CN116228900A - 一种基于深度学习的压缩能谱x射线ct图像重建方法 - Google Patents
一种基于深度学习的压缩能谱x射线ct图像重建方法 Download PDFInfo
- Publication number
- CN116228900A CN116228900A CN202211670091.0A CN202211670091A CN116228900A CN 116228900 A CN116228900 A CN 116228900A CN 202211670091 A CN202211670091 A CN 202211670091A CN 116228900 A CN116228900 A CN 116228900A
- Authority
- CN
- China
- Prior art keywords
- ray
- energy spectrum
- sinogram
- image reconstruction
- compressed energy
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 15
- 238000003384 imaging method Methods 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000000295 complement effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005510 radiation hardening Methods 0.000 description 1
- 238000002834 transmittance Methods 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic 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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种基于深度学习的压缩能谱X射线CT图像重建方法，所述的方法包括以下步骤：1)通过压缩能谱X射线成像系统扫描得到投影数据的降采样多能正弦图；2)采用改进的U‑Net网络结构补全降采样多能正弦图；3)采用迭代算法，将补全的多能正弦图转换为单能正弦图；4)采用滤波反投影算法重建得到初始的能谱CT图像；5)通过深度学习的卷积神经网络去除重建的能谱CT图像中的伪影。与现有技术相比，本发明具有CT图像重建速度快、CT图像重建质量高等优点。
Description
技术领域
本发明涉及一种CT图像重建方法，尤其是涉及一种基于深度学习的压缩能谱X射线CT图像重建方法。
背景技术
X射线能谱层成像技术能够重建组织器官的单能断层图像，因此相比传统CT在临床应用上具有更多优势，例如减少射线硬化伪影、分析器官的组分表征。常规获取能谱CT投影数据的方法包括快速管电压切换技术、双X射线源CT技术、以及光子计数探测。然后这些方法都导致曝光剂量增加、扫描时间变长，同时制造成本也较高，难以实际推广。最近一种称为压缩能谱X射线成像(Compressive Spectral X-ray Imaging,简写为CSXI)的方法被提出用于克服上述缺陷。它通过将由K-edge材料制作而成的编码孔径引入到常规CT中实现的。如图1(a)、图1(b)和图1(c)所示，K-edge编码材料的X射线能谱衰减系数存在跳变，因此所制成的编码孔径可用于对CT系统射线源的能谱进行调制。在利用CSXI系统对物体进行扫描时，经过编码的X射线束穿过物体达到探测器，此时，包含物体能谱衰减特性的数据被记录下来，可进一步通过重建算法恢复出能谱断层图像。但现有的压缩能谱X射线CT图像重建方法都是通过多次迭代逐渐逼近问题的最优解，这需要消耗大量的计算资源和时间，而且重建的图像质量不高，存在伪影。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的压缩能谱X射线CT图像重建方法。
本发明的目的可以通过以下技术方案来实现：
一种基于深度学习的压缩能谱X射线CT图像重建方法，所述的方法包括以下步骤：
1)通过压缩能谱X射线成像系统扫描得到投影数据的降采样多能正弦图；
2)采用改进的U-Net网络结构补全降采样多能正弦图；
3)采用迭代算法，将补全的多能正弦图转换为单能正弦图；
4)采用滤波反投影算法重建得到初始的能谱CT图像；
5)通过深度学习的卷积神经网络去除重建的能谱CT图像中的伪影。
进一步地，所述的步骤1)具体为：当一束X射线穿过物体，其强度衰减遵循Beer-Lambert定律，在压缩能谱X射线成像系统中，表示为：
其中，S(E)表示射线源的谱强度，D(E)表示探测器的谱响应函数，μ(x,E)是物体的线性衰减系数，
表示放置在射线源之前的K-edge滤波器f的能谱衰减函数；
根据如下公式得到：
其中，tf表示滤波器的厚度，μf(E)表示滤波器的线性衰减系数，表示投影角度；当采用F个K-edge滤波器进行滤波时，整个射线谱被分割为F+1个窄谱区间，记第k个区间窄谱正弦图
为∫Lμ(Ek,)dx，衰减比Amono(Ek)为exp(-y(Ek))，此时If表示为：
将公式两侧同时除以初始射线强度
可得多能衰减比
以及对应的多能正弦投图
他们分别表示为：
其中，Wf(Ek)＝S(Ek)f(Ek)D(Ek)是由K-edge滤波器所决定的系统加权函数。
进一步地，所述的改进的U-Net网络结构为采用具有空洞卷积的Inception模块替换常规卷积层的U-Net网络结构。
进一步地，所述的改进的U-Net网络结构包括重复应用卷积和下采样以压缩空间信息并增加文本信息的收缩路径，以及重复应用卷积和上采样以恢复空间分辨率的扩展路径。
进一步地，所述的改进的U-Net网络结构将收缩层的输出连接到扩展层，并添加帮助网络识别输入和输出之间差异的残差连接。
进一步地，所述的迭代算法的迭代方向由如下公式确定：
其中，
和
表示迭代参数，
表示补全后的多能正弦图，yi表示对应的单能正弦图。
进一步地，所述的卷积神经网络采用U-Net结构，每个卷积层之后插入SE模块自适应地重新校准通道特征响应；所述的SE模块中的权重w通过如下公式计算：
其中，w1和w2为两个可学习的参数，x为3D数据立方体，σ(·为sigmoid函数，其定义为：
进一步地，所述的卷积神经网络中的卷积核大小为3*3；所述的卷积神经网络每层依次为卷积单元、批正则单元和非线性激活单元。
一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上任一项所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上任一项所述的方法。
与现有技术相比，本发明具有以下有益效果：
一、本发明通过补全多能正弦图，然后转换为单能正弦图，然后使用滤波反投影算法重建得到能谱CT图像，计算速度快，计算效率高。
二、本发明采用深度学习的卷积神经网络，对重建的能谱CT图像进行处理，减少图像中的伪影，大大的提升重建的能谱CT图像的质量。
附图说明
图1中，图(a)为压缩能谱X射线成像系统中编码孔径所用的K-edge滤波器的能谱透过率，图(b)为压缩能谱X射线成像系统示意图，图(c)为得到的高度降采样的投影图；
图2为本发明的CT图像重建流程示意图；
图3为本发明的补全多能正弦图的改进的U-Net网络结构示意图；
图4为本发明的将多能正弦图转化为单能正弦图的神经网络架构示意图；
图5为本发明的去除伪影的卷积神经网络结构示意图；
图6为本发明的补全多能正弦图的补全结果；
图7为本发明的CT图像重建结果和现有方法的对比图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图2所示，一种基于深度学习的压缩能谱X射线CT图像重建方法，所述的方法包括以下步骤：
1)通过压缩能谱X射线成像系统扫描得到投影数据的降采样多能正弦图。
当一束X射线穿过物体，其强度衰减遵循Beer-Lambert定律，在压缩能谱X射线成像系统中，表示为：
其中，S(E)表示射线源的谱强度，D(E)表示探测器的谱响应函数，μ(x,E)是物体的线性衰减系数，
表示放置在射线源之前的K-edge滤波器f的能谱衰减函数；
根据如下公式得到：
其中，tf表示滤波器的厚度，μf(E)表示滤波器的线性衰减系数，表示投影角度；当采用F个K-edge滤波器进行滤波时，整个射线谱被分割为F+1个窄谱区间，记第k个区间窄谱正弦图
为∫Lμ(Ek,)dx，衰减比Amono(Ek)为exp(-y(Ek))，此时If表示为：
将公式两侧同时除以初始射线强度
可得多能衰减比
以及对应的多能正弦投图
他们分别表示为：
其中，Wf(Ek)＝S(Ek)f(Ek)D(Ek)是由K-edge滤波器所决定的系统加权函数。
如图3所示，压缩能谱X射线成像系统在一次扫描中得到全部投影测量数据以降低辐射剂量。然而，对于其中任意滤波f，他对应的衰减比和多能正弦图多是高度降采样的，因此需要根据压缩能谱X射线成像的逆投影流程对其进行处理。
2)采用改进的U-Net网络结构补全降采样多能正弦图。
如图3所示，改进的U-Net网络结构包括重复应用卷积和下采样以压缩空间信息并增加文本信息的收缩路径，以及重复应用卷积和上采样以恢复空间分辨率的扩展路径；此外，将收缩层的输出连接到扩展层以减少信息丢失，并添加帮助网络识别输入和输出之间差异的残差连接；为了在补全多能正弦图时捕获实际投影数据，本发明采用具有空洞卷积的Inception模块(一种深度学习模块)替换常规卷积层来改进U-Net，这是因为多能正弦图被高度降采样，以至于具有小内核大小的典型2D卷积不能始终捕获实际测量信息，而空洞卷积在卷积核中插入零值以扩大感受野而不增加参数，通过将不同扩张比的空洞卷积合并到Inception模块中，可以提取不同尺度的特征。如图6所示，可看出本发明的补全多能正弦图的方法降低了补全误差。
3)采用迭代算法，将补全的多能正弦图转换为单能正弦图。
如图4所示，将补全的多能正弦图转换为单能正弦图，采用了模型驱动的结构以利用压缩能谱X射线成像系统的先验信息；所述的迭代算法的迭代方向由如下公式确定：
其中，
和
表示迭代参数，
表示补全后的多能正弦图，yi表示对应的单能正弦图。由单能转换网络可以得到窄谱的投影正弦图。
4)采用滤波反投影算法重建得到初始的能谱CT图像。
5)通过深度学习的卷积神经网络去除重建的能谱CT图像中的伪影，提升重建图像质量。
如图5所示，所述的卷积神经网络采用U-Net结构，每个卷积层之后插入SE模块(挤压和激励模块)自适应地重新校准通道特征响应；所述的SE模块中的权重w通过如下公式计算：
其中，w1和w2为两个可学习的参数，x为3D数据立方体，σ(·为sigmoid函数，其定义为：
卷积神经网络中的卷积核大小为3*3；所述的卷积神经网络每层依次为卷积单元、批正则单元和非线性激活单元。由于物体对X射线的能谱衰减系数随着入射光子能量增大会逐渐减小，为此本发明采用X射线能谱衰减系数对其加权以平衡其在不同谱带的大小。
如图7所示，通过本发明重建得到的能谱CT图像和现有方法得到的能谱CT图像作对比，可以看出本发明重建的能谱CT图像具有更少的重建伪影，图像质量更高，更接近真实值。
本发明提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如上任一项所述的方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如上任一项所述的方法。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于深度学习的压缩能谱X射线CT图像重建方法，其特征在于，所述的方法包括以下步骤：
1)通过压缩能谱X射线成像系统扫描得到投影数据的降采样多能正弦图；
2)采用改进的U-Net网络结构补全降采样多能正弦图；
3)采用迭代算法，将补全的多能正弦图转换为单能正弦图；
4)采用滤波反投影算法重建得到初始的能谱CT图像；
5)通过深度学习的卷积神经网络去除重建的能谱CT图像中的伪影。
2.根据权利要求1所述的一种基于深度学习的压缩能谱X射线CT图像重建方法，其特征在于，所述的步骤1)具体为：当一束X射线穿过物体，其强度衰减遵循Beer-Lambert定律，在压缩能谱X射线成像系统中，表示为：
If＝∫ES(E)D(E)F(E)exp(-∫μ(x,r)dx)dE
其中，S(E)表示射线源的谱强度，D(E)表示探测器的谱响应函数，μ(x,E)是物体的线性衰减系数，
表示放置在射线源之前的K-edge滤波器f的能谱衰减函数；
根据如下公式得到：
其中，tf表示滤波器的厚度，μf(E)表示滤波器的线性衰减系数，表示投影角度；当采用F个K-edge滤波器进行滤波时，整个射线谱被分割为F+1个窄谱区间，记第k个区间窄谱正弦图
为∫Lμ(Ek,)dx，衰减比Amono(Ek)为exp(-y(Ek))，此时If表示为：
将公式两侧同时除以初始射线强度
可得多能衰减比
以及对应的多能正弦投图
他们分别表示为：
其中，Wf(Ek)＝S(Ek)f(Ek)D(Ek)是由K-edge滤波器所决定的系统加权函数。
3.根据权利要求1所述的一种基于深度学习的压缩能谱X射线CT图像重建方法，其特征在于，所述的改进的U-Net网络结构为采用具有空洞卷积的Inception模块替换常规卷积层的U-Net网络结构。
4.根据权利要求1所述的一种基于深度学习的压缩能谱X射线CT图像重建方法，其特征在于，所述的改进的U-Net网络结构包括重复应用卷积和下采样以压缩空间信息并增加文本信息的收缩路径，以及重复应用卷积和上采样以恢复空间分辨率的扩展路径。
5.根据权利要求1所述的一种基于深度学习的压缩能谱X射线CT图像重建方法，其特征在于，所述的改进的U-Net网络结构将收缩层的输出连接到扩展层，并添加帮助网络识别输入和输出之间差异的残差连接。
6.根据权利要求1所述的一种基于深度学习的压缩能谱X射线CT图像重建方法，其特征在于，所述的迭代算法的迭代方向由如下公式确定：
其中，
和
表示迭代参数，
表示补全后的多能正弦图，yi表示对应的单能正弦图。
7.根据权利要求1所述的一种基于深度学习的压缩能谱X射线CT图像重建方法，其特征在于，所述的卷积神经网络采用U-Net结构，每个卷积层之后插入SE模块自适应地重新校准通道特征响应；所述的SE模块中的权重w通过如下公式计算：
其中，w1和w2为两个可学习的参数，
为3D数据立方体，σ(·为sigmoid函数，其定义为：
8.根据权利要求7所述的一种基于深度学习的压缩能谱X射线CT图像重建方法，其特征在于，所述的卷积神经网络中的卷积核大小为3*3；所述的卷积神经网络每层依次为卷积单元、批正则单元和非线性激活单元。
9.一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～8中任一项所述的方法。
10.一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，所述程序被处理器执行时实现如权利要求1～8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211670091.0A CN116228900A (zh) | 2022-12-25 | 2022-12-25 | 一种基于深度学习的压缩能谱x射线ct图像重建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211670091.0A CN116228900A (zh) | 2022-12-25 | 2022-12-25 | 一种基于深度学习的压缩能谱x射线ct图像重建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116228900A true CN116228900A (zh) | 2023-06-06 |
Family
ID=86583357
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211670091.0A Pending CN116228900A (zh) | 2022-12-25 | 2022-12-25 | 一种基于深度学习的压缩能谱x射线ct图像重建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228900A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117456038A (zh) * | 2023-12-22 | 2024-01-26 | 合肥吉麦智能装备有限公司 | 一种基于低秩约束的能谱ct迭代展开重建系统 |
-
2022
- 2022-12-25 CN CN202211670091.0A patent/CN116228900A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117456038A (zh) * | 2023-12-22 | 2024-01-26 | 合肥吉麦智能装备有限公司 | 一种基于低秩约束的能谱ct迭代展开重建系统 |
| CN117456038B (zh) * | 2023-12-22 | 2024-03-22 | 合肥吉麦智能装备有限公司 | 一种基于低秩约束的能谱ct迭代展开重建系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11120582B2 (en) | Unified dual-domain network for medical image formation, recovery, and analysis | |
| Heinrich et al. | Residual U-net convolutional neural network architecture for low-dose CT denoising | |
| CN107481297B (zh) | 一种基于卷积神经网络的ct图像重建方法 | |
| Yang et al. | Low-dose CT denoising via sinogram inner-structure transformer | |
| CN109509235B (zh) | Ct图像的重建方法、装置、设备及存储介质 | |
| CN107958471B (zh) | 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 | |
| CN111968058B (zh) | 一种低剂量ct图像降噪方法 | |
| CN111429379B (zh) | 一种基于自监督学习的低剂量ct图像去噪方法及系统 | |
| CN112837244A (zh) | 用于低剂量ct图像降噪及去伪影的渐进式生成对抗网络 | |
| CN113516586A (zh) | 一种低剂量ct图像超分辨率去噪方法和装置 | |
| CN113870138A (zh) | 基于三维U-net的低剂量CT图像去噪方法及系统 | |
| CN112085809B (zh) | 神经网络的训练方法、消除金属伪影的方法及其装置 | |
| CN114283088A (zh) | 低剂量ct图像降噪方法及装置 | |
| CN116228900A (zh) | 一种基于深度学习的压缩能谱x射线ct图像重建方法 | |
| US20220164927A1 (en) | Method and system of statistical image restoration for low-dose ct image using deep learning | |
| Karimi et al. | Patch-based models and algorithms for image processing: a review of the basic principles and methods, and their application in computed tomography | |
| Li et al. | A comprehensive survey on deep learning techniques in CT image quality improvement | |
| CN112991220B (zh) | 一种基于多重约束的卷积神经网络校正图像伪影的方法 | |
| CN112767273B (zh) | 一种应用特征解耦的低剂量ct图像修复方法及系统 | |
| CN113436118A (zh) | 一种基于多尺度卷积编码网络的低剂量ct图像复原方法 | |
| Mehranian et al. | Sparsity constrained sinogram inpainting for metal artifact reduction in x-ray computed tomography | |
| CN116596785A (zh) | 基于纹理特征引导的纹理保持低剂量ct图像去噪 | |
| Guo et al. | Noise-resilient deep learning for integrated circuit tomography | |
| CN116152373A (zh) | 一种结合神经网络和卷积字典学习的低剂量ct图像重建方法 | |
| Zeyada et al. | Resolving Interferometric SAR Speckle Problem Using Adaptive GAN. |
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 |