CN114668412A - 基物质分解方法、装置、设备、介质和产品 - Google Patents
基物质分解方法、装置、设备、介质和产品 Download PDFInfo
- Publication number
- CN114668412A CN114668412A CN202210275383.8A CN202210275383A CN114668412A CN 114668412 A CN114668412 A CN 114668412A CN 202210275383 A CN202210275383 A CN 202210275383A CN 114668412 A CN114668412 A CN 114668412A
- Authority
- CN
- China
- Prior art keywords
- projection data
- base material
- forward model
- decomposed
- pixel parameters
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000000126 substance Substances 0.000 title claims abstract description 47
- 239000000463 material Substances 0.000 claims abstract description 313
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 52
- 238000004590 computer program Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 239000000758 substrate Substances 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 48
- 238000012937 correction Methods 0.000 claims description 28
- 239000004926 polymethyl methacrylate Substances 0.000 description 25
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 17
- 229910052782 aluminium Inorganic materials 0.000 description 14
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- 238000001228 spectrum Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000002591 computed tomography Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000012935 Averaging Methods 0.000 description 5
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 5
- 229910052791 calcium Inorganic materials 0.000 description 5
- 239000011575 calcium Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 241001465754 Metazoa Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000000295 emission spectrum Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
-
- 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
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/408—Dual energy
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Radiology & Medical Imaging (AREA)
- Surgery (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- High Energy & Nuclear Physics (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pulmonology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请涉及一种基物质分解方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取待测对象的待分解投影数据；根据预设的至少两种基材料的投影数据和预设的正向模型，确定所述正向模型的实际像素参数和标准像素参数；所述正向模型用于表征投影数据与像素参数、基材料之间的相关关系；根据所述实际像素参数和所述标准像素参数对所述待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定所述待测对象对应的待分解图像；采用图像域物质分解算法对所述待分解图像进行分解，确定至少两种基物质图像。采用本方法能够提高分解获得的基物质图像的准确性。
Description
技术领域
本申请涉及计算机技术领域，特别是涉及一种基物质分解方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
CT(Computer Tomography，计算机X线断层扫描)技术的发展离不开CT系统的重要组成部件的迭代升级，而球管、高压发生器和探测器作为CT系统的三大重要组成部件已经历了数十年的优化和突破。其中探测器技术的重大革新，特别是光子计数探测器的出现，有望将传统CT带入能谱CT世界，而能谱CT的重要技术基石之一就是基物质分解。基物质分解主要是把待测对象的衰减信息表达成由两种或两种以上已知衰减特性的基物质的组合，通过对分解获得的基物质图像进行后处理可获得能谱图像，这些能谱图像具备更优的图像质量和更少的金属伪影，且能够降低扫描次数，减少剂量累积，因此对基物质分解的研究就显得尤为重要。
相关技术中，一般采用投影域基物质分解算法进行基物质分解，分解过程中先获取球管出射谱曲线和探测器能谱响应曲线，再通过对获得的球管出射谱曲线和探测器能谱响应曲线进行一系列的数据处理，最终获得多种基物质图像。
然而上述技术中，由于一般球管出射谱曲线和探测器能谱响应曲线在实际过程中获取比较困难，即实际获得的球管出射谱曲线和探测器能谱响应曲线并不准确，从而会导致最终进行基物质分解获得的基物质图像不够准确。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高获得的基物质图像的准确性的基物质分解方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面，本申请提供了一种基物质分解方法。所述方法包括：
获取待测对象的待分解投影数据；
根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系；
根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像；
采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
在其中一个实施例中，所述至少两种基材料包括第一基材料和第二基材料；上述根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数，包括：
获取不同厚度组合下第一基材料和第二基材料对应的组合投影数据，以及不同厚度组合下第一基材料的第一基材厚度和第二基材料的第二基材厚度；
获取第一基材料的第一基材密度和第二基材料的第二基材密度；
根据各组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度，对正向模型中的像素参数进行数学运算处理，确定正向模型的实际像素参数和标准像素参数。
在其中一个实施例中，上述根据各组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度，对正向模型中的像素参数进行数学运算处理，确定正向模型的标准像素参数，包括：
对各组合投影数据分别进行均值处理，获得各组合投影数据对应的均值投影数据；
将各均值投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度输入至正向模型中进行数学运算处理，确定正向模型的标准像素参数。
在其中一个实施例中，在上述根据各组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度，对正向模型中的像素参数进行数学运算处理之前，上述方法还包括：
对各组合投影数据进行校正处理，确定各组合投影数据对应的校正组合投影数据。
在其中一个实施例中，上述对各组合投影数据进行校正处理，确定各组合投影数据对应的校正组合投影数据，包括：
对各组合投影数据分别进行余弦校正处理，确定各组合投影数据对应的校正组合投影数据。
在其中一个实施例中，上述根据实际像素参数和标准像素参数对待分解投影数据进行校正，包括：
将实际像素参数和待分解投影数据输入至正向模型中，确定待测对象对应的至少两种待分解基材料密度路径积分；
将标准像素参数和至少两种待分解基材料密度路径积分输入至正向模型中，确定待分解投影数据对应的校正投影数据。
在其中一个实施例中，上述预设的至少两种基材料与待测对象中的至少两种基材料的衰减特性一致。
在其中一个实施例中，上述预设的至少两种基材料均为平板基材料，且各平板基材料的法向量均与射线源的等中心射线方向一致。
第二方面，本申请还提供了一种基物质分解装置。所述装置包括：
获取模块，用于获取待测对象的待分解投影数据；
参数确定模块，用于根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系；
校正模块，用于根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像；
分解模块，用于采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取待测对象的待分解投影数据；
根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系；
根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像；
采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
第四方面，本申请还提供了一种计算机可读存储介质。所述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以下步骤：
获取待测对象的待分解投影数据；
根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系；
根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像；
采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待测对象的待分解投影数据；
根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系；
根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像；
采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
上述基物质分解方法、装置、计算机设备、存储介质和计算机程序产品，通过已知的至少两种基材料的投影数据和预设的正向模型，确定正向模型的实际像素参数和标准像素参数，并根据实际像素参数和标准像素参数对待测对象的待分解投影数据进行校正，以及对校正投影数据进行图像重建获得待分解图像，之后对待分解图像采用图像域物质分解算法进行分解，获得待测对象的至少两种基物质图像；其中的正向模型用于表征投影数据与像素参数、基材料之间的相关关系。在该方法中，由于不需要获取球管出射谱曲线和探测器能谱响应曲线进行基物质分解，可以通过已知基材料和正向模型的实际像素参数和标准像素参数对待分解投影数据进行校正，这样获得的待测对象的投影数据相对就是比较准确的，从而在采用该较为准确的投影数据进行图像重建以及基物质分解时，获得的基物质图像也就比较准确；也就是说，基物质分解的数据源比较准确，那么最终进行基物质分解获得的图像结果也就比较准确，即可以提升获得的基物质图像的准确性。
附图说明
图1为一个实施例中计算机设备的内部结构图；
图2为一个实施例中基物质分解方法的流程示意图；
图3为另一个实施例中计算正向模型的像素参数的流程示意图；
图4为另一个实施例中不同厚度组合的基材料的示意图；
图5为另一个实施例中计算正向模型标准像素参数的流程示意图；
图6为另一个实施例中校正待分解投影数据的流程示意图；
图7为另一个实施例中校正待分解投影数据的效果示意图；
图8为一个实施例中基物质分解装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的基物质分解方法，可以应用于如图1所示的计算机设备。该计算机设备可以是终端或服务器，以终端为例，其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基物质分解方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，如图2所示，提供了一种基物质分解方法，以该方法应用于图1中的计算机设备为例进行说明，该方法可以包括以下步骤：
S202，获取待测对象的待分解投影数据。
其中，待测对象可以是人体、动物、植物等等。待分解投影数据可以是通过扫描设备(例如CT设备、X射线设备等)对待测对象进行扫描获得的投影数据。
具体的，可以通过扫描设备预先对待测对象进行扫描获得待分解投影数据，也可以是将扫描获得的待分解投影数据预先存储在云端或本地数据库中，在需要使用时直接调用即可。
S204，根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系。
在本步骤中，可选的，上述预设的至少两种基材料与待测对象中的至少两种基材料的衰减特性一致。也就是说，上述在确定正向模型的参数时，预先选取的至少两种基材料的衰减特性需要和待测对象中的至少两种基材料的衰减特性一致。例如：待测对象是人体或动物体，当需要区分人体或动物体中的水和骨头钙这两种物质时，可以采用与水具有等价衰减特性的聚甲基丙烯酸甲酯(PMMA)均质平板作为基材料，以及采用与钙具有等价衰减特性的铝(AL)均质平板作为基材料。采用衰减特性一致的基材料确定正向模型的参数，可以使确定的正向模型的参数更具有代表性，也更准确，从而最终进行基物质分解的结果也会更准确。
可选的，上述预设的至少两种基材料均为平板基材料，且各平板基材料的法向量均与射线源的等中心射线方向一致。上述选取的基材料AL以及PMMAC均为均质平板基材料，这里采用平板基材料，其各个部分的厚度都是均匀的，那么获得的基材料的投影数据是也就都是厚度均匀的，从而可以使后续通过该平板基材料的投影数据进行基物质分解获得的结果更加准确。
具体的，本实施例中也可以通过扫描设备(例如CT设备、X射线设备等)对预设的至少两种基材料进行扫描获得其对应的投影数据，之后通过将获得的投影数据输入至预设的正向模型中进行数学运算处理，获得正向模型的实际像素参数和标准像素参数。这里正向模型可以是表示投影数据与像素参数、基材料之间的相关关系的数学表达式，也可以是表示投影数据与像素参数、基材料之间的相关关系的网络模型。其中正向模型中的基材料可以是基材料的密度、厚度等。另外，这里的像素参数可以是正向模型中的参数，这里的实际像素参数可以是直接采用预设基材料的投影数据输入至正向模型中获得的；标准像素参数可以是通过对实际像素参数进一步处理(例如均值处理等)获得的参数，或者通过对预设基材料的投影数据进一步处理之后输入至正向模型中获得的。
另外，这里对预设的至少两种基材料进行扫描时，可以是单独对各预设的基材料进行扫描，将各自获得的投影数据结合起来得到所有预设的基材料的投影数据；也可以是将预设的至少两种基材料组合在一起，并对组合的基材料进行扫描获得投影数据；当然还可以是其他方式。另外，这里在对组合的基材料进行扫描时，可以是对一种厚度组合下的基材料组合进行扫描，还可以是对多种厚度组合下的基材料组合进行扫描。
S206，根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像。
在本步骤中，在获得正向模型的实际像素参数和标准像素参数之后，可以通过实际像素参数对待分解投影数据进行初步校正，并采用标准像素参数进行最终校正，以获得该分解投影数据对应的校正投影数据。之后可以采用图像重建算法(例如：滤波反投影算法、FDK算法等)对校正投影数据进行图像重建，获得重建图像，即为待测对象对应的待分解图像。
S208，采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
在本步骤中，在获得待分解图像之后，可以采用图像域物质分解算法对该待分解图像进行基物质分解，获得待测对象中包含的至少两种基材料的图像(例如包括水、钙两种基材料)，即获得至少两种基物质图像。
上述基物质分解方法中，通过已知的至少两种基材料的投影数据和预设的正向模型，确定正向模型的实际像素参数和标准像素参数，并根据实际像素参数和标准像素参数对待测对象的待分解投影数据进行校正，以及对校正投影数据进行图像重建获得待分解图像，之后对待分解图像采用图像域物质分解算法进行分解，获得待测对象的至少两种基物质图像；其中的正向模型用于表征投影数据与像素参数、基材料之间的相关关系。在该方法中，由于不需要获取球管出射谱曲线和探测器能谱响应曲线进行基物质分解，可以通过已知基材料和正向模型的实际像素参数和标准像素参数对待分解投影数据进行校正，这样获得的待测对象的投影数据相对就是比较准确的，从而在采用该较为准确的投影数据进行图像重建以及基物质分解时，获得的基物质图像也就比较准确；也就是说，基物质分解的数据源比较准确，那么最终进行基物质分解获得的图像结果也就比较准确，即可以提升获得的基物质图像的准确性。
在一个实施例中，上述实施例中提到了可以通过预设的至少两种基材料和正向模型去计算相应的像素参数，假设该至少两种基材料包括第一基材料和第二基材料，以下实施例就对如何计算正向模型的像素参数的具体过程进行详细说明。在上述实施例的基础上，如图3所示，上述S204可以包括以下步骤：
S302，获取不同厚度组合下第一基材料和第二基材料对应的组合投影数据，以及不同厚度组合下第一基材料的第一基材厚度和第二基材料的第二基材厚度。
在本步骤中，第一基材料和第二基材料均可以是一个或多个，这里以一个第一基材料以及一个第二基材料为例进行说明。这里以上述提到的两种基材料AL和PMMA为例，不同厚度组合的示意图可以参见图4所示，其中横轴方向各列AL的厚度相同，各列PMMA的厚度不同，纵轴方向各列PMMA的厚度相同，各列AL的厚度不同。这里第一基材料的第一基材厚度指的是在各种厚度组合下的第一基材料的厚度，根据图4中的厚度组合示意图可知，第一基材厚度在不同厚度组合下是不同的，第二基材厚度同理。
总之，可以预先设置好不同的厚度组合，这样可以获得不同厚度组合下的第一基材厚度以及第二基材厚度，同时也可以通过扫描设备依次扫描各厚度组合下的平板基材料，获得各厚度组合下平板基材料的投影数据，均记为组合投影数据。需要说明的是，这里的组合投影数据是指空气校正后的对数值。
S304，获取第一基材料的第一基材密度和第二基材料的第二基材密度。
在本步骤中，第一基材料和第二基材料的密度在基材料确定之后就可以获得，其是固定不变的，记为第一基材密度和第二基材密度。例如以上述提到的两种基材料AL和PMMA为例，在确定AL和PMMA两种基材料之后，就可以获得其密度，PMMA的密度为ρPMMA＝1.19g/cm3，AL的密度为ρAL＝2.6989g/cm3。
S306，根据各组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度，对正向模型中的像素参数进行数学运算处理，确定正向模型的实际像素参数和标准像素参数。
在本步骤中，在获得各厚度组合下基材料的组合投影数据、各自的厚度以及密度之后，就可以计算正向模型的实际像素参数和标准像素参数。
在具体计算时，首先，本步骤中假设采用具有两个能量仓(可表示为b1和b2)的光子计数探测器对数据进行采集，则针对待测对象中包含水和钙两种物质，可以选择与水具有等价衰减特性的PMMA均质平板，以及与钙具有等价衰减特性的AL均质平板，对正向模型可以作近似选取相应的近似函数来表示，该近似函数选择三阶多项式(当然近似函数也不限于该函数)，其公式可以如下公式(1)、(2)所示：
其中，Pb1和Pb2分别是光子计数探测器两个能量仓b1和b2获得的组合投影数据；参数c10～c19和c20～c29分别是近似函数在光子计数探测器两个能量仓b1和b2的多项式参数，即像素参数。APMMA为平板基材料PMMA的密度路径积分，假设PMMA的厚度记为tPMMA，则APMMA可以记为APMMA＝ρPMMA·tPMMA。AAL为平板基材料AL的密度路径积分，假设AL的厚度记为tAL，则APMMA可以记为AAL＝ρAL·tAL。由上述描述可知，基材料PMMA和AL在各种厚度组合下的密度以及厚度均为已知量，那么在各种厚度组合下的密度路径积分就可以计算出来。
在获得正向模型具体的表达式以及其中的一些参数之后，可选的，本步骤在计算实际像素参数时，可以将各组合投影数据(即Pb1和Pb2)以及APMMA、AAL代入至公式(1)和(2)，通过对多项式进行计算就可以获得多项式参数c10～c19、c20～c29，记为实际像素参数。需要说明的是，PMMA和AL两种均质平板基材料不同厚度的组合数量需要大于等于各自的参数数量，此处即要求厚度组合数量大于或等于10，这样才可以计算出c10～c19和c20～c29这些像素参数；其中计算多项式参数的方法包括但不限于Moore-Penrose伪逆法、最小二乘法或线性优化算法等，当然还可以包括但不限于Gauss-Newton法等非线性优化算法。
在上述计算实际像素参数的基础上，可选的，本步骤在计算正向模型的标准像素参数时，如图5所示，可以采用如下步骤进行计算：
S402，对各组合投影数据分别进行均值处理，获得各组合投影数据对应的均值投影数据。
也就是说，可以对获得的各组合投影数据(即Pb1和Pb2)先进行均值处理，获得均值投影数据。这里的均值处理可以是直接对各组合投影数据进行平均处理，也可以是对各组合投影数据进行加权平均处理，当然还可以是其他方式，这里不做具体限定。
S404，将各均值投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度输入至正向模型中进行数学运算处理，确定正向模型的标准像素参数。
在本步骤中，在获得各组合投影数据对应的均值投影数据之后，由上述描述可知，也可以获得预设的各基材料的密度路径积分，这样就可以将各均值投影数据以及APMMA、AAL代入至公式(1)和(2)，通过对多项式进行计算就可以获得多项式参数c10～c19、c20～c29，记为标准像素参数。
当然，本实施例中也可以是通过探测器额外使用几个性能优异的理想探测器，通过理想探测器获得的投影数据作为这里的均值投影数据，然后计算标准像素参数。
本实施例中，通过不同厚度组合下基材料的组合投影数据、密度以及厚度，可以计算出正向模型中的实际像素参数和标准像素参数，这样通过多组数据进行计算，获得的像素参数比较准确，从而获得的正向模型就较为准确，进而可以通过该正向模型提升基物质分解结果的准确性。进一步地，通过对各组合投影数据进行均值处理，以计算标准像素参数，这样可以为后续校正待测对象的投影数据提供一个较为准确的数据基础，提升对待测对象的投影数据进行校正的准确性。
在一个实施例中，上述实施例中提到了可以计算正向模型的像素参数，那么在计算像素参数之前，为了使计算的像素参数更为准确，还可以对组合投影数据先进行处理，以下就对该过程进行详细说明。在上述实施例的基础上，在上述S306之前，上述方法还可以包括以下步骤A：
步骤A，对各组合投影数据进行校正处理，确定各组合投影数据对应的校正组合投影数据。
在一些实施例中，本步骤中采用的是：对各组合投影数据分别进行余弦校正处理，确定各组合投影数据对应的校正组合投影数据。即采用的是余弦校正处理，这里的余弦校正即各组合投影数据分别乘以各自数据采集时对应的余弦值，
本实施例采用余弦校正，可以使获得的平板基材料的投影数据是基于厚度比较均匀的平板所获得的，避免由于射线经过平板基材料时，其边缘不垂直射线而导致得到的投影数据不准确的问题，即可以提升获得的组合投影数据的准确性。
本实施例中，通过对各对各组合投影数据分别进行校正处理，确定各组合投影数据对应的校正组合投影数据，这里的校正主要是余弦校正，这样可以提升获得的组合投影数据的准确性，进而可以提升确定的正向模型的像素参数的准确性。
在一个实施例中，上述实施例中提到了可以对待分解投影数据进行校正，以下实施例就对如何校正的具体过程进行详细说明。在上述实施例的基础上，如图6所示，上述S206可以包括以下步骤：
S502，将实际像素参数和待分解投影数据输入至正向模型中，确定待测对象对应的至少两种待分解基材料密度路径积分。
在本步骤中，以上述S306中提到的正向模型的近似函数为例，在获得实际像素参数c10～c19和c20～c29以及待分解投影数据之后，可以将这些数据代入至公式(1)和(2)中，这里的待分解投影数据相当于公式(1)和(2)中的Pb1和Pb2，通过对公式(1)和(2)进行一系列计算，就可以获得APMMA、AAL这两种基材料的密度路径积分，相当于获得了待测对象中的至少两种基材料的密度路径积分，记为至少两种待分解基材料密度路径积分。
S504，将标准像素参数和至少两种待分解基材料密度路径积分输入至正向模型中，确定待分解投影数据对应的校正投影数据。
在本步骤中，在获得至少两种待分解基材料密度路径积分以及上述S404中的标准像素参数之后，这里的标准像素参数也是c10～c19、c20～c29，只不过和实际像素参数中c10～c19、c20～c29的值不同而已，就可以将标准像素参数以及至少两种待分解基材料密度路径积分代入至公式(1)和(2)中，通过一系列计算可以获得公式(1)和(2)中的Pb1和Pb2，这里获得的Pb1和Pb2，即为校正投影数据。
本实施例具体获得的校正图像可以参见图7所示，图中第一列为能量仓b1获得的正弦图(即待分解投影数据)；第二列为对能量仓b1获得的正弦图经过校正后的正弦图(即校正投影数据)；第三列为能量仓b2获得的正弦图(即待分解投影数据)；第四列为对能量仓b2获得的正弦图经过校正后的正弦图(即校正投影数据)。从图中可以看出，校正后的投影数据图在噪声和条纹伪影的表现更优异，即噪声和条纹伪影更少，图像质量更佳。
本实施例中，通过正向模型的实际像素参数和标准像素参数对待分解投影数据进行校正，这样获得的待测对象的投影数据相对就是比较准确的，从而在采用该较为准确的投影数据进行图像重建以及基物质分解时，获得的基物质图像也就比较准确。
为了便于对本申请的方法进行详细说明，以下结合一个具体实施例对本申请的技术方案进行详细说明，在上述实施例的基础上，该方法可以包括以下步骤：
S1，获取待测对象的待分解投影数据，以及获取预设的至少两种基材料；其中，该预设的至少两种基材料与待测对象中的至少两种基材料的衰减特性一致；预设的至少两种基材料均为平板基材料，且各平板基材料的法向量均与射线源的等中心射线方向一致。
S2，获取预设的不同厚度组合下第一基材料和第二基材料对应的组合投影数据，以及不同厚度组合下第一基材料的第一基材厚度和第二基材料的第二基材厚度，获取第一基材料的第一基材密度和第二基材料的第二基材密度。
S3，对各组合投影数据分别进行余弦校正处理，确定各组合投影数据对应的校正组合投影数据。
S4，将各校正组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度输入至正向模型中进行数学运算处理，确定正向模型的实际像素参数。
S5，对各校正组合投影数据分别进行均值处理，获得各校正组合投影数据对应的均值投影数据，将各均值投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度输入至正向模型中进行数学运算处理，确定正向模型的标准像素参数。
S6，将实际像素参数和待分解投影数据输入至正向模型中，确定待测对象对应的至少两种待分解基材料密度路径积分。
S7，将标准像素参数和至少两种待分解基材料密度路径积分输入至正向模型中，确定待分解投影数据对应的校正投影数据。
S8，对校正投影数据进行图像重建，确定待测对象对应的待分解图像。
S9，采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的基物质分解方法的基物质分解装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个基物质分解装置实施例中的具体限定可以参见上文中对于基物质分解方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种基物质分解装置，包括：获取模块10、参数确定模块11、校正模块12和分解模块13，其中：
获取模块10，用于获取待测对象的待分解投影数据；
参数确定模块11，用于根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系；
校正模块12，用于根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像；
分解模块13，用于采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
可选的，上述预设的至少两种基材料与待测对象中的至少两种基材料的衰减特性一致。
可选的，上述预设的至少两种基材料均为平板基材料，且各平板基材料的法向量均与射线源的等中心射线方向一致。
在一个实施例中，提供了另一种基物质分解装置，在上述实施例的基础上，上述至少两种基材料包括第一基材料和第二基材料；上述参数确定模块11可以包括：数据获取单元、密度获取单元以及参数确定单元，其中：
数据获取单元，用于获取不同厚度组合下第一基材料和第二基材料对应的组合投影数据，以及不同厚度组合下第一基材料的第一基材厚度和第二基材料的第二基材厚度；
密度获取单元，用于获取第一基材料的第一基材密度和第二基材料的第二基材密度；
参数确定单元，用于根据各组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度，对正向模型中的像素参数进行数学运算处理，确定正向模型的实际像素参数和标准像素参数。
可选的，上述参数确定单元可以包括均值处理子单元以及参数确定子单元，其中：
均值处理子单元，用于对各组合投影数据分别进行均值处理，获得各组合投影数据对应的均值投影数据；
参数确定子单元，用于将各均值投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度输入至正向模型中进行数学运算处理，确定正向模型的标准像素参数。
在一个实施例中，提供了另一种基物质分解装置，在上述实施例的基础上，在上述参数确定单元根据各组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度，对正向模型中的像素参数进行数学运算处理之前，上述装置还可以包括组合数据校正模块，该组合数据校正模块，用于对各组合投影数据进行校正处理，确定各组合投影数据对应的校正组合投影数据。
可选的，上述组合数据校正模块，具体用于对各组合投影数据分别进行余弦校正处理，确定各组合投影数据对应的校正组合投影数据。
在一个实施例中，提供了另一种基物质分解装置，在上述实施例的基础上，上述校正模块12可以包括密度积分确定单元和校正单元，其中：
密度积分确定单元，用于将实际像素参数和待分解投影数据输入至正向模型中，确定待测对象对应的至少两种待分解基材料密度路径积分；
校正单元，用于将标准像素参数和至少两种待分解基材料密度路径积分输入至正向模型中，确定待分解投影数据对应的校正投影数据。
上述基物质分解装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待测对象的待分解投影数据；根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系；根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像；采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取不同厚度组合下第一基材料和第二基材料对应的组合投影数据，以及不同厚度组合下第一基材料的第一基材厚度和第二基材料的第二基材厚度；获取第一基材料的第一基材密度和第二基材料的第二基材密度；根据各组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度，对正向模型中的像素参数进行数学运算处理，确定正向模型的实际像素参数和标准像素参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对各组合投影数据分别进行均值处理，获得各组合投影数据对应的均值投影数据；将各均值投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度输入至正向模型中进行数学运算处理，确定正向模型的标准像素参数。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对各组合投影数据进行校正处理，确定各组合投影数据对应的校正组合投影数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对各组合投影数据分别进行余弦校正处理，确定各组合投影数据对应的校正组合投影数据。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将实际像素参数和待分解投影数据输入至正向模型中，确定待测对象对应的至少两种待分解基材料密度路径积分；将标准像素参数和至少两种待分解基材料密度路径积分输入至正向模型中，确定待分解投影数据对应的校正投影数据。
在一个实施例中，上述预设的至少两种基材料与待测对象中的至少两种基材料的衰减特性一致。
在一个实施例中，上述预设的至少两种基材料均为平板基材料，且各平板基材料的法向量均与射线源的等中心射线方向一致。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待测对象的待分解投影数据；根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系；根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像；采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取不同厚度组合下第一基材料和第二基材料对应的组合投影数据，以及不同厚度组合下第一基材料的第一基材厚度和第二基材料的第二基材厚度；获取第一基材料的第一基材密度和第二基材料的第二基材密度；根据各组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度，对正向模型中的像素参数进行数学运算处理，确定正向模型的实际像素参数和标准像素参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对各组合投影数据分别进行均值处理，获得各组合投影数据对应的均值投影数据；将各均值投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度输入至正向模型中进行数学运算处理，确定正向模型的标准像素参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对各组合投影数据进行校正处理，确定各组合投影数据对应的校正组合投影数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对各组合投影数据分别进行余弦校正处理，确定各组合投影数据对应的校正组合投影数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将实际像素参数和待分解投影数据输入至正向模型中，确定待测对象对应的至少两种待分解基材料密度路径积分；将标准像素参数和至少两种待分解基材料密度路径积分输入至正向模型中，确定待分解投影数据对应的校正投影数据。
在一个实施例中，上述预设的至少两种基材料与待测对象中的至少两种基材料的衰减特性一致。
在一个实施例中，上述预设的至少两种基材料均为平板基材料，且各平板基材料的法向量均与射线源的等中心射线方向一致。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取待测对象的待分解投影数据；根据预设的至少两种基材料的投影数据和预设的正向模型，确定该正向模型的实际像素参数和标准像素参数；该正向模型用于表征投影数据与像素参数、基材料之间的相关关系；根据实际像素参数和标准像素参数对待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定待测对象对应的待分解图像；采用图像域物质分解算法对待分解图像进行分解，确定至少两种基物质图像。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取不同厚度组合下第一基材料和第二基材料对应的组合投影数据，以及不同厚度组合下第一基材料的第一基材厚度和第二基材料的第二基材厚度；获取第一基材料的第一基材密度和第二基材料的第二基材密度；根据各组合投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度，对正向模型中的像素参数进行数学运算处理，确定正向模型的实际像素参数和标准像素参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对各组合投影数据分别进行均值处理，获得各组合投影数据对应的均值投影数据；将各均值投影数据、第一基材厚度、第二基材厚度、第一基材密度以及第二基材密度输入至正向模型中进行数学运算处理，确定正向模型的标准像素参数。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对各组合投影数据进行校正处理，确定各组合投影数据对应的校正组合投影数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对各组合投影数据分别进行余弦校正处理，确定各组合投影数据对应的校正组合投影数据。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将实际像素参数和待分解投影数据输入至正向模型中，确定待测对象对应的至少两种待分解基材料密度路径积分；将标准像素参数和至少两种待分解基材料密度路径积分输入至正向模型中，确定待分解投影数据对应的校正投影数据。
在一个实施例中，上述预设的至少两种基材料与待测对象中的至少两种基材料的衰减特性一致。
在一个实施例中，上述预设的至少两种基材料均为平板基材料，且各平板基材料的法向量均与射线源的等中心射线方向一致。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (12)
1.一种基物质分解方法，其特征在于，所述方法包括：
获取待测对象的待分解投影数据；
根据预设的至少两种基材料的投影数据和预设的正向模型，确定所述正向模型的实际像素参数和标准像素参数；所述正向模型用于表征投影数据与像素参数、基材料之间的相关关系；
根据所述实际像素参数和所述标准像素参数对所述待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定所述待测对象对应的待分解图像；
采用图像域物质分解算法对所述待分解图像进行分解，确定至少两种基物质图像。
2.根据权利要求1所述的方法，其特征在于，所述至少两种基材料包括第一基材料和第二基材料；所述根据预设的至少两种基材料的投影数据和预设的正向模型，确定所述正向模型的实际像素参数和标准像素参数，包括：
获取不同厚度组合下所述第一基材料和第二基材料对应的组合投影数据，以及不同厚度组合下所述第一基材料的第一基材厚度和第二基材料的第二基材厚度；
获取所述第一基材料的第一基材密度和所述第二基材料的第二基材密度；
根据各所述组合投影数据、所述第一基材厚度、所述第二基材厚度、所述第一基材密度以及所述第二基材密度，对所述正向模型中的像素参数进行数学运算处理，确定所述正向模型的实际像素参数和标准像素参数。
3.根据权利要求2所述的方法，其特征在于，所述根据各所述组合投影数据、所述第一基材厚度、所述第二基材厚度、所述第一基材密度以及所述第二基材密度，对所述正向模型中的像素参数进行数学运算处理，确定所述正向模型的标准像素参数，包括：
对各所述组合投影数据分别进行均值处理，获得各所述组合投影数据对应的均值投影数据；
将各所述均值投影数据、所述第一基材厚度、所述第二基材厚度、所述第一基材密度以及所述第二基材密度输入至所述正向模型中进行数学运算处理，确定所述正向模型的标准像素参数。
4.根据权利要求2所述的方法，其特征在于，在所述根据各所述组合投影数据、所述第一基材厚度、所述第二基材厚度、所述第一基材密度以及所述第二基材密度，对所述正向模型中的像素参数进行数学运算处理之前，所述方法还包括：
对各所述组合投影数据进行校正处理，确定各所述组合投影数据对应的校正组合投影数据。
5.根据权利要求4所述的方法，其特征在于，所述对各所述组合投影数据进行校正处理，确定各所述组合投影数据对应的校正组合投影数据，包括：
对各所述组合投影数据分别进行余弦校正处理，确定各所述组合投影数据对应的校正组合投影数据。
6.根据权利要求1-5任意一项所述的方法，其特征在于，所述根据所述实际像素参数和所述标准像素参数对所述待分解投影数据进行校正，包括：
将所述实际像素参数和所述待分解投影数据输入至所述正向模型中，确定所述待测对象对应的至少两种待分解基材料密度路径积分；
将所述标准像素参数和所述至少两种待分解基材料密度路径积分输入至所述正向模型中，确定所述待分解投影数据对应的校正投影数据。
7.根据权利要求1-5任意一项所述的方法，其特征在于，所述预设的至少两种基材料与所述待测对象中的至少两种基材料的衰减特性一致。
8.根据权利要求1-5任意一项所述的方法，其特征在于，所述预设的至少两种基材料均为平板基材料，且各所述平板基材料的法向量均与射线源的等中心射线方向一致。
9.一种基物质分解装置，其特征在于，所述装置包括：
获取模块，用于获取待测对象的待分解投影数据；
参数确定模块，用于根据预设的至少两种基材料的投影数据和预设的正向模型，确定所述正向模型的实际像素参数和标准像素参数；所述正向模型用于表征投影数据与像素参数、基材料之间的相关关系；
校正模块，用于根据所述实际像素参数和所述标准像素参数对所述待分解投影数据进行校正，并对获得的校正投影数据进行图像重建，确定所述待测对象对应的待分解图像；
分解模块，用于采用图像域物质分解算法对所述待分解图像进行分解，确定至少两种基物质图像。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的方法的步骤。
11.一种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权利要求1至8中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210275383.8A CN114668412B (zh) | 2022-03-21 | 2022-03-21 | 基物质分解方法、装置、设备、介质和产品 |
| US18/186,980 US20230298233A1 (en) | 2022-03-21 | 2023-03-21 | Systems and methods for material decomposition |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210275383.8A CN114668412B (zh) | 2022-03-21 | 2022-03-21 | 基物质分解方法、装置、设备、介质和产品 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114668412A true CN114668412A (zh) | 2022-06-28 |
| CN114668412B CN114668412B (zh) | 2024-06-25 |
Family
ID=82073427
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210275383.8A Active CN114668412B (zh) | 2022-03-21 | 2022-03-21 | 基物质分解方法、装置、设备、介质和产品 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20230298233A1 (zh) |
| CN (1) | CN114668412B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1640361A (zh) * | 2005-01-06 | 2005-07-20 | 东南大学 | 多相水平集的正电子断层扫描重建方法 |
| US20180235562A1 (en) * | 2017-02-17 | 2018-08-23 | Toshiba Medical Systems Corporation | Combined sinogram- and image-domain material decomposition for spectral computed tomography (ct) |
| US20180300879A1 (en) * | 2016-01-30 | 2018-10-18 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for artifact correction of computerized tomography |
| CN109416833A (zh) * | 2016-06-15 | 2019-03-01 | 皇家飞利浦有限公司 | 根据谱ct数据确定钙含量 |
| DE102020210958A1 (de) * | 2020-08-31 | 2022-03-03 | Siemens Healthcare Gmbh | Verfahren für eine Artefakt-Korrektur bei einer Rekonstruktion von wenigstens einem Schichtbild aus einer Mehrzahl an Projektionsbildern |
-
2022
- 2022-03-21 CN CN202210275383.8A patent/CN114668412B/zh active Active
-
2023
- 2023-03-21 US US18/186,980 patent/US20230298233A1/en active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1640361A (zh) * | 2005-01-06 | 2005-07-20 | 东南大学 | 多相水平集的正电子断层扫描重建方法 |
| US20180300879A1 (en) * | 2016-01-30 | 2018-10-18 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for artifact correction of computerized tomography |
| CN109416833A (zh) * | 2016-06-15 | 2019-03-01 | 皇家飞利浦有限公司 | 根据谱ct数据确定钙含量 |
| US20180235562A1 (en) * | 2017-02-17 | 2018-08-23 | Toshiba Medical Systems Corporation | Combined sinogram- and image-domain material decomposition for spectral computed tomography (ct) |
| DE102020210958A1 (de) * | 2020-08-31 | 2022-03-03 | Siemens Healthcare Gmbh | Verfahren für eine Artefakt-Korrektur bei einer Rekonstruktion von wenigstens einem Schichtbild aus einer Mehrzahl an Projektionsbildern |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114668412B (zh) | 2024-06-25 |
| US20230298233A1 (en) | 2023-09-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Adaptive nonlocal means filtering based on local noise level for CT denoising | |
| US8571287B2 (en) | System and method for iterative image reconstruction | |
| JP5543448B2 (ja) | 高効率コンピュータ断層撮影 | |
| CN108280859B (zh) | 一种采样角度受限下的ct稀疏投影图像重建方法及装置 | |
| Zhang et al. | Constrained total generalized p-variation minimization for few-view X-ray computed tomography image reconstruction | |
| CN110651302B (zh) | 用于图像重建的方法和设备 | |
| Lee et al. | Estimation of basis line-integrals in a spectral distortion-modeled photon counting detector using low-order polynomial approximation of x-ray transmittance | |
| Hu et al. | An extended simultaneous algebraic reconstruction technique (E‐SART) for X‐ray dual spectral computed tomography | |
| Zhao et al. | An oblique projection modification technique (OPMT) for fast multispectral CT reconstruction | |
| US20220042932A1 (en) | Estimating Background Radiation from Unknown Sources | |
| Zhang et al. | Spectral CT image-domain material decomposition via sparsity residual prior and dictionary learning | |
| Luo et al. | A fast beam hardening correction method incorporated in a filtered back-projection based MAP algorithm | |
| Rigaud et al. | Reconstruction algorithm for 3D Compton scattering imaging with incomplete data | |
| Mustafa et al. | Sparse-view spectral CT reconstruction using deep learning | |
| Wang et al. | Sparse-view cone-beam CT reconstruction by bar-by-bar neural FDK algorithm | |
| Lv et al. | A back‐projection‐and‐filtering‐like (BPF‐like) reconstruction method with the deep learning filtration from listmode data in TOF‐PET | |
| Kazantsev et al. | New iterative reconstruction methods for fan-beam tomography | |
| Qiu et al. | Evaluating iterative algebraic algorithms in terms of convergence and image quality for cone beam CT | |
| Chen et al. | High-dynamic-range CT reconstruction based on varying tube-voltage imaging | |
| Karimi et al. | On the computational implementation of forward and back-projection operations for cone-beam computed tomography | |
| Grimmer et al. | Empirical binary tomography calibration (EBTC) for the precorrection of beam hardening and scatter for flat panel CT | |
| CN114668412B (zh) | 基物质分解方法、装置、设备、介质和产品 | |
| Flores et al. | System matrix analysis for computed tomography imaging | |
| Pan et al. | TV-regularized iterative image reconstruction on a mobile C-ARM CT | |
| Ustaoglu | Inversion of a generalized Radon transform by algebraic iterative methods |
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 |