CN114332265A - 用于计算机断层摄影成像的散射校正 - Google Patents
用于计算机断层摄影成像的散射校正 Download PDFInfo
- Publication number
- CN114332265A CN114332265A CN202111175098.0A CN202111175098A CN114332265A CN 114332265 A CN114332265 A CN 114332265A CN 202111175098 A CN202111175098 A CN 202111175098A CN 114332265 A CN114332265 A CN 114332265A
- Authority
- CN
- China
- Prior art keywords
- scatter
- image
- trained
- correction model
- partial
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 150
- 238000013170 computed tomography imaging Methods 0.000 title abstract description 8
- 230000005855 radiation Effects 0.000 claims abstract description 108
- 238000000034 method Methods 0.000 claims abstract description 92
- 238000003384 imaging method Methods 0.000 claims description 64
- 238000003062 neural network model Methods 0.000 claims description 26
- 238000005259 measurement Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 description 34
- 238000004422 calculation algorithm Methods 0.000 description 34
- 230000006870 function Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 18
- 238000002591 computed tomography Methods 0.000 description 17
- 238000007689 inspection Methods 0.000 description 17
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000013519 translation Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000000205 computational method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001314 profilometry Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000011028 process validation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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]
-
- 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
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5282—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to scatter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/30—Accessories, mechanical or electrical features
- G01N2223/316—Accessories, mechanical or electrical features collimators
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/30—Accessories, mechanical or electrical features
- G01N2223/33—Accessories, mechanical or electrical features scanning, i.e. relative motion for measurement of successive object-parts
- G01N2223/3301—Accessories, mechanical or electrical features scanning, i.e. relative motion for measurement of successive object-parts beam is modified for scan, e.g. moving collimator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/419—Imaging computed tomograph
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- General Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Medical Informatics (AREA)
- Pulmonology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- High Energy & Nuclear Physics (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明题为“用于计算机断层摄影成像的散射校正”。本发明提供了用于X射线图像的散射校正的系统和方法。可使用利用孔隙板采集的部分无散射图像来校正对象的散射图像。该板定位在对象和辐射检测器之间并且包括网格状的孔。原始X射线穿过这些孔并且散射的X射线可被该孔隙板阻挡。该孔隙板可移动到不同位置,从而允许在该孔隙板的每个位置处采集部分无散射图像。可通过组合部分无散射图像来生成完全无散射图像。这些散射图像和无散射图像还可用于训练散射校正模型。
Description
相关申请的交叉引用
本申请要求于2020年10月9日提交并且名称为“Scatter Correction ForComputed Tomography Imaging”的美国临时专利申请第63/090,144号的权益,该美国临时专利申请的全文据此以引用方式并入。
背景技术
在制造和修理行业中通常会进行对象的检查。在工业检查过程可使用各种类型的检查系统,诸如计算机断层摄影术(CT)、坐标测量机(CMM)、激光轮廓测量术、测光计、红外等。例如,这些检查系统可用于测量尺寸或识别制造零件(例如,涡轮叶片)中的缺陷。
这些检查系统中的每一者都具有其优点和缺点。诸如CMM和激光轮廓测量术之类的方式可用于以高精度测量外表面,但除非对象被切开,否则这些技术不能测量内部特征。迄今为止,CT是用于以无损方式显示工业零件的内部结构和外部结构两者的最通用测量/检查系统。由于其提供内部以及外部测量的能力,基于CT的技术可有利于诸如逆向工程、快速成型、铸造模拟和验证、轮胎开发、首件检验、陶瓷孔隙率检查、工艺验证、零件鉴定和缺陷检测等工艺。
发明内容
然而,基于CT的技术也可具有某些限制,这可妨碍其广泛应用。例如,工业应用的体积计算机断层摄影(VCT)成像(例如,金属零件的成像)可提供具有图像伪影的不令人满意的图像,这些图像伪影归因于基于辐射物质相互作用的伪影、基于扫描仪的伪影、基于重构技术的伪影等。基于辐射物质相互作用的伪影还可包括射束硬化伪影和归因于X射线散射辐射的伪影。散射辐射是成像参数诸如被成像对象、所使用的射束光谱、几何距离和周围介质的强函数。一般来讲,在投影图像中散射辐射可能是不期望的,因为其可降低投影图像对比度,引起所生成的体积图像中对象的尖锐特征的劣化或模糊,并且降低计量应用的精度和较小特征的可检测性。
因此,已开发出各种技术来估计散射以便将其从CT图像中减少或消除。一般来讲,由于成像参数的各种依赖性,在投影成像中准确估计散射信号内容可能是具有挑战性的。基于物理学的模型通常用于预测X射线图像中的散射内容,然而,这些模型耗时并且仅在材料属性已知的前提条件下预测由被扫描对象引起的散射。
存在用于所采集的投影图像中的散射测量和散射校正的不同技术。例如,一种常用的散射测量技术采用位于辐射源和在VCT系统中的被扫描对象之间的射束阻挡器来测量对应位置处的散射。然而,大多数当前已知的技术主要解决对象散射并涉及耗时的计算机模拟。
随着制造公差变得更严格,对用于保持公差的计量技术的需求相应增加。对质量和性能测试的需要已成为生产或制造过程不可或缺的部分。因此,为了改善CT检查精度和效率,需要更有效的方法来移除散射辐射相关的伪影。
本公开的实施方案提供用于散射校正的改进的系统和方法。可使用利用防散射孔隙板采集的附加图像来校正对象的散射图像。防散射孔隙板可包括定位在网格上的多个孔。在使用中,孔隙板定位在被成像对象和检测器之间。当准直的X射线从X射线源被导向到对象时,原始X射线可穿过孔,而相当一部分散射的X射线可被孔隙板阻挡。孔隙板还可被配置为在不同位置之间移动。因此,可在孔隙板的每个位置处采集部分不含散射的图像,本文称为部分无散射图像。可通过组合部分无散射图像来获得无散射图像(基准真相)。根据孔隙板的几何形状,可改变位置的数量和所采集的部分无散射图像。一般来讲,位置的数量可足以使得孔覆盖待散射校正的散射图像的整个区域。
上述实施方案依赖于使用具有离散的孔(也称为射束孔)的孔隙板来采集部分无散射图像。在另选的实施方案中,可采用狭缝准直器或射束阻挡器代替孔隙板来采集部分无散射图像。类似于孔隙板方法,狭缝准直器或射束阻挡器可定位在辐射源和检测器之间并移动。可在狭缝准直器或射束阻挡器的不同位置处采集每个部分无散射图像,并且可组合部分无散射图像以形成无散射图像。
通过使用孔隙板、狭缝准直器或射束阻挡器中的任一者采集的无散射图像还可用于有利于散射校正。在一个方面,无散射图像可用作参考以用于训练神经网络以确定用于散射校正的算法。在另一个方面,无散射图像可用于确定散射解卷积算法的点扩散函数(PSF)。
在另外的实施方案中,部分无散射图像或无散射图像可用于调节已受过训练的神经网络或调节用于基于卷积的散射校正的已知PSF的参数。
在一个实施方案中,提供了一种用于对象的图像的散射校正的方法。该方法可包括由成像系统的辐射检测器基于检测到透射穿过对象的成像体积的辐射来采集表示对象的至少一个散射图像的数据。该方法还可包括将孔隙板放置在对象和辐射检测器之间第一位置处。孔隙板可包括多个孔,该多个孔被配置为阻止散射辐射被辐射检测器检测到。该方法还可包括当孔隙板处于第一位置时,由辐射检测器基于检测到透射穿过对象的成像体积的辐射来采集表示至少一个第一部分无散射图像的数据。该方法还可包括将孔隙板移动到不同于第一位置的一个或多个第二位置。第一位置和一个或多个第二位置的孔可覆盖对象被捕获在该至少一个散射图像内的区域。该方法还可包括当孔隙板处于一个或多个第二位置时,由辐射检测器基于检测到透射穿过对象的成像体积的辐射来采集表示至少一个第二部分无散射图像的数据。该方法还可包括由包括一个或多个处理器的分析仪接收该至少一个第一部分无散射图像数据和该第二部分无散射图像数据。该方法还可包括由分析仪基于该至少一个第一部分无散射图像数据的至少一部分和该至少一个第二部分无散射图像数据的至少一部分的组合来生成至少一个无散射图像。该方法还可包括由分析仪使用该至少一个散射图像的至少一部分和该至少一个无散射图像来更新散射校正模型。该方法还可包括由分析仪输出所更新的散射校正模型。
在另一个实施方案中,散射校正模型可以是包括散射校正算法的神经网络模型。该方法还可包括由分析仪执行的包括更新散射校正模型的操作,通过包括以下内容的操作来执行:将散射校正算法应用于该至少一个散射图像的至少一部分以生成散射校正图像;确定所生成的散射校正图像与该至少一个无散射图像之间的偏差。这些操作还可包括当偏差大于预定偏差时,更新散射校正算法以减小偏差。这些操作还可包括当偏差小于或等于预定偏差时,输出包括所更新的散射校正算法的所更新的散射校正模型。
在另一个实施方案中,散射校正模型可以是包括散射边缘扩散函数(ESF)的解卷积。散射边缘扩散函数还可包括被配置为校正散射图像内的散射的点扩散函数(PSF)。该方法还可包括更新散射校正模型。散射校正模型可通过包括以下内容的操作来更新:将PSF应用于该至少一个散射图像的至少一部分以生成散射校正图像;以及确定散射校正图像与该至少一个无散射图像之间的偏差。这些操作还可包括当偏差高于预定偏差时,更新PSF的参数以减小偏差并重复所述应用和确定操作。这些操作还可包括当偏差低于预定偏差时,输出包括所更新的PSF参数的所更新的散射校正模型。
在另一个实施方案中,所检测到的辐射可以是准直的。
在另一个实施方案中,不通过内插该至少一个第一部分无散射图像数据或该至少一个第二部分无散射图像数据来生成该至少一个无散射图像。
在另一个实施方案中,移动孔隙板可包括单向平移、双向平移或旋转中的至少一者。
在另一个实施方案中,该至少一个散射图像可以是包括多个图像的散射图像集。
在另一个实施方案中,孔可被布置成二维网格。
在另一个实施方案中,处于第一位置和该至少一个第二位置的孔可彼此重叠。
在另一个实施方案中,处于第一位置和该至少一个第二位置的孔可彼此间隔开预定距离。
在一个实施方案中,提供了一种成像系统。成像系统可包括辐射源、可移动孔隙板和分析仪。辐射源可被配置为发射朝向对象的辐射。辐射检测器可被配置为检测透射穿过对象的成像体积的所发射的辐射。可移动孔隙板可定位在对象和辐射检测器之间并且其还可包括多个孔,该多个孔被配置为阻止散射辐射被辐射检测器检测到。分析仪可包括一个或多个处理器。分析仪还可被配置为基于检测到透射穿过对象的成像体积的辐射来接收表示对象的至少一个散射图像的数据。分析仪还可被配置为当孔隙板处于第一位置时,基于检测到透射穿过对象的成像体积的辐射来接收表示对象的至少一个第一部分无散射图像的数据。分析仪还可被配置为当孔隙板处于不同于第一位置的一个或多个第二位置时,基于检测到透射穿过对象的成像体积的辐射来接收表示至少一个第二部分无散射图像的数据。处于第一位置和该一个或多个第二位置中的孔可覆盖对象被捕获在该至少一个散射图像内的区域。分析仪还可被配置为基于该至少一个第一部分无散射图像数据的至少一部分和该至少一个第二部分无散射图像数据的至少一部分的组合来生成至少一个无散射图像。分析仪还可被配置为使用该至少一个散射图像的至少一部分和该至少一个无散射图像来训练散射校正模型。分析仪还可被配置为输出所训练的散射校正模型。
在另一个实施方案中,散射校正模型可以是包括散射校正算法的神经网络模型。分析仪还可被配置为通过以下方式来训练散射校正算法:将散射校正算法应用于该至少一个散射图像的至少一部分以生成散射校正图像;以及确定所生成的散射校正图像与该至少一个无散射图像之间的偏差。当偏差大于预定偏差时,分析仪还可更新散射校正算法以减小偏差。当偏差小于或等于预定偏差时,分析仪还可输出所更新的散射校正算法。
在另一个实施方案中,散射校正模型可以是包括散射边缘扩散函数(ESF)的解卷积。散射边缘扩散函数还可包括被配置为校正散射图像内的散射的点扩散函数(PSF)。分析仪还可被配置为通过以下方式来训练PSF:将PSF应用于该至少一个散射图像的至少一部分以生成散射校正图像;以及确定散射校正图像与该至少一个无散射图像之间的偏差。当偏差高于预定偏差时,分析仪还可更新PSF的参数以减小偏差并重复所述应用和确定操作。当偏差低于预定偏差时,分析仪可输出PSF参数。
在另一个实施方案中,系统还可包括准直仪,该准直仪被配置为准直所发射的辐射。
在另一个实施方案中,分析仪不被配置为通过内插该至少一个第一部分无散射图像数据或该至少一个第二部分无散射图像数据来生成该至少一个无散射图像。
在另一个实施方案中,第一位置和至少一个第二位置可因单向平移、双向平移或旋转中的至少一者而不同。
在另一个实施方案中,该至少一个散射图像可以是包括多个图像的散射图像集。
在另一个实施方案中,孔可被布置成二维网格。
在另一个实施方案中,处于孔隙板的第一位置和孔隙板的该至少一个第二位置的孔可彼此重叠。
在另一个实施方案中,处于孔隙板的第一位置和孔隙板的该至少一个第二位置的孔可彼此间隔开预定距离。
在一个实施方案中,提供了一种用于对象的图像的散射校正的方法。该方法可包括由成像系统的辐射检测器基于检测到透射穿过对象的成像体积的辐射来采集表示对象的多个散射图像的数据。该方法还可包括将孔隙板放置在对象和辐射检测器之间。孔隙板可包括多个孔,该多个孔被配置为阻止散射辐射被辐射检测器检测到。该方法还可包括由辐射检测器采集表示对应于每个散射图像的部分无散射图像的数据。每个部分无散射图像可基于当孔隙板存在时检测到透射穿过对象的成像体积的辐射。可在大致相同的条件下采集散射图像及其对应的部分无散射图像,不同的是孔隙板存在与否。该方法还可包括由包括一个或多个处理器的分析仪接收该多个散射图像数据和对应的部分无散射图像数据。该方法还可包括由分析仪接收受过训练的散射校正模型。该方法还可包括由分析仪基于所接收的多个散射图像数据和对应的部分无散射图像数据来更新受过训练的散射校正模型,以产生更新的受过训练的散射校正模型;基于更新的受过训练的散射校正模型来校正该多个散射图像中的至少一个散射图像;以及输出至少一个经校正的散射图像。
在一个实施方案中,受过训练的散射校正模型可以是受过训练的神经网络模型。
在另一个实施方案中,更新受过训练的散射校正模型可包括:针对每对对应的散射图像和部分无散射图像,在针对散射图像的受过训练的神经网络模型的输出与针对部分无散射图像的受过训练的神经网络模型的输出之间执行内插;以及基于该内插来生成更新的受过训练的散射校正模型。
在另一个实施方案中,受过训练的散射校正模型可包括先前确定的解卷积点扩散函数(PSF)估计。
在另一个实施方案中,更新受过训练的散射校正模型可包括使用相应成对的对应的散射图像和部分无散射图像的测量点来局部参数化解卷积PSF估计;以及基于该局部参数化来更新解卷积PSF估计。
在另一个实施方案中,提供了一种成像系统。成像系统可包括辐射源、辐射检测器和分析仪。辐射源可被配置为发射朝向对象的辐射。辐射检测器可被配置为检测透射穿过对象的成像体积的所发射的辐射。分析仪可包括一个或多个处理器。分析仪还可被配置为基于检测到由辐射源透射穿过对象的成像体积的辐射来接收表示对象的多个散射图像的数据。分析仪还可被配置为接收表示对应于每个散射图像的部分无散射图像的数据。每个部分无散射图像可基于当孔隙板存在时检测到透射穿过对象的成像体积的辐射。可在大致相同的条件下采集散射图像及其对应的部分无散射图像,不同的是孔隙板存在与否。分析仪还可被配置为接收受过训练的散射校正模型,并且基于所接收的多个散射图像数据和对应的部分无散射图像数据来更新受过训练的散射校正模型,以产生更新的受过训练的散射校正模型。分析仪还可被配置为基于更新的受过训练的散射校正模型来校正该多个散射图像中的至少一个散射图像,并且输出至少一个经校正的散射图像。
在另一个实施方案中,受过训练的散射校正模型可以是受过训练的神经网络模型。
在另一个实施方案中,更新受过训练的散射校正模型可包括:由分析仪针对每对对应的散射图像和部分无散射图像,在针对散射图像的受过训练的神经网络模型的输出与针对部分无散射图像的受过训练的神经网络模型的输出之间执行内插;以及基于该内插来生成更新的受过训练的散射校正模型。
在另一个实施方案中,受过训练的散射校正模型可包括先前确定的解卷积点扩散函数(PSF)估计。
在另一个实施方案中,更新受过训练的散射校正模型可包括使用相应成对的对应的散射图像和部分无散射图像的测量点来局部参数化解卷积PSF估计;以及基于该局部参数化来更新解卷积PSF估计。
在另一个实施方案中,提供了一种用于对象的图像的散射校正的方法。该方法可包括由成像系统的辐射检测器基于检测到透射穿过对象的成像体积的辐射来采集表示对象的多个散射图像的数据。该方法还可包括将孔隙板放置在对象和辐射检测器之间。孔隙板可包括多个孔,该多个孔被配置为阻止散射辐射被辐射检测器检测到。该方法还可包括由辐射检测器采集表示单个部分无散射图像的数据。该单个部分无散射图像可基于当孔隙板存在时检测到透射穿过对象的成像体积的辐射。该方法还可包括由包括一个或多个处理器的分析仪接收该多个散射图像数据和该单个部分无散射图像数据。该方法还可包括由分析仪接收受过训练的散射校正模型。该方法还可包括由分析仪基于所接收的多个散射图像数据和该单个部分无散射图像数据来更新受过训练的散射校正模型,以产生更新的受过训练的散射校正模型。该方法还可包括由分析仪基于更新的受过训练的散射校正模型来校正该多个散射图像中的至少一个散射图像,以及由分析仪输出至少一个经校正的散射图像。
在另一个实施方案中,受过训练的散射校正模型可以是受过训练的神经网络模型。
在另一个实施方案中,更新受过训练的散射校正模型可包括:针对包括该多个散射图像中的散射图像和该单个部分无散射图像的每个图像对,在针对散射图像的受过训练的神经网络模型的输出与针对该单个部分无散射图像的受过训练的神经网络模型的输出之间执行内插;以及基于该内插来生成更新的受过训练的散射校正模型。
在另一个实施方案中,受过训练的散射校正模型可包括先前确定的解卷积点扩散函数(PSF)估计。
在另一个实施方案中,更新受过训练的散射校正模型可包括使用包括该多个散射图像中的散射图像和该单个部分无散射图像的相应图像对的测量点来局部参数化解卷积PSF估计;以及基于该局部参数化来更新解卷积PSF估计。
在另一个实施方案中,提供了一种成像系统,并且该成像系统可包括辐射源、辐射检测器和分析仪。辐射源可被配置为发射朝向对象的辐射。辐射检测器可被配置为检测透射穿过对象的成像体积的所发射的辐射。分析仪可包括一个或多个处理器。分析仪还可被配置为基于检测到由辐射源透射穿过对象的成像体积的辐射来接收表示对象的多个散射图像的数据。分析仪还可被配置为接收表示单个部分无散射图像的数据。该单个部分无散射图像可基于当孔隙板存在时检测到透射穿过对象的成像体积的辐射。分析仪还可被配置为接收受过训练的散射校正模型;基于所接收的多个散射图像数据和该单个部分无散射图像数据来更新受过训练的散射校正模型,以产生更新的受过训练的散射校正模型;基于更新的受过训练的散射校正模型来校正该多个散射图像中的至少一个散射图像;并且输出至少一个经校正的散射图像。
在另一个实施方案中,受过训练的散射校正模型可以是受过训练的神经网络模型。
在另一个实施方案中,更新受过训练的散射校正模型可包括:针对包括该多个散射图像中的散射图像和该单个部分无散射图像的每个图像对,在针对散射图像的受过训练的神经网络模型的输出与针对该单个部分无散射图像的受过训练的神经网络模型的输出之间执行内插;以及基于该内插来生成更新的受过训练的散射校正模型。
在另一个实施方案中,受过训练的散射校正模型可包括先前确定的解卷积点扩散函数(PSF)估计。
在另一个实施方案中,更新受过训练的散射校正模型可包括使用包括该多个散射图像中的散射图像和该单个部分无散射图像的相应图像对的测量点来局部参数化解卷积PSF估计;以及基于该局部参数化来更新解卷积PSF估计。
附图说明
根据以下结合附图的详细描述,将更容易理解这些和其他特征,其中:
图1A是示出CT成像系统的一个示例性实施方案的顶视图的示意图;
图1B是示出图1A的CT成像系统的侧视图的示意图;
图2A是示出当孔隙板位于第一位置时孔隙板的孔的位置的示意图;
图2B是示出当孔隙板位于第一位置和相对于第一位置垂直平移的第二位置时孔隙板的孔的位置的示意图;
图2C是示出当孔隙板位于第一位置和相对于第一位置水平平移的第三位置时孔隙板的孔的位置的示意图;
图2D是示出当孔隙板位于第一位置、第二位置和第三位置时孔隙板的孔的位置的示意图;
图2E是示出当孔隙板位于覆盖基本上整个期望视野的多个位置时孔隙板的孔的位置的示意图;
图3A是使用孔隙板的单个位置进行散射校正的CT图像;
图3B是使用孔隙板的四个位置进行散射校正的CT图像;
图4是示出采用散射图像和无散射图像作为用于开发散射校正算法或解卷积的输入的计算技术的示意性框图;
图5是示出用于CT图像的散射校正的方法的一个示例性实施方案的流程图;
图6是示出由孔隙板给出的用于调节的大量测量点的示意图;
图7是示出用于散射校正的方法的一个示例性实施方案的流程图,其中基于散射图像集和部分无散射图像集中的对应图像对来调节先前训练的神经网络或先前确定的解卷积PSF;
图8是示出用于散射校正的另一个方法的一个示例性实施方案的流程图,其中基于散射图像集和单个无散射图像的对应图像对来调节先前训练的神经网络或先前确定的解卷积PSF;
图9是示出用于散射校正的另一个方法的一个示例性实施方案的流程图,其中基于不同对象类型的未限定数量的散射图像集来调节先前训练的神经网络或先前确定的解卷积PSF,其中采用了单个部分无散射图像或部分无散射图像集;
图10A是示出CT成像系统的一个示例性实施方案的顶视图的示意图;并且
图10B是示出图10A的CT成像系统的侧视图的示意图。
应注意,附图不一定按比例绘制。附图仅旨在描绘本文所公开的主题的典型方面,因此不应视为限制本公开的范围。
具体实施方式
当执行X射线检查时,X射线可穿过靶标对象并由检测器检测到以生成图像。一些X射线可从其初始轨迹散射,这引入了降低图像对比度的伪影。已开发出用于散射校正的技术,但每种技术都存在问题。在一个示例中,已开发出仿真法以对散射进行建模。然而,此类仿真法可能限于没有实验数据(纯仿真法)和/或可主要依赖于内插(通过内插补充有限的实验数据)。此外,并非散射的所有方面都可以足够的精确度来仿真或内插。缺失精确度可导致在散射校正图像中引入伪影。因此,由这些仿真法产生的散射估计可显著偏离实际散射。因此,提供了用于X射线检查(例如,计算机断层摄影术)的散射校正的改进的系统和方法。无散射图像和散射图像可用作计算技术诸如深度学习(例如,神经网络)或解卷积模型的输入。可根据使用包含孔的孔隙板采集的多个部分无散射图像来生成无散射图像。利用孔隙板在不同位置处采集每个部分无散射的图像,并且阻挡散射的X射线的一部分。可采集足够的部分无散射图像,使得孔隙板在不同位置处的孔位置的组合覆盖整个散射图像。部分无散射图像的组合给出无散射图像。在无内插的情况下以这种方式生成的无散射图像在较小准直区域中测量,从而得到高精度的散射估计。
本公开的实施方案整体涉及实现改进的图像质量的计算机断层摄影(CT)成像的散射校正。此类成像技术可用于各种成像环境,诸如医学成像、工业计量和检查、安全筛查、行李或包装检查等。此外,此类成像技术可用于各种成像系统,诸如CT系统、断层融合系统、X射线成像系统等。虽然本讨论相对于CT系统提供了其在工业检查环境中实现了改进的测量和检查精度的示例,但本领域的普通技术人员将容易认识到,这些技术在其他环境和其他系统中的应用完全在本技术的范围内。
图1A至图1B示出了被配置为产生高分辨率图像的成像系统200。成像系统200可以是体积计算机断层摄影(VCT)系统,其被设计成采集图像数据并处理图像数据以用于显示和分析。如图所示,成像系统200可包括辐射源202,诸如X射线源202。准直器205可邻近辐射源202定位,以用于准直由辐射源202发射的辐射204并且调节由辐射源202发射的所发射的辐射204的尺寸和形状。
辐射204束流可朝向检测器阵列206投射,该检测器阵列相对于待成像对象208放置在辐射源202的相对侧上。对象208可以是适用于X射线检查的任何对象(例如,涡轮叶片)。辐射204束流可进入对象208要在其中成像的成像体积中。辐射204的一部分穿过或围绕对象208并且冲击检测器阵列206。检测器阵列206通常可形成为检测元件的二维阵列。由检测器阵列206收集的数据可输出到包括一个或多个处理器的分析仪207。
如果需要,对象208、辐射源202和检测器阵列206可相对于彼此移位,从而允许相对于对象208以各种视角采集投影数据。例如,对象208可定位在桌子诸如转台上,使得对象208可围绕旋转轴线210旋转。在某些实施方案中,可(例如,通过分析仪207)对从检测器阵列206收集的数据进行预处理,以调理数据来表示扫描对象208的衰减系数的线积分。然后可(例如,通过分析仪207或另一个计算装置)重构经处理的数据或投影以制定扫描区域的体积图像,如在美国专利第9,804,106号中更详细地讨论的,该美国专利全文以引用方式并入本文。
成像系统200可采用各种散射减轻和/或校正技术来改进图像质量和分辨率。例如,可采用防散射孔隙板212以用于排斥由对象208产生的散射辐射以及由背景产生的散射辐射。为了进一步根据分辨率和图像质量,孔隙板212可在多个位置之间移动,下文将对此进行更详细的讨论。通过在该多个位置之间移动孔隙板212,可识别对象208上的较小结构并且可更好地避免伪影。
如在美国专利第9,804,106号中更详细地讨论的,孔隙板212可包括在板中钻出的多个亚厘米尺寸的孔48,诸如圆形孔。孔48可定位在二维网格上。孔48的实施方案具有任何几何形状,诸如圆形、矩形或六边形等。在某些实施方案中,圆形孔48可具有约1毫米至2毫米的直径,彼此间隔开约5毫米(中心至中心)。
如上所述,孔隙板212可在多个位置之间移动,以便提高所生成的图像的分辨率和质量。如图2A所示,孔隙板212可初始放置在第一位置211中。在采集第一网格图像之后,可将孔隙板212重新定位到第二位置213、214并且采集第二网格图像。在一个实施方案中,孔隙板212可单向移动。例如,如图2B所示,孔隙板212可垂直地从第一位置211移动到第二位置213并且收集第二图像,或者如图2C所示,孔隙板212可水平地从第一位置211移动到第三位置214并且收集第二图像。在另一个实施方案中,孔隙板212可双向移动。例如,孔隙板212可垂直和水平地移动,如图2D所示。在该实施方案中,可将孔隙板212放置在第一位置211中并且采集第一图像,将其移动到第二位置213并且采集第二图像,将其移动到第三位置214并且采集第三图像,并且将其移动到第四位置215并且采集第四图像。在另一个实施方案中,孔隙板212可相对于对象208旋转。可在孔隙板212的每个位置211、213、214、215处采集图像。如图2E所示,可重复移动孔隙板212并且采集图像的过程,直到孔位置覆盖整个期望区域。
在另一个实施方案中,还可通过使对象208在孔隙板212的网格前面移动来提高图像的分辨率。类似于上文所述重新定位孔隙板212,在该实施方案中,样本可例如单向移动、双向移动或旋转。通过相对于对象208重新定位孔隙板212的孔48,可提高图像的分辨率。孔隙板212和/或对象208可手动或自动地重新定位。
可通过孔隙板212和/或对象208可放置的位置的数量来确定图像的分辨率。随着位置的数量的增加,图像的分辨率也提高。例如,使用孔隙板212的双向移动,将孔隙板212定位在四个位置使图像分辨率提高二(2)倍。在另一个例子中,将孔隙板212定位在十六个位置使图像分辨率提高四(4)倍。图3A至图3B示出了通过重新定位孔隙板212来改进图像分辨率。
图3A示出了其中孔隙板212放置在单个位置中生成的对象208的图像216。图3B示出了对象208的图像219,其中在收集数据期间孔隙板212放置在四个位置中。如这些图中指示的第一位置217和第二位置218所示,孔隙板212的附加位置得出图3B中的图像,其中与图3A相比,在第一位置217和第二位置218中的每个位置处可见附加细节。
无散射图像可与用于散射校正的计算方法组合使用。该组合可产生更好的结果并且以更少的扫描工作进行X射线断层摄影术中的散射校正。计算方法的示例可包括深度学习(例如,神经网络)或解卷积方法。
如图4所示,一个散射图像集402和一个无散射图像集可输入到模型406(例如,神经网络或散射边缘扩散函数(ESF))中。就神经网络而言,可接收或生成用于散射校正的一种或多种算法并将其应用于散射图像集402。就解卷积而言,利用散射ESF,可接收或生成用于解卷积的点扩散函数(PSF)并将其应用于散射图像集402。在任一种情况下,确定散射校正图像集与无散射图像集404之间的偏差,并将其用作修正算法的反馈410。该过程自重复,每次迭代更新算法或参数,直到散射校正图像集和无散射图像集404之间的偏差小于预定偏差。随后,输出所确定的算法或PSF。
图5是示出通过在成像系统200上采用高级散射测量和校正技术进行对象诸如对象208的图像的散射校正的方法500的一个示例性实施方案的流程图。如图所示,方法500包括操作502至512。应当理解,该方法仅是示例性的,并且可根据需要改变、添加、移除和/或重新布置所选择的操作。
在操作502中,可采集对象208的至少一个散射图像。在某些实施方案中,可采集多个散射图像(例如,散射图像集)。
在操作504中,孔隙板212放置在对象208和检测器206之间第一位置处。如上所述,孔隙板212可包括多个孔211,并且可被配置为阻止散射辐射(例如,从对象208和/或背景散射的X射线)被检测器阵列206检测到。当孔隙板212处于第一位置时,可采集至少一个第一部分无散射图像(例如,单个部分无散射图像或包括多个部分无散射图像的部分无散射图像集)。
在操作506中,孔隙板212可移动到不同于第一位置的一个或多个其他位置(例如,一个或多个第二位置)。例如,孔隙板212的移动可包括单独的平移、单独的旋转或平移和旋转的组合。平移可包括在至少一个方向(例如,水平方向、竖直方向或它们的组合)上的移动。孔可重叠或在第一位置和第二位置之间间隔开预定距离。当孔隙板212定位在第二位置中的选定位置(例如,第二位置中的至少一部分和至多全部)处时,可采集第二部分无散射图像或部分无散射图像集。可重复操作506以生成所需的尽可能多的部分无散射图像/图像集,使得孔大致覆盖整个散射图像。
在操作510中,所采集的部分无散射图像可由分析仪接收并组合以生成无散射图像/图像集。在某些实施方案中,采用部分无散射图像的至少一部分。
在操作512中,采用散射图像/图像集和无散射图像/图像集以进行深度学习算法的训练或解卷积算法的PSF估计。
应当理解,X射线检查系统的改变可改变由X射线检查系统采集的图像。此类改变可包括但不限于X射线检测器、X射线源、被检查的靶标和环境。X射线检测器改变可包括一个X射线检测器被替换为另一个X射线检测器和由于老化而导致的检测能力改变中的一者或多者。X射线源改变可包括由X射线源发射的X射线光谱的任何改变。此类改变可由于X射线源的部件(例如,过滤器、管等)被替换或整个X射线源被替换为另一个X射线源而发生。环境改变可包括由于围绕X射线源的环境而导致的X射线散射行为的任何改变。
由于这些改变,在此类改变之前已受过训练的神经网络算法可在输出散射校正图像中引入误差。类似地,在此类改变之前确定的解卷积PSF估计可在输出散射校正图像中引入误差。
因此,为了解决X射线检查系统改变的影响,可重新训练先前确定的神经网络算法或可更新解卷积PSF估计。即,不需要完全再生神经网络训练或解卷积PSF估计。有利地,与从零开始生成相比,重新训练先前确定的神经网络算法或更新先前确定的PSF估计可需要显著更少的训练数据和时间。
如下文更详细地讨论,重新训练神经网络算法或更新解卷积PSF估计可以多种方式执行。可采用单个图像或整个图像集。该调节可针对一个数据集和一个样本类型有效或者也可针对具有不同样本类型的许多数据集有效。训练数据的选择取决于神经网络或所评估的PSF是针对一般校正还是针对更专业化的情况而创建的。
图6是示出大量不同可能测量点的孔隙板212的示意图,这些测量点可用于采集部分无散射图像以重新训练神经网络或调节解卷积算法的PSF估计。
图7是用于重新训练神经网络或调节解卷积算法的PSF估计的方法700的一个示例性实施方案的流程图。如图所示,方法700包括操作702至712。应当理解,该方法仅是示例性的,并且可根据需要改变、添加、移除和/或重新布置所选择的操作。
在操作702中,可采集对象208的多个散射图像(例如,一个散射图像集)。
在操作704中,孔隙板212放置在对象208和检测器206之间,并且可由辐射检测器206采集对应于所采集的散射图像中的每个散射图像的部分无散射图像。即,可在与采集散射图像相同的条件下或大致相同的条件下(例如,在设备公差内)采集对应于散射图像的部分无散射图像,不同的是在采集部分无散射图像期间孔隙板212存在与否。
还可由分析仪207接收所采集的散射图像数据和部分无散射图像数据。在某些实施方案中,分析仪207可直接从辐射检测器206接收所采集的散射图像数据和部分无散射图像数据。在其他实施方案中,分析仪207可从另一个源(例如,存储器装置)接收所采集的散射图像数据和部分无散射图像数据。
在操作706中,分析仪207可采用散射图像集和部分无散射图像集来重新训练(调节或更新)先前训练的散射校正模型(例如,神经网络的先前训练的散射校正算法或先前确定的解卷积PSF估计)。针对采用神经网络的散射校正模型,重新训练可包括在如先前针对给定散射图像训练的神经网络的输出与对应的所采集的部分无散射图像之间执行内插。因此,分析仪207可针对每个对应的散射图像和部分无散射图像对确定内插。神经网络可采用相应的内插来生成经调节的散射校正算法。针对采用解卷积方法的散射校正模型,解卷积函数可利用每个测量点(例如,每个对应的散射图像和部分无散射图像对)局部参数化,而不是一般参数化。
在操作710中,分析仪207可使用所更新的散射校正模型(例如,神经网络算法或解卷积PSF估计)来校正该多个散射图像中的至少一个散射图像。
在操作712中,分析仪207可输出经校正的散射图像中的至少一个散射图像。例如,可将该至少一个经校正的散射图像输出到存储器装置和/或显示装置以供观看。
图8为可由分析仪207执行以用于重新训练(调节或更新)神经网络或解卷积算法的PSF估计的另一种方法800的一个示例性实施方案的流程图。如图所示,方法800包括操作802至812。应当理解,该方法仅是示例性的,并且可根据需要改变、添加、移除和/或重新布置所选择的操作。
在操作802中,辐射检测器206可采集对象208的多个散射图像(例如,一个散射图像集)。
在操作804中,孔隙板212放置在对象208和检测器206之间,并且辐射检测器206可采集单个部分无散射图像。
还可由分析仪207接收所采集的散射图像数据和部分无散射图像数据。在某些实施方案中,分析仪207可直接从辐射检测器206接收所采集的散射图像数据和部分无散射图像数据。在其他实施方案中,分析仪207可从另一个源(例如,存储器装置)接收所采集的散射图像数据和部分无散射图像数据。
在操作806中,可采用该多个散射图像数据和该单个部分无散射图像数据来重新训练(例如,调节或更新)先前训练的散射校正模型(例如,神经网络的先前训练的散射校正算法或先前确定的解卷积PSF估计)。针对采用神经网络的散射校正模型,重新训练可包括在如先前针对给定散射图像训练的神经网络的输出与该单个所采集的部分无散射图像之间执行内插。因此,分析仪207可针对每个散射图像和单个部分无散射图像对确定内插。神经网络可采用相应的内插来生成经调节的散射校正算法。针对采用解卷积方法的散射校正模型,解卷积函数可利用每个测量点(例如,每个散射图像和单个部分无散射图像对)局部参数化,而不是一般参数化。
在操作810中,分析仪207可使用所更新的散射校正模型(例如,神经网络算法或解卷积PSF估计)来校正该多个散射图像中的至少一个散射图像。
在操作812中,分析仪207可输出经校正的散射图像中的至少一个散射图像。例如,可将该至少一个经校正的散射图像输出到存储器装置和/或显示装置以供观看。
在采集单个部分无散射图像以用于调节的情况下,X射线检查系统可任选地省略移动孔隙板212的能力,如图10A至图10B所示。
可根据使用案例和散射校正的所需精度来选择是采用方法700还是采用方法800来调节神经网络或解卷积ESF。例如,在其中每个被检查对象208相同的情况下,方法800的单个部分无散射图像方法可能足够了。可周期性地执行该测量以调节神经网络或解卷积ESF以考虑部件的老化。
图9为用于重新训练(调节)神经网络或解卷积算法的PSF估计的又一种方法900的一个示例性实施方案的流程图。如图所示,方法900包括操作902至912。应当理解,该方法仅是示例性的,并且可根据需要改变、添加、移除和/或重新布置所选择的操作。
在操作902中,采集对象208的散射图像或一个散射图像集。
在操作904中,孔隙板212放置在对象208和检测器206之间,并且采集单个部分无散射图像或部分无散射图像集。如上所述,当采集一个部分无散射图像集时,无散射图像集中的每个图像可对应于散射图像集中的相应图像。
在操作906中,散射图像集和该单个部分无散射图像或无散射图像集可用于重新训练(调节)先前训练的神经网络或先前确定的解卷积PSF估计。使用部分无散射图像集执行的调节可如上文在操作706中所讨论的那样执行。使用该单个部分无散射图像执行的调节可如上文在操作806中所讨论的那样执行。
在操作910中,经调节的神经网络算法或解卷积PSF估计可用于校正散射图像集。
在操作912中,可采集相同类型的对象208或不同类型的对象208的散射图像或散射图像集。可使用经调节的神经网络算法或解卷积PSF估计来执行散射校正。只要校正质量足以满足期望结果就可重复操作912,而无需重新调节。
作为非限制性示例,本文所述的方法、系统和装置的示例性技术效果包括改进的X射线图像的散射校正。可根据使用定位在不同位置处的孔隙板采集的多个部分无散射图像来生成无散射图像。无散射图像可与计算方法(例如,深度学习、解卷积等)组合用于散射校正。该组合可产生更好的结果并且以更少的扫描工作进行X射线断层摄影术中的散射校正。
描述了某些示例性实施方案,以提供对本文所公开的系统、装置和方法的结构、功能、制造和使用的原理的全面理解。这些实施方案的一个或多个示例已在附图中示出。本领域技术人员将理解的是,本文中具体描述且在附图中示出的系统、装置和方法是非限制性的示例性实施方案,并且本发明的范围仅由权利要求限定。结合一个示例性实施方案示出或描述的特征可与其他实施方案的特征组合。此类修改和变型旨在包括在本发明的范围内。此外,在本公开中,实施方案的相似命名的部件通常具有类似的特征,因此在具体实施方案内,不一定完全阐述每个相似命名的部件的每个特征。
本文所述的主题可在模拟电子电路、数字电子电路和/或计算机软件、固件或硬件(包括本说明书中公开的结构装置和其结构等同物)或它们的组合中实现。本文所述的主题可被实现为一个或多个计算机程序产品,诸如有形地体现在信息载体中(例如,体现在机器可读存储装置中)、或体现在传播的信号中,以用于由数据处理设备(例如,可编程处理器、计算机或多台计算机)执行或控制该数据处理设备的操作的一个或多个计算机程序。计算机程序(也称为程序、软件、软件应用程序或代码)可以任何形式的编程语言(包括编译语言或解释语言)编写,并且它可以任何形式部署,包括作为独立程序或者作为模块、部件、子例程或适用于计算环境中的其他单元部署。计算机程序不一定对应于文件。程序可存储在保存其他程序或数据的文件的一部分中,存储在专用于所考虑的程序的单个文件中,或者存储在多个协同文件(例如,存储一个或多个模块、子程序或代码的部分的文件)中。计算机程序可被部署成在一台计算机上或在多台计算机上执行,该多台计算机位于一个站点处或跨多个站点分布并且由通信网络互连。
本说明书中所述的过程和逻辑流程,包括本文所述主题的方法步骤,可由执行一个或多个计算机程序的一个或多个可编程处理器执行,以通过对输入数据进行操作并且生成输出来执行本文所述主题的功能。该过程和逻辑流程还可由专用逻辑电路(例如FPGA(现场可编程门阵列)或ASIC(专用集成电路))来执行,并且本文所述主题的设备可被实现为专用逻辑电路(例如FPGA(现场可编程门阵列)或ASIC(专用集成电路))。
以举例的方式,适于执行计算机程序的处理器包括通用微处理器和专用微处理器两者,以及任何种类的数字计算机的任何一个或多个处理器。一般来说,处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器以及一个或多个用于存储指令和数据的存储器装置。一般来说,计算机还将包括一个或多个用于存储数据的大容量存储装置(例如,磁盘、磁光盘或光盘),或可操作地耦接以从一个或多个用于存储数据的大容量存储装置(例如,磁盘、磁光盘或光盘)接收数据或者/并且将数据传送至一个或多个用于存储数据的大容量存储装置(例如,磁盘、磁光盘或光盘)。适于体现计算机程序指令和数据的信息载体包括所有形式的非易失性存储器,包括例如半导体存储器装置(例如,EPROM、EEPROM和闪存存储器装置);磁盘(例如,内部硬盘或可移动磁盘);磁光盘;以及光盘(例如,CD和DVD盘)。处理器和存储器可由专用逻辑电路补充或者并入专用逻辑电路中。
为了提供与用户的交互,本文所述的主题可在具有用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或LCD(液晶显示器)监视器)以及键盘和指向装置(例如,鼠标或跟踪球)的计算机上实现,用户可通过该键盘和指向装置向计算机提供输入。还可使用其他种类的装置来提供与用户的交互。例如,提供给用户的反馈可为任何形式的感官反馈(例如,视觉反馈、听觉反馈或触觉反馈),并且可以任何形式接收来自用户的输入,包括声音、语音或触觉输入。
本文所述的技术可使用一个或多个模块来实现。如本文所用,术语“模块”是指计算软件、固件、硬件和/或它们的各种组合。然而,在最低程度上,模块不应被解释为未在硬件、固件上实现或记录在非暂态处理器可读存储介质上的软件(即,模块本身不为软件)。实际上,“模块”将被解释为始终包括至少一些物理的非暂态硬件,诸如处理器或计算机的一部分。两个不同的模块可共享相同的物理硬件(例如,两个不同的模块可使用相同的处理器和网络接口)。本文所述的模块可被组合、集成、分开和/或复制以支持各种应用。另外,代替在特定模块处执行的功能或除在特定模块处执行的功能之外,本文描述为在特定模块处执行的功能可在一个或多个其他模块处和/或由一个或多个其他装置执行。此外,模块可相对于彼此本地或远程地跨越多个装置和/或其他部件来实现。另外,模块可从一个装置移动并添加至另一个装置,以及/或者可包括在两个装置中。
本文所述的主题可在计算系统中实现,该计算系统包括后端部件(例如,数据服务器)、中间件部件(例如,应用程序服务器)或前端部件(例如,具有图形用户界面或网络浏览器的客户端计算机,用户可通过该图形用户界面或网络浏览器与本文所述主题的实施方式进行交互),或此类后端部件、中间件部件和前端部件的任何组合。系统的部件可通过数字数据通信的任何形式或介质(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”),例如互联网。
如本文在整个说明书和权利要求书中所用的,近似语言可用于修饰任何定量表示,该定量表示可有所不同但不导致与其相关的基本功能的变化。因此,由一个或多个术语诸如“约”、“大约”和“基本上”修饰的值不应限于所指定的精确值。在至少一些情况下,近似语言可对应于用于测量该值的仪器的精度。在此以及在整个说明书和权利要求书中,范围限制可组合和/或互换,除非上下文或语言另外指明,否则此类范围被识别并包括其中所包含的所有子范围。
基于上述实施方案,本领域技术人员将了解本发明的其他特征和优点。因此,除所附权利要求书所指示的以外,本申请不受已具体示出和描述的内容的限制。本文所引用的所有出版物和参考文献均明确地全文以引用方式并入。
Claims (20)
1.一种用于对象的图像的散射校正的方法,包括:
由成像系统的辐射检测器基于检测到透射穿过对象的成像体积的辐射来采集表示所述对象的多个散射图像的数据;
将孔隙板放置在所述对象和所述辐射检测器之间,所述孔隙板包括多个孔,所述多个孔被配置为阻止散射辐射被所述辐射检测器检测到;
由所述辐射检测器采集表示对应于每个散射图像的部分无散射图像的数据,其中每个部分无散射图像基于当所述孔隙板存在时检测到透射穿过所述对象的所述成像体积的辐射,并且其中在大致相同的条件下采集所述散射图像及其对应的部分无散射图像,不同的是所述孔隙板存在与否;
由包括一个或多个处理器的分析仪接收所述多个散射图像数据和对应的部分无散射图像数据;
由所述分析仪接收受过训练的散射校正模型;
由所述分析仪基于所接收的多个散射图像数据和对应的部分无散射图像数据来更新所述受过训练的散射校正模型,以产生更新的受过训练的散射校正模型;
由所述分析仪基于所述更新的受过训练的散射校正模型来校正所述多个散射图像中的至少一个散射图像;以及
由所述分析仪输出至少一个经校正的散射图像。
2.根据权利要求1所述的方法,其中所述受过训练的散射校正模型是受过训练的神经网络模型。
3.根据权利要求2所述的方法,其中更新所述受过训练的散射校正模型包括:
针对每对对应的散射图像和部分无散射图像,在针对所述散射图像的所述受过训练的神经网络模型的所述输出与针对所述部分无散射图像的所述受过训练的神经网络模型的所述输出之间执行内插;以及
基于所述内插来生成所述更新的受过训练的散射校正模型。
4.根据权利要求1所述的方法,其中所述受过训练的散射校正模型包括先前确定的解卷积点扩散函数(PSF)估计。
5.根据权利要求4所述的方法,其中更新所述受过训练的散射校正模型包括:
使用相应成对的对应的散射图像和部分无散射图像的测量点来局部参数化所述解卷积PSF估计;以及
基于所述局部参数化来更新所述解卷积PSF估计。
6.一种成像系统,包括:
辐射源,所述辐射源被配置为发射朝向对象的辐射;
辐射检测器,所述辐射检测器被配置为检测透射穿过所述对象的成像体积的所发射的辐射;和
分析仪,所述分析仪包括一个或多个处理器并且被配置为:
基于检测到由所述辐射源透射穿过所述对象的成像体积的辐射来接收表示所述对象的多个散射图像的数据;
接收表示对应于每个散射图像的部分无散射图像的数据,
其中每个部分无散射图像基于当所述孔隙板存在时检测到透射穿过所述对象的所述成像体积的辐射,并且其中在大致相同的条件下采集所述散射图像及其对应的部分无散射图像,不同的是所述孔隙板存在与否;
接收受过训练的散射校正模型;
基于所接收的多个散射图像数据和对应的部分无散射图像数据来更新所述受过训练的散射校正模型,以产生更新的受过训练的散射校正模型;
基于所述更新的受过训练的散射校正模型来校正所述多个散射图像中的至少一个散射图像;以及
输出至少一个经校正的散射图像。
7.根据权利要求6所述的成像系统,其中所述受过训练的散射校正模型是受过训练的神经网络模型。
8.根据权利要求7所述的成像系统,其中更新所述受过训练的散射校正模型包括:
针对每对对应的散射图像和部分无散射图像,在针对所述散射图像的所述受过训练的神经网络模型的所述输出与针对所述部分无散射图像的所述受过训练的神经网络模型的所述输出之间执行内插;以及
基于所述内插来生成所述更新的受过训练的散射校正模型。
9.根据权利要求6所述的成像系统,其中所述受过训练的散射校正模型包括先前确定的解卷积点扩散函数(PSF)估计。
10.根据权利要求9所述的成像系统,其中更新所述受过训练的散射校正模型包括:
使用相应成对的对应的散射图像和部分无散射图像的测量点来局部参数化所述解卷积PSF估计;以及
基于所述局部参数化来更新所述解卷积PSF估计。
11.一种用于对象的图像的散射校正的方法,包括:
由成像系统的辐射检测器基于检测到透射穿过对象的成像体积的辐射来采集表示所述对象的多个散射图像的数据;
将孔隙板放置在所述对象和所述辐射检测器之间,所述孔隙板包括多个孔,所述多个孔被配置为阻止散射辐射被所述辐射检测器检测到;
由所述辐射检测器采集表示单个部分无散射图像的数据,其中所述单个部分无散射图像基于当所述孔隙板存在时检测到透射穿过所述对象的所述成像体积的辐射;
由包括一个或多个处理器的分析仪接收所述多个散射图像数据和所述单个部分无散射图像数据;
由所述分析仪接收受过训练的散射校正模型;
由所述分析仪基于所接收的多个散射图像数据和所述单个部分无散射图像数据来更新所述受过训练的散射校正模型,以产生更新的受过训练的散射校正模型;
由所述分析仪基于所述更新的受过训练的散射校正模型来校正所述多个散射图像中的至少一个散射图像;以及
由所述分析仪输出至少一个经校正的散射图像。
12.根据权利要求11所述的方法,其中所述受过训练的散射校正模型是受过训练的神经网络模型。
13.根据权利要求12所述的方法,其中更新所述受过训练的散射校正模型包括:
针对包括所述多个散射图像中的散射图像和所述单个部分无散射图像的每个图像对,在针对所述散射图像的所述受过训练的神经网络模型的所述输出与针对所述单个部分无散射图像的所述受过训练的神经网络模型的所述输出之间执行内插;以及
基于所述内插来生成所述更新的受过训练的散射校正模型。
14.根据权利要求11所述的方法,其中所述受过训练的散射校正模型包括先前确定的解卷积点扩散函数(PSF)估计。
15.根据权利要求14所述的方法,其中更新所述受过训练的散射校正模型包括:
使用包括所述多个散射图像中的散射图像和所述单个部分无散射图像的相应图像对的测量点来局部参数化所述解卷积PSF估计;以及
基于所述局部参数化来更新所述解卷积PSF估计。
16.一种成像系统,包括:
辐射源,所述辐射源被配置为发射朝向对象的辐射;
辐射检测器,所述辐射检测器被配置为检测透射穿过所述对象的成像体积的所发射的辐射;和
分析仪,所述分析仪包括一个或多个处理器并且被配置为:
基于检测到由所述辐射源透射穿过所述对象的成像体积的辐射来接收表示所述对象的多个散射图像的数据;
接收表示单个部分无散射图像的数据,其中所述单个部分无散射图像基于当所述孔隙板存在时检测到透射穿过所述对象的所述成像体积的辐射;
接收受过训练的散射校正模型;
基于所接收的多个散射图像数据和所述单个部分无散射图像数据来更新所述受过训练的散射校正模型,以产生更新的受过训练的散射校正模型;
基于所述更新的受过训练的散射校正模型来校正所述多个散射图像中的至少一个散射图像;以及
输出至少一个经校正的散射图像。
17.根据权利要求16所述的成像系统,其中所述受过训练的散射校正模型是受过训练的神经网络模型。
18.根据权利要求17所述的成像系统,其中更新所述受过训练的散射校正模型包括:
针对包括所述多个散射图像中的散射图像和所述单个部分无散射图像的每个图像对,在针对所述散射图像的所述受过训练的神经网络模型的所述输出与针对所述单个部分无散射图像的所述受过训练的神经网络模型的所述输出之间执行内插;以及
基于所述内插来生成所述更新的受过训练的散射校正模型。
19.根据权利要求16所述的成像系统,其中所述受过训练的散射校正模型包括先前确定的解卷积点扩散函数(PSF)估计。
20.根据权利要求9所述的成像系统,其中更新所述受过训练的散射校正模型包括:
使用包括所述多个散射图像中的散射图像和所述单个部分无散射图像的相应图像对的测量点来局部参数化所述解卷积PSF估计;以及
基于所述局部参数化来更新所述解卷积PSF估计。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202063090144P | 2020-10-09 | 2020-10-09 | |
US63/090,144 | 2020-10-09 | ||
US17/492,525 | 2021-10-01 | ||
US17/492,525 US11662321B2 (en) | 2020-10-09 | 2021-10-01 | Scatter correction for computed tomography imaging |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114332265A true CN114332265A (zh) | 2022-04-12 |
Family
ID=78073866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111175098.0A Pending CN114332265A (zh) | 2020-10-09 | 2021-10-09 | 用于计算机断层摄影成像的散射校正 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11662321B2 (zh) |
EP (1) | EP3982115A1 (zh) |
JP (2) | JP2022063256A (zh) |
CN (1) | CN114332265A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230177745A1 (en) * | 2021-12-03 | 2023-06-08 | Canon Medical Systems Corporation | Devices, systems, and methods for deep-learning kernel-based scatter estimation and correction |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6175609B1 (en) * | 1999-04-20 | 2001-01-16 | General Electric Company | Methods and apparatus for scanning an object in a computed tomography system |
US6618466B1 (en) | 2002-02-21 | 2003-09-09 | University Of Rochester | Apparatus and method for x-ray scatter reduction and correction for fan beam CT and cone beam volume CT |
JP5416377B2 (ja) * | 2008-08-28 | 2014-02-12 | アンリツ産機システム株式会社 | 画像処理装置及びそれを備えたx線異物検出装置並びに画像処理方法 |
US8184767B2 (en) * | 2008-12-10 | 2012-05-22 | General Electric Company | Imaging system and method with scatter correction |
US9307949B2 (en) * | 2011-12-12 | 2016-04-12 | Hitachi Medical Corporation | X-ray CT device and method for correcting scattered X-rays |
WO2017048548A1 (en) | 2015-03-06 | 2017-03-23 | General Electric Company | Imaging system and method with scatter correction |
EP3265789B1 (en) | 2015-03-06 | 2019-12-25 | GE Sensing & Inspection Technologies GmbH | Imaging system and method with scatter correction |
US10507005B2 (en) * | 2016-09-22 | 2019-12-17 | General Electric Company | Spectral calibration of spectral computed tomography (CT) |
US20180330233A1 (en) * | 2017-05-11 | 2018-11-15 | General Electric Company | Machine learning based scatter correction |
EP3646288B1 (en) * | 2017-06-26 | 2022-09-07 | Elekta, Inc. | Method for improving cone-beam ct image quality using a deep convolutional neural network |
US10803555B2 (en) * | 2017-08-31 | 2020-10-13 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for determining a trained neural network model for scattering correction |
US11510641B2 (en) * | 2018-01-31 | 2022-11-29 | Koninklijke Philips N.V. | Non-spectral computed tomography (CT) scanner configured to generate spectral volumetric image data |
JP7224829B2 (ja) * | 2018-09-28 | 2023-02-20 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置および方法 |
US11241212B2 (en) * | 2019-03-05 | 2022-02-08 | Canon Medical Systems Corporation | Medical apparatus |
-
2021
- 2021-10-01 US US17/492,525 patent/US11662321B2/en active Active
- 2021-10-04 EP EP21200820.5A patent/EP3982115A1/en active Pending
- 2021-10-09 CN CN202111175098.0A patent/CN114332265A/zh active Pending
- 2021-10-11 JP JP2021166821A patent/JP2022063256A/ja active Pending
-
2023
- 2023-09-13 JP JP2023148006A patent/JP2023166550A/ja active Pending
Also Published As
Publication number | Publication date |
---|---|
JP2022063256A (ja) | 2022-04-21 |
JP2023166550A (ja) | 2023-11-21 |
EP3982115A1 (en) | 2022-04-13 |
US11662321B2 (en) | 2023-05-30 |
US20220113266A1 (en) | 2022-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10481110B2 (en) | Radiographic image generating device | |
Kruth et al. | Computed tomography for dimensional metrology | |
US20210270755A1 (en) | Item inspection by dynamic selection of projection angle | |
US8184767B2 (en) | Imaging system and method with scatter correction | |
US11493458B2 (en) | Imaging system and method with scatter correction | |
Dewulf et al. | Advances in the metrological traceability and performance of X-ray computed tomography | |
JP6680470B2 (ja) | 画像取得装置及び画像取得方法並びに画像補正プログラム | |
KR20010081097A (ko) | 비파괴 테스트용 컴퓨터 단층 촬영법 및 장치 | |
EP2336974B1 (en) | Computed tomography method, computer software, computing device and computed tomography system for determining a volumetric representation of a sample | |
JP2023166550A (ja) | コンピュータ断層撮影撮像のための散乱補正 | |
JP5675978B2 (ja) | コンピュータ断層撮影方法、コンピュータプログラム、コンピュータデバイスおよびコンピュータ断層撮影システム | |
US11698349B2 (en) | Scatter correction for computed tomography imaging | |
Buratti et al. | An analytical method for optimizing imaging parameters in industrial x-ray computed tomography for dimensional measurements on multimaterial workpieces | |
CN112649451B (zh) | 用于大型对象的快速工业计算机断层扫描 | |
Turner | Erosion and dilation of edges in dimensional X-ray computed tomography images | |
JP4062232B2 (ja) | X線ct装置及びx線ct装置による撮像方法 | |
WO2016190218A1 (ja) | 測定方法および放射線撮影装置 | |
EP2715670B1 (en) | Computed tomography method, computer software, computing device and computed tomography system for determining a volumetric representation of a sample | |
JP2023005078A (ja) | 角度誤差推定装置、方法およびプログラム | |
JP2007279071A (ja) | X線ct装置及びx線ct装置による撮像方法 |
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 |