减少了运算量和运算时间,相较传统解析算法在时间相似的前提下,极大提升了图像质量。
如图6所示,为达上述目的,本申请第二方面实施例提出本发明一种基于X射线通量分布的CT重建装置,包括以下模块:
获取模块10,用于获取CT扫描后得到的探测器数据,通过负对数变换得到探测器数据对应的投影图;
处理模块20,用于将投影图输入预设的神经网络,得到重建图像与通量一致性指标;
输出模块30,用于在通量一致性指标满足预设条件时,直接输出重建图像;
优化模块40,用于在通量一致性指标不满足预设条件时,以通量一致性指标为优化目标更新神经网络,直至通量一致性指标满足所述预设条件;输出模块还用于再最终输出重建图像。
本申请的发明目的:深度学习在CT重建应用中表现出良好的性能,相比于经典重建方法可以兼得速度和图像质量的提升,但深度学习方法在不完备数据重建中的效果严重依赖丰富且高质量的配对训练数据集;对完备数据训练集的硬性需求限制了深度学习在真实不完备重建问题中的实施效果和应用范围;本申请实施例首先提出基于粒子输运方程的伪逆求解方法,构建了通量分布一致性指标,该指标的权重在空间分布均匀,可提升图像重建质量;本申请实施例进一步提出一种通过自监督的方式训练神经网络的CT重建实现方法,其优势在于可以充分利用不完备样本精确学习当前分布式光源几何排布特征,实现高效优质的图像重建。
在本申请的一个实施例中,进一步地,具体而言,本实施例所述CT重建指一般空间二维或三维重建,射线包括X射线、伽马射线等,本方法可应用于公共安全影像,医学影像,工业探伤成像等多个领域。
本申请的技术效果:本专利提出一种空间分布均匀的通量分布一致性指标,该指标在空间的权重分布均匀,这一指标避免了传统迭代算法中优化目标权重与穿过该点的射线数量成正比的缺点,可提升图像重建质量;本专利进一步提出一种通过自监督的方式训练神经网络的CT重建实现方法,从而将通量分布一致性指标优化算法中的对流及扩散过程网络化,充分利用神经网络强大的特征提取能力,充分利用不完备样本精确学习当前分布式光源几何排布特征,实现高效优质的图像重建,同时网络在训练完成后可以端到端的方式实现从投影到图像的重建过程,相较传统迭代过程的极大减少了运算量和运算时间,相较传统解析算法在时间相似的前提下,极大提升了图像质量。
为了实现上述实施例,本发明还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请第一方面实施例所述的基于X射线通量分布的CT重建方法。
尽管参考附图详地公开了本申请,但应理解的是,这些描述仅仅是示例性的,并非用来限制本申请的应用。本申请的保护范围由附加权利要求限定,并可包括在不脱离本申请保护范围和精神的情况下针对发明所作的各种变型、改型及等效方案。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”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”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“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。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于X射线通量分布的CT重建方法,其特征在于,包括以下步骤:
S10、获取CT扫描后得到的探测器数据,通过负对数变换得到所述探测器数据对应的投影图;
S20、将所述投影图输入预设的神经网络,得到重建图像与通量一致性指标;
S30、如果所述通量一致性指标满足预设条件,则直接输出所述重建图像;
S40、如果所述通量一致性指标不满足所述预设条件,则以所述通量一致性指标为优化目标更新所述神经网络,直至所述通量一致性指标满足所述预设条件,再最终输出所述重建图像。
2.如权利要求1所述的方法,其特征在于,通过下述方式训练所述神经网络:
获取训练数据集,所述训练数据集中包括多种物体的随机组合;
随机初始化所述神经网络的参数,根据所述训练数据集的通量一致性代价函数对所述神经网络的网络参数进行优化,得到训练后的所述神经网络。
3.如权利要求1或2所述的方法,其特征在于,还包括:
从粒子输运方程入手获得通量分布一致性指标,从粒子输运方程入手,推导出射线通量分布应满足的偏微分方程,并基于伪逆求解方法构建了空间各点权重相同的通量分布一致性指标,通过最小化通量分布的不一致来求解CT重建问题;
基于通量分布一致性指标的自监督神经网络重建方法,为全局通量分布一致性指标J设计优化算法,先将射线通量分布视为多粒子动态系统,优化目标被视作该系统势能,由于动力学系统的稳态对应势能最低点,故此状态下粒子分布对应令目标函数全局最小的通量分布;
最终的端到端网络由该基本模块堆叠而成,可以是同一分辨率也可以是多级分辨率的金字塔,该网络有两个输出分支:
1)计算各channel的feature map平均值以获得输出图像,当训练集内含对应完备数据,该分支可以与完备重建图像计算距离,实现有监督学习;
2)计算各channel的feature map。
5.如权利要求3所述的方法,其特征在于,所述通量分布一致性指标,所述通量分布一致性指标J体现了当前解与真实解之间的误差水平,一致性指标越接近0,当前解越接近真实解,可以用于将CT重建问题转化为数值优化问题求解,还可以在相同数据上比较不同算法的性能优劣,可为数值算法的优化提供自监督信息。
8.如权利要求7所述的方法,其特征在于,所述对流项,所述对流项对应单一光源视角通量分布变化,而作为边界条件的投影值只与单个光源有关,因此边界条件应放入对流项中处理,设计所述对流项时,通过减均值加偏移量的方法,来调整通量分布满足投影值的约束。
9.一种基于X射线通量分布的CT重建装置,其特征在于,包括:
获取模块,用于获取CT扫描后得到的探测器数据,通过负对数变换得到所述探测器数据对应的投影图;
处理模块,用于将所述投影图输入预设的神经网络,得到重建图像与通量一致性指标;
输出模块,用于在所述通量一致性指标满足预设条件时,直接输出所述重建图像;
优化模块,用于在所述通量一致性指标不满足所述预设条件时,以所述通量一致性指标为优化目标更新所述神经网络,直至所述通量一致性指标满足所述预设条件;所述输出模块还用于再最终输出所述重建图像。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284947.6A CN114004909A (zh) | 2021-11-01 | 2021-11-01 | 一种基于x射线通量分布的ct重建方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111284947.6A CN114004909A (zh) | 2021-11-01 | 2021-11-01 | 一种基于x射线通量分布的ct重建方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004909A true CN114004909A (zh) | 2022-02-01 |
Family
ID=79926273
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111284947.6A Pending CN114004909A (zh) | 2021-11-01 | 2021-11-01 | 一种基于x射线通量分布的ct重建方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004909A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082307A (zh) * | 2022-05-14 | 2022-09-20 | 西北工业大学深圳研究院 | 一种基于分数阶微分方程的图像超分辨率方法 |
CN116196022A (zh) * | 2023-04-28 | 2023-06-02 | 之江实验室 | 扇形x光束穿过介质时的通量分布计算方法和系统 |
-
2021
- 2021-11-01 CN CN202111284947.6A patent/CN114004909A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115082307A (zh) * | 2022-05-14 | 2022-09-20 | 西北工业大学深圳研究院 | 一种基于分数阶微分方程的图像超分辨率方法 |
CN115082307B (zh) * | 2022-05-14 | 2024-03-19 | 西北工业大学深圳研究院 | 一种基于分数阶微分方程的图像超分辨率方法 |
CN116196022A (zh) * | 2023-04-28 | 2023-06-02 | 之江实验室 | 扇形x光束穿过介质时的通量分布计算方法和系统 |
CN116196022B (zh) * | 2023-04-28 | 2023-08-04 | 之江实验室 | 扇形x光束穿过介质时的通量分布计算方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10984565B2 (en) | Image processing method using convolutional neural network, image processing device and storage medium | |
Dong et al. | A deep learning reconstruction framework for X-ray computed tomography with incomplete data | |
JP2020116377A (ja) | 医用処理装置、医用処理方法及び記憶媒体 | |
JP4392344B2 (ja) | 演繹的知識を使用する小物体の断層撮影再構成 | |
CN114004909A (zh) | 一种基于x射线通量分布的ct重建方法及装置 | |
CN108292428A (zh) | 图像重建的系统和方法 | |
Rahaman et al. | An efficient multilevel thresholding based satellite image segmentation approach using a new adaptive cuckoo search algorithm | |
CN106897986B (zh) | 一种基于多尺度分析的可见光图像与远红外图像融合方法 | |
JP2010223963A (ja) | コンテナを検査する方法及びシステム | |
WO2020237873A1 (zh) | 基于神经网络的螺旋ct图像重建方法和设备及存储介质 | |
Chen et al. | Robust multimaterial decomposition of spectral CT using convolutional neural networks | |
Zhang et al. | Fast and accurate computation of system matrix for area integral model-based algebraic reconstruction technique | |
CN109191434A (zh) | 一种细胞分化中的图像检测系统及检测方法 | |
US20210262947A1 (en) | Method and device for acquiring tomographic image data by oversampling, and control program | |
EP3631763B1 (en) | Method and devices for image reconstruction | |
CN110268441B (zh) | 获得物体的多个部件的3d模型数据的方法 | |
CN111144449B (zh) | 图像处理方法、装置、存储介质及电子设备 | |
Venkatakrishnan et al. | Algorithm-Driven Advances for Scientific CT Instruments: From model-based to deep learning-based approaches | |
Wang et al. | A 3D Magnetospheric CT Reconstruction Method Based on 3D GAN and Supplementary Limited‐Angle 2D Soft X‐Ray Images | |
Vidal et al. | Use of fast realistic simulations on GPU to extract CAD models from microtomographic data in the presence of strong CT artefacts | |
Kostenko et al. | Registration-based multi-orientation tomography | |
CN116047463A (zh) | 多角度sar目标散射各向异性推演方法、装置、设备及介质 | |
CN109884090A (zh) | 一种改进圆盘卡法的ct空间分辨率测量方法 | |
Lékó et al. | Projection selection for binary tomographic reconstruction using global uncertainty | |
Liu et al. | Cooperative data fusion of transmission and surface scan for improving limited-angle computed tomography reconstruction |
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 |