CN114820833A - 预测x射线的散射信号的方法、装置及校正散射束的方法 - Google Patents
预测x射线的散射信号的方法、装置及校正散射束的方法 Download PDFInfo
- Publication number
- CN114820833A CN114820833A CN202110110542.4A CN202110110542A CN114820833A CN 114820833 A CN114820833 A CN 114820833A CN 202110110542 A CN202110110542 A CN 202110110542A CN 114820833 A CN114820833 A CN 114820833A
- Authority
- CN
- China
- Prior art keywords
- phantom
- projection data
- scatter
- learning model
- scanning
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- 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
- 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]
Abstract
本申请涉及预测X射线的散射信号的方法、装置及校正散射束的方法。用于预测针对检查对象的X射线的散射信号的方法,包括:以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据;以使多个模体中的每个模体的散射程度等于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据;通过用每个模体的第二投影数据减去每个模体的第一投影数据来获得每个模体的真实散射信号;基于每个模体的第二投影数据和每个模体的真实散射信号对学习模型进行训练,以获得训练的学习模型;以及将训练的学习模型应用于针对检查对象的X射线的投影数据以预测X射线的投影数据的散射信号。
Description
技术领域
本申请总体上涉及计算机断层摄影CT投影信号校正及图像处理技术领域,更具体地,涉及基于学习技术的X射线的散射信号预测的方法。
背景技术
计算机断层摄影CT已经被广泛地应用在医学影像领域,但是由于散射辐射是一种固有的X射线特性,因此,在计算机断层摄影CT的X射线成像的过程中,会不可避免地产生影响图像成像质量的散射辐射射线。散射辐射射线使CT成像中的图像质量劣化。
通常CT系统会在探测器硬件上使用防散射栅格(ASG)来减少来自散射信号的影响,但随着越来越宽的宽体探测器的使用及硬件成本的压力,CT生产厂商越来越倾向于使用软件算法对散射信号进行校准。
已经基于分析模型开发了各种散射校正算法和方法,其通常具有或多或少的高计算复杂性,例如,一些散射校正算法和方法需要经由迭代过程或统计模拟,如蒙特卡洛模拟。基于分析模型开发的散射校正算法和方法,如基于蒙特卡洛模拟的算法,通常具有高复杂性,而且通常需要经由迭代过程,从而需要高计算量,因此并无广泛使用。
在当前CT系统上,一种仅基于原始投影数据的卷积核算法已被使用,该算法是一种简单且高效的并不涉及迭代方法的散射校正算法。然而,该算法具有较强的模型依赖性并且难以扩展用于更广泛的应用。当散射辐射贡献变得更大并且扫描条件变得更复杂时,当前的卷积核散射校正算法并不能够针对所有的情况预测适当的散射信号。
此外,卷积核设计建模工作是当前散射校正算法的关键点,用于估计散射在从X射线扫描的物体出来并到达检测器之后的分布。对于每种新的系统类型,通常需要依赖于系统属性的模拟以及来自在不同扫描条件下扫描代表性的模体的指定散射信号测量。然后,基于模拟和测量的数据,设计卷积核并调整模型参数。对于具有较大散射贡献的系统,必须应用更复杂的模型来补偿针对不同情况的散射效应。
发明内容
本申请的主要目的在于将在不同的扫描条件扫描模体而获取的模体的真实散射信号和在不同的扫描条件以标准临床扫描宽度(即,下文中所提及的基准扫描宽度)扫描模体而获取的整个模体的散射衰减数据作为训练数据来训练学习模型,以根据不同的扫描条件(不同的对象衰减结构、不同的对象位置、不同的扫描功率(例如kV)等)预测相应的散射信号,从而摆脱当前卷积核算法只能用有限的卷积核预测固定散射信号的局限性,并且可以获得更精确的散射校正结果。
为了实现上述目的,根据本申请的一个方面,提供了用于预测针对检查对象的X射线的散射信号的方法,该方法包括:以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据;以使多个模体中的每个模体的散射程度等于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据;通过用每个模体的第二投影数据减去每个模体的第一投影数据来获得每个模体的真实散射信号;基于每个模体的第二投影数据和每个模体的真实散射信号对学习模型进行训练,以获得训练的学习模型;以及将训练的学习模型应用于针对检查对象的X射线的投影数据以预测X射线的投影数据中的散射信号。
在本文中,基准散射程度是指在标准临床模式下扫描模体所产生的散射程度,以这样的方式,通过使散射信号贡献小到可以忽略的扫描方式扫描模体来获得模体的无散射的投影数据,以及通过以标准临床模式扫描模体来获得模体的有散射的投影数据,通过使有散射的投影数据与无散射的投影数据相减而获得模体的真实散射信号,基于模体的真实散射信号和模体的标准扫描下的投影数据来训练学习模型,由此由于作为用于训练的数据均是自模体测量的数据,即,实际测量的数据,因此相比于现有技术中基于模拟数据来训练学习模型的方法,能够获得更精确的X射线的投影数据的散射信号。
此外,在本申请的数据处理过程中并不直接作用于图像上,因此不需要扫描对象的图像,所以上述方法对当前数据处理流水线的结构没有影响,并且所有其他校准或校正步骤(例如,用于校正系统、探测器等的影响)保持原样。此外,在现有技术中根据图像进行散射估计的方法,通常具有很少或者甚至没有物理证据,因此,难以控制图像质量(伪影或图像噪声等),相比而言,在本申请中,根据投影数据进行散射预测,能够避免上述问题。
进一步地,根据本申请的一个实施例,基于每个模体的第二投影数据和每个模体的真实散射信号对学习模型进行训练,以获得训练的学习模型包括:基于物理模型对每个模体的第二投影数据进行预计算处理,以获得每个模体的计算的散射信号;以及将每个模体的计算的散射信号和每个模体的真实散射信号作为训练数据对对学习模型进行训练。
以这样的方式,由于基于物理模型对每个模体的第二投影数据进行预处理,能够在散射信号预测过程中,能够获得更多的物理证据,从而更容易地控制图像质量。
进一步地,根据本申请的一个实施例,将每个模体的计算的散射信号作为学习模型的输入训练数据并将每个模体的真实散射信号作为学习模型的输出训练数据对学习模型进行训练。
以这样的方式,计算的散射信号仍然从具有校准预处理程序的物理模型计算,从而学习模型仅用于学习所产生的散射辐射在特定系统上的真实分布,从而使得学习复杂度降低。
进一步地,根据本申请的一个实施例,以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据包括:在多个不同的扫描条件下对多个模体中的每个模体以小于基准扫描宽度的第一宽度进行分段扫描,以在每个扫描条件下采集每个模体的具有第一宽度的各个第一段的投影数据,其中,基准扫描宽度是临床标准扫描时所采用的宽度;以及通过将在每个扫描条件下采集的每个模体的各个第一段的投影数据相连接来获取在每个扫描条件下每个模体的第一投影数据。
以这样的方式,能够通过对模体进行分段扫描来获得模体的无散射的投影数据,例如通过对某一模体,先使用小准直器宽度采集信号,其可以视为是无散射的真实信号,并移动小准直器采集探测器范围内的全部信号,然后将以各个小准直器宽度采集的信号连接起来获得模体整体的无散射的投影数据,如此能够通过控制采集宽度来提高无散射的投影数据的精确性,从而获得合适的无散射的投影数据。而且,以这样的方式,能够预测不同的扫描条件(不同的对象衰减结构、不同的对象位置、不同的扫描功率(kV)等)下的特定散射信号,从而使得之后学习训练所得模型就可以补偿针对不同扫描条件的散射效应,而且也可以适用于现有的CT系统。
进一步地,根据本申请的一个实施例,以使多个模体中的每个模体的散射程度等于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据包括:在多个不同的扫描条件下对多个模体中的每个模体以基准扫描宽度进行扫描,以在每个扫描条件下采集每个模体的第二投影数据。
以这样的方式,例如通过对某一模体,采集大准直器宽度下的信号(临床下典型模式),如此能够根据CT图像系统的类型和应用控制采集宽度来获取需要的有散射的投影数据,简化了计算复杂性。
进一步地,根据本申请的一个实施例,每个模体的第一投影数据和每个模体的第二投影数据均是自每个模体采集的吸收系数的分布。
以这样的方式,能够使得在数据处理过程中不需要扫描对象的图像,所以其对当前数据处理流水线的结构没有影响,并且所有其他校准或校正步骤保持原样。
进一步地,根据本申请的一个实施例,物理模型是δ=γ·T0·exp(-κ·T),其中,δ是计算的散射信号,T是整个X射线扫描路径上的总吸收系数,T0为每个模体的吸收系数,κ和γ为模型拟合参数。
以这样的方式,能够获得具有更多物理证据的计算的散射信号,从而能够提高预测的准确性。
进一步地,根据本申请的一个实施例,学习模型包括具有不同网络类型的机器学习和深度学习。
以这样的方式,本申请的方法可以使用各种学习方法来进行散射预测,不管哪种学习技术都可用于本申请提出的方法中,例如具有不同网络类型的机器学习和诸如卷积神经网络的深度学习等。
进一步地,根据本申请的一个实施例,多个不同的扫描条件包括以下中的至少一种:不同的模体衰减结构、不同的模体位置和不同的扫描功率。
以这样的方式,即使扫描条件是复杂多样的,仍然能够针对所有的情况预测适当的散射信号。
根据本申请的另一方面,还提供了用于预测针对检查对象的X射线的散射信号的装置,装置包括:第一获取模块,用于以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据;第二获取模块,以使多个模体中的每个模体的散射程度等于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据;减算模块,通过用每个模体的第二投影数据减去每个模体的第一投影数据来获得每个模体的真实散射信号;训练模块,基于每个模体的第二投影数据和每个模体的真实散射信号对学习模型进行训练,以获得训练的学习模型;以及预测模块,将训练的学习模型应用于针对检查对象的X射线的投影数据以预测该X射线的投影数据中的散射信号。
以这样的方式,基于模体的真实散射信号和模体的标准临床模式下的投影数据来训练学习模型,由此由于作为用于训练的数据均是自模体测量的数据,即,实际测量的数据,因此相比于现有技术中基于模拟数据来训练学习模型的方法,能够获得更精确的X射线的投影数据的散射信号。
根据本申请的又一方面,提供了用于校正针对检查对象的X射线的散射束的方法,方法包括:以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据;以使多个模体中的每个模体的散射程度等于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据;通过用每个模体的第二投影数据减去每个模体的第一投影数据来获得每个模体的真实散射信号;基于每个模体的第二投影数据和每个模体的真实散射信号对学习模型进行训练,以获得训练的学习模型;将训练的学习模型应用于针对检查对象的X射线的投影数据以预测X射线的投影数据中的散射信号;以及使用预测的散射信号来校正针对检查对象的X射线的投影数据以生成散射校正后的投影数据。
以这样的方式,基于模体的真实散射信号和模体的临床标准模式下的投影数据来训练学习模型,由此由于作为用于训练的数据均是自模体测量的数据,即,实际测量的数据,因此相比于现有技术中基于模拟数据来训练学习模型的方法,能够获得更精确的X射线的投影数据的散射信号,从而能够更准确地校正检查对象的X射线的散射信号。
根据本申请的又一方面,提供了用于重建检查对象的X射线的图像的方法,方法包括:以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据;以使多个模体中的每个模体的散射程度等于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据;通过用每个模体的第二投影数据减去每个模体的第一投影数据来获得每个模体的真实散射信号;基于每个模体的第二投影数据和每个模体的真实散射信号对学习模型进行训练,以获得训练的学习模型;将训练的学习模型应用于针对检查对象的X射线的投影数据以预测X射线的投影数据中的散射信号;使用预测的散射信号来校正针对检查对象的X射线的投影数据以生成散射校正的投影数据,并且重建散射校正后的投影数据以生成经过散射校正的重建的计算机断层摄影图像。
以这样的方式,基于模体的真实散射信号和模体的标准临床模式下的投影数据来训练学习模型,由此由于作为用于训练的数据均是自模体测量的数据,即,实际测量的数据,因此相比于现有技术中基于模拟数据来训练学习模型的方法,能够获得更精确的X射线的投影数据中的散射信号,从而能够提高重建的X射线图像的质量。
根据本申请的又一方面,提供了计算机存储介质,存储有程序,该程序在被执行时使计算机执行根据以上的方法。
在本申请实施例中,将在不同的扫描条件扫描模体而获取的模体的真实散射信号和在不同的扫描条件以标准临床扫描宽度扫描模体而获取的整个模体的散射衰减数据作为训练数据来训练学习模型,以根据不同的扫描条件(不同的对象衰减结构、不同的对象位置、不同的扫描功率(例如kV)等)预测特定的散射信号,从而可以获得更精确的散射校正结果。由于在本申请的数据处理过程中不需要使用扫描对象的图像数据,所以上述方法不需要额外的迭代处理过程,对当前数据处理流水线的结构没有影响,并且所有其他校准或校正步骤(例如,用于校正系统、探测器等的影响)保持原样。此外,在本申请中,根据投影数据进行散射预测,能够避免伪影等图像质量问题。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是示出了根据本申请实施方式的用于预测针对检查对象的X射线的散射信号的方法的流程图;
图2是示出了根据本申请实施方式的用于预测针对检查对象的X射线的散射信号的装置的框图;
图3是示出了根据本申请实施方式的用于校正针对检查对象的X射线的散射束的方法的流程图;以及
图4是示出了根据本申请实施方式的用于重建检查对象的X射线的图像的方法的流程图。
图5A是示出了根据本申请实施方式的被扫描模体在某个投影下的吸收系数的二维分布、训练好的学习模型应用于被扫描模体在某个投影下的吸收系数的二维分布所给出的需要修正的散射信号以及被扫描模体的真实散射信号的二维分布。
图5B是示出了根据本申请实施方式的被扫描模体在某个投影下的吸收系数的二维分布经过物理模型的预计算处理后得到的计算的散射信号、训练好的学习模型应用于被扫描模体在某个投影下的吸收系数的二维分布所给出的需要修正的散射信号以及被扫描模体的真实散射信号的二维分布。
图6A至图6E分别从简单模体(水模)、复杂模体(体模)及真实临床图像(头部扫描)对将本申请的基于图4所给出的方法构建的图像与应用目前CT系统所使用的已经临床验证的算法所得到的图像进行了对比。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要指出的是,除非另有指明,本申请使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
在本申请中,在未作相反说明的情况下,使用的方位词如“上、下、顶、底”通常是针对附图所示的方向而言的,或者是针对部件本身在竖直、垂直或重力方向上而言的;同样地,为便于理解和描述,“内、外”是指相对于各部件本身的轮廓的内、外,但上述方位词并不用于限制本申请。
图1是示出了根据本申请实施方式的用于预测针对检查对象的X射线的散射信号的方法的流程图,如图1所示,用于预测针对检查对象的X射线的散射信号的方法包括:
步骤S100,以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据。
在该步骤中,基准散射程度是指在标准临床模式下扫描模体所产生的散射程度,以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体是指对模体进行扫描时模体的散射信号贡献小到相对于模体的吸收是能够忽略的,例如,模体的散射量是模体的吸收量的0.01倍,也就是说,在模体的散射程度小于基准散射程度的情况下获得的投影数据中夹杂的散射对图像成像质量并没有任何影响而无需考虑。相应地,第一投影数据可以是指整个模体的可视为无散射的投影数据。
具体地,通过以使模体的散射程度相对于模体的吸收程度小到可以忽略的扫描方式扫描模体来获得模体的可视为无散射的投影数据,作为一种实现方式,可以通过以下方式来获得模体的第一投影数据:在多个不同的扫描条件下对多个模体中的每个模体以小于基准扫描宽度的第一宽度进行分段扫描,以在每个扫描条件下采集每个模体的具有第一宽度的各个第一段的投影数据,其中,基准扫描宽度是临床标准扫描时所采用的宽度;以及通过将在每个扫描条件下采集的每个模体的各个第一段的投影数据相连接来获取在每个扫描条件下每个模体的第一投影数据。不同的扫描条件可以包括不同的模体衰减结构、不同的模体位置、不同的扫描功率(能量),例如,扫描kV等。
作为具体的实例,通过对某一模体,先使用小准直器宽度(即,第一宽度)采集信号,其可以视为是无散射的真实信号,并移动小准直器以采集探测器范围内的全部信号,然后将以各个小准直器宽度采集的信号连接起来获得整个模体的无散射的投影数据(即,第一投影数据)。
步骤S101,以使多个模体中的每个模体的散射程度等于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据。
在该步骤中,扫描模体时所产生的散射程度为临床标准扫描时所产生的基准散射程度,该扫描所获得的模体的投影数据中的散射对最终的图像的质量是有影响的,从而是不可以忽略的,因此应当去除。相应地,第二投影数据可以是指所采集的投影数据包括了影响图像质量的散射辐射。
作为一种实现方式,可以通过在多个不同的扫描条件下对多个模体中的每个模体以基准扫描宽度进行扫描,以在每个扫描条件下采集每个模体的第二投影数据。在这里,同样,不同的扫描条件可以包括不同的模体衰减结构、不同的模体位置、不同的扫描功率,例如,扫描kV等。
作为实例,通过对某一模体,采集大准直器宽度(即,第二宽度)下的信号(临床下典型模式)来获得模体的第二投影数据。
在本文中,准直器可以是薄片,其安装在CT成像系统的X射线发生器之后并用于仅允许来自于特定方向范围内的X射线对模体进行扫描成像,并且模体的第一和第二投影数据例如可以是模体在某个投影下的吸收系数分布。模体可以是简单的模体,例如水模;诸如体模的多样化的复杂模体,例如可以是头部拟人模体、肺部拟人模体等等。
步骤S102,通过用每个模体的第二投影数据减去每个模体的第一投影数据来获得每个模体的真实散射信号;在该步骤中,真实散射信号是指扫描该模体时获得的散射信号值。
步骤S103,基于每个模体的第二投影数据和每个模体的真实散射信号对学习模型进行训练,以获得训练的学习模型。
可以通过扫描多样化的复杂模体,利用步骤S102中获得的在各投影方向上的真实散射信号值(例如,二维数组)作为学习模型训练中的真实值(信号1)。同时,利用步骤S101中获得的模体在各投影方向上的投影数据作为信号2,例如,通过例如大准直器宽度下采集的信号,可以得到在各投影方向上的模体的吸收系数的二维分布(信号2)。基于信号1和信号2对学习模型进行训练,可以获得训练的学习模型以预测检查对象(例如,人的身体的某一个或某些部位)的X射线的投影数据的散射信号。
此外,在步骤S103中,可以基于物理模型对每个模体的第二投影数据进行预计算处理,以获得每个模体的计算的散射信号,以及将每个模体的计算的散射信号和每个模体的真实散射信号作为训练数据对对学习模型进行训练。
例如计算的散射信号可以是二维数组,并且该二维数据可以作为学习模型的输入,而同样作为二维数组的信号1作为学习模型的输出,来对学习模型进行配对训练。此外,学习模型的学习算法没有特别要求,例如但并不限于深度学习,诸如卷积神经网络的神经网络学习,机器学习等。网络的选取也无特别要求。
作为示例,每个模体的第一投影数据和每个模体的第二投影数据均是自每个模体采集的吸收系数的分布,换言之,在本申请中,所采集的投影空间中的数据是透射的X射线,并且每个X射线可以以一定的空间相关的吸收系数分布来表示。
物理模型可以是δ=γ·T0·exp(-κ·T),其中,δ是计算的散射信号,T是整个X射线扫描路径上的总吸收系数,T0为每个模体的吸收系数,κ和γ为模型拟合参数。
如图5A所示,信号1表示在步骤S102所得的真实散射信号,信号2表示被扫描模体在某个投影下的归一化的吸收系数(即,对应于第二投影数据)的二维分布(为了简化以及更清楚起见,仅仅示出了吸收系数的某个一维方向上的分布),其中,可以使用信号1和2对学习模型进行训练。如图5A所示,信号3表示训练好的学习模型应用于信号2所给出的需要修正的散射信号,由此可以看出,经过训练的学习模型对信号2给出的需要修正的散射信号与真实散射信号基本上一致。
此外,如图5B所示,可以使用对信号2经过上述物理模型处理所产生的计算的散射信号(即,如图5B所示的信号2')和信号1作为训练数据对对学习模型进行训练,以简化计算复杂度。
步骤S104,将训练的学习模型应用于针对检查对象的X射线的投影数据以预测X射线的投影数据中的散射信号。具体地,将检查对象的X射线的投影数据输入到学习模型中以生成投影空间中X射线的散射信号预测。
在根据本申请的上述方法中,可以针对不同类型的各种复杂的模体(具有不同围长、身高的模体等)来在多个不同的条件下采集有散射的投影数据和无散射的投影数据,以便提供用于训练学习模型的足够丰富的训练数据,从而使得本申请的方法能够适用于各种系统,即系统无关的,并且能够适用于各种条件下的散射预测。
本申请的上述散射校正方法也可以结合诸如防散射栅格的散射减轻技术来使用。
对应于图1示出的方法,图2是示出了根据本申请实施方式的用于预测针对检查对象的X射线的散射信号的装置,该装置2包括:第一获取模块20,用于以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据S1;第二获取模块21,以使多个模体中的每个模体的散射程度等于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据S2;减算模块22,通过用每个模体的第二投影数据S2减去每个模体的第一投影数据S1来获得每个模体的真实散射信号Sr;训练模块23,基于每个模体的第二投影数据S2和每个模体的真实散射信号Sr对学习模型进行训练,以获得训练的学习模型;以及预测模块24,将训练的学习模型应用于针对检查对象的X射线的投影数据以预测X射线的投影数据中的散射信号。
优选地,在将每个模体的第二投影数据S2提供给训练模块23之前,可以通过预处理模块(未示出)利用物理模型对第二投影数据S2进行预处理,物理模型可以是δ=γ·T0·exp(-κ·T),其中,δ是计算的散射信号,T是整个X射线扫描路径上的总吸收系数,T0为每个模体的吸收系数,κ和γ为模型拟合参数。然后,预处理模块将经过物理模型处理得到的计算的散射信号提供给训练模块23,从而使得训练模块23使用模体的真实散射信号和模体的计算的散射信号作为训练数据输入输出对来对学习模型进行训练。
此外,可以理解到,第一获取模块21可以执行对应于上述参照图1描述的步骤S100的操作,第二获取模块22可以执行对应于上述参照图1描述的步骤S101的操作,减算模块23可以执行对应于上述参照图1描述的步骤S102的操作,训练模块23可以执行对应于上述参照图1描述的步骤S103的操作,预测模块24可以指定对应于上述参照图1描述的步骤S104的操作。
图3是示出了根据本申请的实施方式的提供了用于校正针对检查对象的X射线的散射束的方法,在该方法中,步骤S100至S104与图1的步骤S100至S104执行相同的操作,在此不再赘述,除此之外,该方法还包括:步骤S105,使用预测的散射信号来校正针对检查对象的X射线的投影数据以生成散射校正的投影数据,在该步骤中,可以从针对检查对象(例如,临床实践中的人的身体的某个部位,例如头部、肺部等)的X射线的投影数据中减去预测的散射信号来生成散射校正的投影数据。
图4是示出了根据本申请的实施方式的提供了用于重建检查对象的X射线的图像的方法,在该方法中,步骤S100至S104与图1的步骤S100至S104执行相同的操作,步骤S105与图3的步骤S105执行相同的操作,在此不再赘述,除此之外,该方法还包括:步骤S106,重建散射校正的投影数据以生成经过散射校正的重建的X射线图像。
此外,虽然本申请所涉及的散射预测和校正是应用于一定投影方向上的原始数据,但通过将本申请的基于图4所给出的方法构建的图像与应用目前CT系统所使用的已经临床验证的算法所得到的图像进行了对比,在图像层面验证由散射辐射引起的衰减漂移可以由本申请提出的预测方法很好地预测以及在去除散射信号之后,可以获得适当的图像质量。其中图6A至图6E分别从简单模体(水模)、复杂模体(体模)及真实临床图像(头部扫描)对本申请的方法进行了验证。图6A示出了简单水模图像,图6B示出了头部拟人模体图像,图6C示出了肺部拟人模体图像,图6D示出了临床头部(真人)的脑窗扫描图像,以及图6E示出了临床头部(真人)的骨窗扫描图像,其中,各个图的左图为使用本申请的基于深度学习的卷积神经网络辅助散射修正算法所得,右图为使用现有散射修正算法所得。
从各个图可以看出,应用本申请提出的算法所得到的图像与应用目前CT系统所使用的已经临床验证的算法所得到的图像有非常接近的图像质量,两种方法所得到的图像均是基于相同的原始投影数据。在图6A示出的简单水模图像的情况下,从图6A的左右图对比可以看出,两种方法得到的图像的水值准确度及均一性无差异。在图6B示出的头部拟人模体图像的情况下,从图6B的左右图对比可以看出,两种方法得到的图像的对比度、低对比度分辨率、组织形态结构、分辨率、噪声水平无可见差异。在图6C示出的肺部拟人模体图像的情况下,从图6C的左右图对比可以看出,两种方法得到的图像的高对比度分辨率,组织形态结构无可见差异,通过本申请的方法重建的图像中无可见额外伪影。在图6D示出的临床头部(真人)的脑窗扫描图像的情况下,从图6D的左右图对比可以看出,两种方法得到的图像的对比度(灰白质对比)、低对比度分辨率、噪声水平、组织形态结构无明显差异,并且通过本申请的方法重建的图像中也无可见伪影。在图6E示出的临床头部(真人)的骨窗扫描图像的情况下,从图6E的左右图对比可以看出,两种方法得到的图像的高对比度分辨率无差异(内耳处),图像形态细节一致,并且通过本申请的方法重建的图像中无可见伪影。
通过上述图像层面的验证可以看出,通过本申请的方式重建的X射线图像与应用目前CT系统所使用的已经临床验证的算法所得到的图像的质量接近,例如,图像对比度,低对比度分辨率,组织形态结构,分辨率,噪声水平没有可见差异,而且无可见伪影,但是相比于现有的算法,本申请的方法能够简化计算复杂性,并且也并依赖于系统属性的模拟以及来自在不同扫描条件下扫描代表性模体的指定散射信号测量,因此,本申请的方法具有更好的鲁棒性。
此外,本申请的上述方法可以以程序的方式来实现,其中程序可以存储在存储介质中,计算机可以从存储介质中读取程序,并且执行该程序从而实现上述方法。
本申请所提出的技术至少具有以下技术效果:
一、本文提出了一种新颖的数据训练,即,学习模型的输入数据和输出数据都是从实际系统测量中获得的。作为比较,大多数当前研究基于模拟数据来训练学习模型。
二、本申请中可以不完全使用学习方法或卷积神经网络CNN作为“黑盒”用于整个散射校正,例如,在本申请的技术中,可以在数据预处理过程,通过物理模型计算理论散射辐射,从而使得诸如CNN的学习模型仅用于学习所产生的散射辐射的分布。
三、本申请所提出的技术不是单独系统相关的。经训练的模型适用于具有相同模式类型或配置的所有系统,因此在制造期间不需要调整。
四、本申请的技术纯粹是基于原始投影数据,在数据处理过程中不需要扫描对象的图像,所以其对当前数据处理流水线的结构没有影响,并且所有其他校准或校正步骤保持原样。
五、本申请的技术提出了使用学习方法来进行散射校正的框架,它不限制使用哪种学习技术。具有不同类型网络的机器学习和深度学习都可用于本文中提出的框架中。
显然,上述所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所采用的所有其他实施例,都应当属于本申请保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、工作、器件、组件和/或它们的组合。
需要说明的是,本申请的说明书和权利要求书及所附附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施方式能够以除了在这里图示或描述的那些以外的顺序实施。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (13)
1.用于预测针对检查对象的X射线的散射信号的方法,其特征在于,所述方法包括:
以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据;
以使多个模体中的每个模体的散射程度等于所述基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据;
通过用每个模体的所述第二投影数据减去每个模体的所述第一投影数据来获得每个模体的真实散射信号;
基于每个模体的所述第二投影数据和每个模体的所述真实散射信号对学习模型进行训练,以获得训练的学习模型;以及
将所述训练的学习模型应用于针对检查对象的X射线的投影数据以预测所述X射线的投影数据中的散射信号。
2.根据权利要求1所述的方法,其特征在于,基于每个模体的第二投影数据和每个模体的真实散射信号对学习模型进行训练,以获得训练的学习模型包括:
基于物理模型对每个模体的所述第二投影数据进行预计算处理,以获得每个模体的计算的散射信号;以及
将每个模体的所述计算的散射信号和每个模体的所述真实散射信号作为训练数据对对所述学习模型进行训练。
3.根据权利要求2所述的方法,其特征在于,将每个模体的所述计算的散射信号作为所述学习模型的输入训练数据并将每个模体的所述真实散射信号作为所述学习模型的输出训练数据对所述学习模型进行训练。
4.根据权利要求2所述的方法,其特征在于,以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据包括:
在多个不同的扫描条件下对所述多个模体中的每个模体以小于基准扫描宽度的第一宽度进行分段扫描,以在每个扫描条件下采集每个模体的具有所述第一宽度的各个第一段的投影数据,其中,所述基准扫描宽度是临床标准扫描时所采用的宽度;以及
通过将在每个扫描条件下采集的每个模体的各个第一段的投影数据相连接来获取在每个扫描条件下每个模体的所述第一投影数据。
5.根据权利要求4所述的方法,其特征在于,以使多个模体中的每个模体的散射程度等于所述基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据包括:
在所述多个不同的扫描条件下对所述多个模体中的每个模体以所述基准扫描宽度进行扫描,以在每个扫描条件下采集每个模体的所述第二投影数据。
6.根据权利要求5所述的方法,其特征在于,每个模体的所述第一投影数据和每个模体的所述第二投影数据均是自每个模体采集的吸收系数的分布。
7.根据权利要求2或6所述的方法,其特征在于,所述物理模型是δ=γ·TQ·exp(-κ·T),其中,δ是所述计算的散射信号,T是整个X射线扫描路径上的总吸收系数,T0为每个模体的吸收系数,κ和γ为模型拟合参数。
8.根据权利要求1所述的方法,其特征在于,所述学习模型包括具有不同网络类型的机器学习和深度学习。
9.根据权利要求4或5所述的方法,其特征在于,所述多个不同的扫描条件包括以下中的至少一种:不同的模体衰减结构、不同的模体位置和不同的扫描功率。
10.用于预测针对检查对象的X射线的散射信号的装置,其特征在于,所述装置包括:
第一获取模块,以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据;
第二获取模块,以使多个模体中的每个模体的散射程度等于所述基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据;
减算模块,通过用每个模体的所述第二投影数据减去每个模体的所述第一投影数据来获得每个模体的真实散射信号;
训练模块,基于每个模体的所述第二投影数据和每个模体的所述真实散射信号对学习模型进行训练,以获得训练的学习模型;以及
预测模块,将所述训练的学习模型应用于针对检查对象的X射线的投影数据以预测所述X射线的投影数据中的散射信号。
11.用于校正针对检查对象的X射线的散射束的方法,其特征在于,所述方法包括:
以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据;
以使多个模体中的每个模体的散射程度等于所述基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据;
通过用每个模体的所述第二投影数据减去每个模体的所述第一投影数据来获得每个模体的真实散射信号;
基于每个模体的所述第二投影数据和每个模体的所述真实散射信号对学习模型进行训练,以获得训练的学习模型;
将所述训练的学习模型应用于针对检查对象的X射线的投影数据以预测所述X射线的投影数据中的散射信号;以及
使用预测的所述散射信号来校正针对所述检查对象的所述X射线的投影数据以生成散射校正后的投影数据。
12.用于重建检查对象的X射线的图像的方法,其特征在于,所述方法包括:
以使多个模体中的每个模体的散射程度小于基准散射程度的扫描方式扫描每个模体,来获取每个模体的第一投影数据;
以使多个模体中的每个模体的散射程度等于所述基准散射程度的扫描方式扫描每个模体,来获取每个模体的第二投影数据;
通过用每个模体的所述第二投影数据减去每个模体的所述第一投影数据来获得每个模体的真实散射信号;
基于每个模体的所述第二投影数据和每个模体的所述真实散射信号对学习模型进行训练,以获得训练的学习模型;
将所述训练的学习模型应用于针对检查对象的X射线的投影数据以预测所述X射线的投影数据中的散射信号;
使用预测的所述散射信号来校正针对所述检查对象的所述X射线的投影数据以生成散射校正后的投影数据,并且
重建所述散射校正后的投影数据以生成经过散射校正的重建的计算机断层摄影图像。
13.一种计算机存储介质,存储有程序,所述程序在被执行时使计算机执行根据权利要求1至9、11和12中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110542.4A CN114820833A (zh) | 2021-01-27 | 2021-01-27 | 预测x射线的散射信号的方法、装置及校正散射束的方法 |
PCT/CN2021/118560 WO2022160735A1 (en) | 2021-01-27 | 2021-09-15 | Method and apparatus for predicting scattered signal of x-ray, and method for correcting scattered beam |
EP21798265.1A EP4268192A1 (en) | 2021-01-27 | 2021-09-15 | Method and apparatus for predicting scattered signal of x-ray, and method for correcting scattered beam |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110110542.4A CN114820833A (zh) | 2021-01-27 | 2021-01-27 | 预测x射线的散射信号的方法、装置及校正散射束的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114820833A true CN114820833A (zh) | 2022-07-29 |
Family
ID=78371707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110110542.4A Pending CN114820833A (zh) | 2021-01-27 | 2021-01-27 | 预测x射线的散射信号的方法、装置及校正散射束的方法 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4268192A1 (zh) |
CN (1) | CN114820833A (zh) |
WO (1) | WO2022160735A1 (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8705827B2 (en) * | 2011-04-15 | 2014-04-22 | Georgia Tech Research Corporation | Scatter correction methods |
EP3886703B1 (en) * | 2018-11-30 | 2023-12-20 | Accuray, Inc. | Method and apparatus for improving scatter estimation and correction in imaging |
US10937206B2 (en) * | 2019-01-18 | 2021-03-02 | Canon Medical Systems Corporation | Deep-learning-based scatter estimation and correction for X-ray projection data and computer tomography (CT) |
-
2021
- 2021-01-27 CN CN202110110542.4A patent/CN114820833A/zh active Pending
- 2021-09-15 WO PCT/CN2021/118560 patent/WO2022160735A1/en unknown
- 2021-09-15 EP EP21798265.1A patent/EP4268192A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4268192A1 (en) | 2023-11-01 |
WO2022160735A1 (en) | 2022-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330949B (zh) | 一种伪影校正方法及系统 | |
KR102260802B1 (ko) | 단층촬영 재구성에서 사용하기 위한 데이터의 딥러닝 기반 추정 | |
JP6071144B2 (ja) | 放射線画像解析装置および方法並びにプログラム | |
KR102020221B1 (ko) | 치과용 콘-빔 ct의 산란선 보정방법 및 보정장치 | |
US5774521A (en) | Regularization technique for densitometric correction | |
US10282872B2 (en) | Noise reduction in tomograms | |
CN110298447B (zh) | 用于处理机器学习方法的参数的方法以及重建方法 | |
JP6446361B2 (ja) | X線ct装置および補正処理装置 | |
US9592021B2 (en) | X-ray CT device, and method | |
CN110636796B (zh) | X射线暗场成像中的射束硬化校正 | |
US10194884B2 (en) | Reducing image artifacts | |
US11565133B2 (en) | System and method to compute a pixel sensitivity map of an imaging device | |
JP2009201840A (ja) | X線ct装置およびプログラム | |
CN110458913B (zh) | 一种多阈值分割ct图像校正图像重建中骨硬化伪影的方法 | |
JP6301439B2 (ja) | 放射線画像解析装置および方法並びにプログラム | |
US8938104B2 (en) | Systems and methods for adaptive filtering | |
CN115205406A (zh) | 用于利用深度学习网络来校正计算机断层摄影检测器中的不良像素的系统和方法 | |
Trapp et al. | Empirical scatter correction: CBCT scatter artifact reduction without prior information | |
JP2006026412A (ja) | 投影データから断層画像を再構成するための装置の検出器信号の補正方法 | |
CN114820833A (zh) | 预测x射线的散射信号的方法、装置及校正散射束的方法 | |
CN115797485A (zh) | 图像去伪影方法、系统、电子设备及存储介质 | |
JP7314228B2 (ja) | コンピュータ断層撮影撮像のための散乱補正 | |
DE102012205225A1 (de) | Computertomographiesystem und verfahren zur datenermittelung für eine störeinfluss-korrigierte computertomographieaufnahme eines untersuchungsobjekts | |
Wang et al. | Scatter distribution estimated and corrected by using convolutional neural network for multi-slice CT system | |
US20240041419A1 (en) | Adaptive dual-energy x-ray imaging using pre-calibrated weighting factors |
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 |