CN116807502B - 用于校正计算机断层扫描设备的扫描数据的方法及装置 - Google Patents

Abstract

本公开的实施例提供一种用于校正计算机断层扫描设备的扫描数据的方法和装置。该方法包括：获得第一扫描数据，第一扫描数据由计算机断层扫描设备在第一扫描场景下针对目标区域进行扫描而生成，在第一扫描场景下在目标区域内不存在物体；获得第二扫描数据，第二扫描数据由计算机断层扫描设备在第二扫描场景下针对目标区域进行扫描而生成，在第二扫描场景下在目标区域内存在物体；确定在第二扫描场景下多个探测器像素单元的状态，每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域；根据第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据；以及使用空气数据来校正第二扫描数据。

Description

用于校正计算机断层扫描设备的扫描数据的方法及装置

技术领域

本公开的实施例涉及计算机断层扫描技术领域，具体地，涉及用于校正计算机断层扫描设备的扫描数据的方法及装置。

背景技术

计算机断层扫描(Computed Tomography，简称CT)常用于现代医学技术。计算机断层扫描(CT)系统可以包括X射线管和探测器阵列。X射线管发射的X射线由探测器阵列接收。如果X射线管发射的X射线穿过物体被探测器阵列接收，则探测器阵列接收的X射线可能被衰减。探测器阵列可以将接收的X射线转换为电信号。电信号被用于重建出断层面的影像。断层面的影像通常被称为CT图像。

发明内容

本文中描述的实施例提供了一种用于校正计算机断层扫描设备的扫描数据的方法及装置以及存储有计算机程序的计算机可读存储介质。

根据本公开的第一方面，提供了一种用于校正计算机断层扫描设备的扫描数据的方法。该方法包括：获得第一扫描数据，第一扫描数据由计算机断层扫描设备在第一扫描场景下针对目标区域进行扫描而生成，在第一扫描场景下在目标区域内不存在物体；获得第二扫描数据，第二扫描数据由计算机断层扫描设备在第二扫描场景下针对目标区域进行扫描而生成，在第二扫描场景下在目标区域内存在物体；确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态，多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域；根据第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据；以及使用空气数据来校正第二扫描数据。

在本公开的一些实施例中，根据第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据包括：计算第二扫描场景下的背底信号，背底信号是计算机断层扫描设备的X射线在物体上发生散射所导致的；用第二扫描数据与背底信号之差来更新第二扫描数据；以及根据第一扫描数据、更新后的第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据。

在本公开的一些实施例中，通过下式来计算第二扫描场景下的背底信号：

C＝a₀+a₁S+a₂S²+a₃S³，

其中，C表示背底信号中的任一像素值， 表示第二扫描数据中的第j像素值，a0，a1，a2，a3为常数。

在本公开的一些实施例中，通过下式来预测第二扫描场景下的空气数据：

其中，表示空气数据中位于遮挡区域之内的第j像素值，/>表示空气数据中位于遮挡区域之外的第k像素值，N表示位于遮挡区域之外的像素的总数，/>表示第一扫描数据中位于遮挡区域之外的第k像素值，/>表示第二扫描数据中位于遮挡区域之外的第k像素值，A_jk，B_jk，C_jk，D_jk分别为常数。

在本公开的一些实施例中，根据第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据包括：将第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态融合成m×n×3的张量；以及使用经过预训练的卷积神经网络来根据张量生成空气数据。其中，多个探测器像素单元的数量为m×n，第一扫描数据、第二扫描数据、多个探测器像素单元的状态、以及空气数据被分别表示成m×n的矩阵。其中m和n为正整数。

在本公开的一些实施例中，通过下式来计算多个探测器像素单元的状态：

其中，b_j表示多个探测器像素单元中的第j探测器像素单元的状态，b_j为0表示第j探测器像素单元未被遮挡，b_j为1表示第j探测器像素单元被遮挡，表示第二扫描数据中的第j像素值，θ表示预设阈值。

在本公开的一些实施例中，确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态包括：使用经预训练的卷积神经网络来根据第二扫描数据生成指示多个探测器像素单元的状态的状态矩阵。其中，状态矩阵中的第一元素表示相对应的探测器像素单元未被遮挡。状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。

在本公开的一些实施例中，使用空气数据来校正第二扫描数据包括：将第二扫描数据除以空气数据。

在本公开的一些实施例中，使用空气数据来校正第二扫描数据包括：将第二扫描数据的对数值减去空气数据的对数值。

根据本公开的第二方面，提供了一种用于校正计算机断层扫描设备的扫描数据的装置。该装置包括至少一个处理器；以及存储有计算机程序的至少一个存储器。当计算机程序由至少一个处理器执行时，使得装置：获得第一扫描数据，第一扫描数据由计算机断层扫描设备在第一扫描场景下针对目标区域进行扫描而生成，在第一扫描场景下在目标区域内不存在物体；获得第二扫描数据，第二扫描数据由计算机断层扫描设备在第二扫描场景下针对目标区域进行扫描而生成，在第二扫描场景下在目标区域内存在物体；确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态，多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域；根据第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据；以及使用空气数据来校正第二扫描数据。

在本公开的一些实施例中，计算机程序在由至少一个处理器执行时使得装置通过以下操作来根据第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据：计算第二扫描场景下的背底信号，背底信号是计算机断层扫描设备的X射线在物体上发生散射所导致的；用第二扫描数据与背底信号之差来更新第二扫描数据；以及根据第一扫描数据、更新后的第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据。

在本公开的一些实施例中，计算机程序在由至少一个处理器执行时使得装置通过以下操作来根据第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据：将第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态融合成m×n×3的张量；以及使用经过预训练的卷积神经网络来根据张量生成空气数据。其中，多个探测器像素单元的数量为m×n，第一扫描数据、第二扫描数据、多个探测器像素单元的状态、以及空气数据被分别表示成m×n的矩阵。其中m和n为正整数。

在本公开的一些实施例中，计算机程序在由至少一个处理器执行时使得装置通过以下操作来确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态：使用经预训练的卷积神经网络来根据第二扫描数据生成指示多个探测器像素单元的状态的状态矩阵。其中，状态矩阵中的第一元素表示相对应的探测器像素单元未被遮挡。状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。

在本公开的一些实施例中，计算机程序在由至少一个处理器执行时使得装置通过以下操作来使用空气数据来校正第二扫描数据：将第二扫描数据除以空气数据。

在本公开的一些实施例中，计算机程序在由至少一个处理器执行时使得装置通过以下操作来使用空气数据来校正第二扫描数据：将第二扫描数据的对数值减去空气数据的对数值。

根据本公开的第三方面，提供了一种存储有计算机程序的计算机可读存储介质，其中，计算机程序在由处理器执行时实现根据本公开的第一方面所述的方法的步骤。

附图说明

为了更清楚地说明本公开的实施例的技术方案，下面将对实施例的附图进行简要说明，应当知道，以下描述的附图仅仅涉及本公开的一些实施例，而非对本公开的限制，其中：

图1是根据本公开的实施例的用于校正计算机断层扫描设备的扫描数据的方法的示例性流程图；以及

图2是根据本公开的实施例的用于校正计算机断层扫描设备的扫描数据的装置的示意性框图。

需要注意的是，附图中的元素是示意性的，没有按比例绘制。

具体实施方式

为了使本公开的实施例的目的、技术方案和优点更加清楚，下面将结合附图，对本公开的实施例的技术方案进行清楚、完整的描述。显然，所描述的实施例是本公开的一部分实施例，而不是全部的实施例。基于所描述的本公开的实施例，本领域技术人员在无需创造性劳动的前提下所获得的所有其它实施例，也都属于本公开保护的范围。

除非另外定义，否则在此使用的所有术语(包括技术和科学术语)具有与本公开主题所属领域的技术人员所通常理解的相同含义。进一步将理解的是，诸如在通常使用的词典中定义的那些的术语应解释为具有与说明书上下文和相关技术中它们的含义一致的含义，并且将不以理想化或过于正式的形式来解释，除非在此另外明确定义。如在此所使用的，将两个或更多部分“连接”或“耦接”到一起的陈述应指这些部分直接结合到一起或通过一个或多个中间部件结合。另外，诸如“第一”和“第二”的术语仅用于将一个部件(或部件的一部分)与另一个部件(或部件的另一部分)区分开。

为了保障CT图像质量，对CT设备的扫描数据需要做多种校正。空气校正是最常见的一种校正方式，可用来修正探测器阵列的各像素间增益的不一致性。

常用的空气校正方法可包括：预先清空扫描视野，进行各种扫描参数下的空气扫描，以及将扫描空气得到的扫描数据(在本文中可替换地称为“空气校正数据”)保存下来。在实际扫描场景下，得到被扫描物体的扫描数据后，用扫描空气得到的扫描数据来校正被扫描物体的扫描数据。

在实际应用中，各种扫描参数存在多种组合方式且曝光条件众多，因此单个扫描场景下需要的曝光次数很多，扫描时间也会比较长。因为探测器阵列所处环境的变化，这样得到的空气校正数据在一段时间后会失效。为了保证图像质量，就需要在每次失效前重新进行上述空气扫描。而曝光次数的增加会降低CT设备的寿命。

本公开的实施例提出了一种用于校正计算机断层扫描(CT)设备的扫描数据的方法。该方法在扫描实际物体时能够实时更新空气校正数据，从而降低空气扫描的频率和曝光次数。

图1示出根据本公开的实施例的用于校正计算机断层扫描设备的扫描数据的方法100的示例性流程图。

在该方法100中，在框S102处，获得第一扫描数据。第一扫描数据由计算机断层扫描设备在第一扫描场景下针对目标区域进行扫描而生成。在第一扫描场景下在目标区域内不存在物体。在第一扫描场景下的扫描相当于上述空气扫描。具体地，在第一扫描场景下可预先清空扫描视野。然后进行各种扫描参数下的空气扫描，以获得第一扫描数据。

在本公开的一些实施例中，探测器阵列中的多个探测器像素单元呈阵列布置。假设探测器阵列包括m×n个探测器像素单元，则第一扫描数据可以是m×n的矩阵。该矩阵中的每一个元素对应一个探测器像素单元所采集的像素值。换句话说，该矩阵中的m×n个元素与m×n个探测器像素单元一一对应。其中m和n为正整数。

在框S104处，获得第二扫描数据。第二扫描数据由计算机断层扫描设备在第二扫描场景下针对目标区域进行扫描而生成。在第二扫描场景下在目标区域内存在物体(在上下文中可替换地称为“被扫描物体”)。此时探测器阵列中的一部分探测器像素单元被物体遮挡，另一部分探测器像素单元未被物体遮挡。

在探测器阵列包括m×n个探测器像素单元的情况下，第二扫描数据可以是m×n的矩阵。该矩阵中的每一个元素对应一个探测器像素单元所采集的像素值。换句话说，该矩阵中的m×n个元素与m×n个探测器像素单元一一对应。

在框S106处，确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态。多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域。

在本公开的一些实施例中，可用状态矩阵b来指示探测器像素单元的状态。

b＝M₁(θ；P¹) (1)

其中，M₁表示分类模型，θ是分类模型M₁的固定参数，P¹表示第二扫描数据。在探测器阵列包括m×n个探测器像素单元的情况下，状态矩阵b可以是m×n的矩阵。状态矩阵b中的第j元素b_j指示对应的一个探测器像素单元(也可称为第j探测器像素单元)是否被遮挡(即，是否位于被物体遮挡的遮挡区域)。

在本公开的一些实施例中，分类模型M₁是一个阈值比较模型。可通过下式来计算多个探测器像素单元的状态：

其中，b_j表示多个探测器像素单元中的第j探测器像素单元的状态(即，状态矩阵b中的第j元素)，b_j为0表示第j探测器像素单元未被遮挡，b_j为1表示第j探测器像素单元被遮挡，表示第二扫描数据中的第j像素值，θ表示预设阈值。

在本公开的另一些实施例中，分类模型M₁由卷积神经网络(例如，深度残差网络(Deep residual network,简称ResNet)等)来实现。式(1)中的θ是卷积神经网络的权重参数。该卷积神经网络可经过有监督的训练。可针对预先采集的多个扫描数据(模体数据)手动标记被遮挡和未被遮挡的像素值(被遮挡和未被遮挡的探测器像素单元所采集的像素值)，然后用标记数据对网络进行训练得到卷积神经网络的权重参数θ。

可使用经预训练的卷积神经网络来根据第二扫描数据P¹生成指示多个探测器像素单元的状态的状态矩阵b。可将第二扫描数据P¹以m×n的矩阵形式输入经预训练的卷积神经网络。通过该卷积神经网络中的一系列网络层处理后，卷积神经网络输出m×n的状态矩阵b。状态矩阵b中的第一元素表示相对应的探测器像素单元未被遮挡。状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。在一个示例中，第一元素为0，第二元素为1。在另一个示例中，第一元素为1，第二元素为0。

在框S108处，根据第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据。在本公开的一些实施例中，可用预测模型M₂来预测第二扫描场景下的空气数据

其中，p⁰表示第一扫描数据，P¹表示第二扫描数据，b表示状态矩阵，β表示预测模型m₂的固定参数。预测模型M₂可被配置为使用第二扫描数据P¹中未被遮挡的像素值和第一扫描场景下的空气数据(第一扫描数据P⁰)来预测第二扫描场景下的空气数据。

在本公开的一些实施例中，预测模型M₂是多项式模型。可通过下式来预测第二扫描场景下的空气数据：

其中，表示所预测的空气数据中位于遮挡区域之内的第j像素值(对应被遮挡的探测器像素单元)，/>表示所预测的空气数据中位于遮挡区域之外的第k像素值(对应未被遮挡的探测器像素单元)，N表示位于遮挡区域之外的像素的总数，/>表示第一扫描数据中位于遮挡区域之外的第k像素值(对应未被遮挡的探测器像素单元)，/>表示第二扫描数据中位于遮挡区域之外的第k像素值(对应未被遮挡的探测器像素单元)，A_jk，B_jk，C_jk，D_jk分别为常数。A_jk，B_jk，C_jk，D_jk可以是通过有监督的预训练获得的。A_jk，B_jk，C_jk，D_jk对应式(3)中的β。其中，像素值是否位于遮挡区域之内可根据状态矩阵b来确定。

在本公开的一些实施例中，预测模型M₂由卷积神经网络(例如，深度残差网络(Deep residual network,简称ResNet)等)来实现。式(3)中的β是卷积神经网络的权重参数。该卷积神经网络可经过有监督的训练。具体地，在探测器阵列包括m×n个探测器像素单元的情况下，第一扫描数据P⁰、第二扫描数据P¹、多个探测器像素单元的状态b、以及空气数据被分别表示成m×n的矩阵。其中m和n为正整数。可将第一扫描数据P⁰、第二扫描数据P¹、以及多个探测器像素单元的状态b融合成m×n×3的张量。然后，可将m×n×3的张量输入经预训练的卷积神经网络。通过该卷积神经网络中的一系列网络层处理后，卷积神经网络输出m×n的空气数据/>

本公开的发明人注意到在第二扫描场景中因为被扫描物体造成的散射，遮挡区域之外的扫描数据会比第二扫描场景下进行空气扫描时(即，如果第二扫描场景下不存在被扫描物体)大一些，因此这些像素值不能直接用于空气校正，需要在预测模型M₂中考虑X射线在物体上发生散射所导致的影响。散射会造成第二扫描场景下的背底信号。

在本公开的一些实施例中，在预测第二扫描场景下的空气数据之前，先计算第二扫描场景下的背底信号。可将背底信号当成一个在所有位置都相同的常数C，即，背底信号的每一个像素值都相等。在本公开的一些实施例中，可通过下式来计算第二扫描场景下的背底信号：

C＝a₀+a₁S+a₂S²+a₃S³ (5)

其中，C表示背底信号中的任一像素值， 表示第二扫描数据P¹中的第j像素值，a0，a1，a2，a3为常数。a0，a1，a2，a3可通过事先采集扫描数据(模体数据)的背底信号拟合得到。

然后，用第二扫描数据与背底信号之差来更新第二扫描数据。在预测第二扫描场景下的空气数据时，用更新后的第二扫描数据来替代在框S104处直接获得的第二扫描数据。也就是说，用更新后的第二扫描数据来替代式(3)和(4)中的P¹。这样，在第二扫描场景下遮挡区域之外的扫描数据在去除背底信号后与第一扫描场景下的第一扫描数据P⁰更接近是在相同扫描条件下获得的，从而使得对第二扫描场景下的空气数据的预测更加准确。

在框S110处，使用空气数据来校正第二扫描数据。在本公开的一些实施例中，可将第二扫描数据除以空气数据。第二扫描数据与空气数据的商作为校正后的第二扫描数据。在本公开的另一些实施例中，可将第二扫描数据的对数值减去空气数据的对数值。第二扫描数据的对数值与空气数据的对数值之差作为校正后的第二扫描数据的对数值。对第二扫描数据的对数值进行反对数计算即可获得校正后的第二扫描数据。

图2示出根据本公开的实施例的用于校正计算机断层扫描设备的装置200的示意性框图。如图2所示，该装置200可包括处理器210和存储有计算机程序的存储器220。当计算机程序由处理器210执行时，使得装置200可执行如图1所示的方法100的步骤。在一个示例中，装置200可以是计算机设备或云计算节点。装置200可获得第一扫描数据。第一扫描数据由计算机断层扫描设备在第一扫描场景下针对目标区域进行扫描而生成。在第一扫描场景下在目标区域内不存在物体。装置200可获得第二扫描数据。第二扫描数据由计算机断层扫描设备在第二扫描场景下针对目标区域进行扫描而生成。在第二扫描场景下在目标区域内存在物体。装置200可确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态。多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域。装置200可根据第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据。装置200可使用空气数据来校正第二扫描数据。

在本公开的一些实施例中，装置200可计算第二扫描场景下的背底信号。背底信号是计算机断层扫描设备的X射线在物体上发生散射所导致的。装置200可用第二扫描数据与背底信号之差来更新第二扫描数据。装置200可根据第一扫描数据、更新后的第二扫描数据、以及多个探测器像素单元的状态来预测第二扫描场景下的空气数据。

在本公开的一些实施例中，装置200可通过下式来计算第二扫描场景下的背底信号：

C＝a₀+a₁S+a₂S²+a₃S³，

其中，C表示背底信号中的任一像素值， 表示第二扫描数据中的第j像素值，a0，a1，a2，a3为常数。

在本公开的一些实施例中，装置200可通过下式来预测第二扫描场景下的空气数据：

其中，表示空气数据中位于遮挡区域之内的第j像素值，/>表示空气数据中位于遮挡区域之外的第k像素值，N表示位于遮挡区域之外的像素的总数，/>表示第一扫描数据中位于遮挡区域之外的第k像素值，/>表示第二扫描数据中位于遮挡区域之外的第k像素值，A_jk，B_jk，C_jk，D_jk分别为常数。

在本公开的一些实施例中，装置200可将第一扫描数据、第二扫描数据、以及多个探测器像素单元的状态融合成m×n×3的张量。装置200可使用经过预训练的卷积神经网络来根据张量生成空气数据。其中，多个探测器像素单元的数量为m×n，第一扫描数据、第二扫描数据、多个探测器像素单元的状态、以及空气数据被分别表示成m×n的矩阵。其中m和n为正整数。

在本公开的一些实施例中，装置200可通过下式来计算多个探测器像素单元的状态：

其中，b_j表示多个探测器像素单元中的第j探测器像素单元的状态，b_j为0表示第j探测器像素单元未被遮挡，b_j为1表示第j探测器像素单元被遮挡，表示第二扫描数据中的第j像素值，θ表示预设阈值。

在本公开的一些实施例中，装置200可使用经预训练的卷积神经网络来根据第二扫描数据生成指示多个探测器像素单元的状态的状态矩阵。其中，状态矩阵中的第一元素表示相对应的探测器像素单元未被遮挡。状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。

在本公开的一些实施例中，装置200可将第二扫描数据除以空气数据。

在本公开的一些实施例中，装置200可将第二扫描数据的对数值减去空气数据的对数值。

在本公开的实施例中，处理器210可以是例如中央处理单元(CPU)、微处理器、数字信号处理器(DSP)、基于多核的处理器架构的处理器等。存储器220可以是使用数据存储技术实现的任何类型的存储器，包括但不限于随机存取存储器、只读存储器、基于半导体的存储器、闪存、磁盘存储器等。

此外，在本公开的实施例中，装置200也可包括输入设备230，用于输入扫描数据。另外，装置200还可包括输出设备240，用于输出校正后的第二扫描数据。

在本公开的其它实施例中，还提供了一种存储有计算机程序的计算机可读存储介质，其中，计算机程序在由处理器执行时能够实现如图1所示的方法的步骤。

综上所述，根据本公开的实施例的用于校正计算机断层扫描设备的方法和装置在每次实际扫描后所使用的空气校正数据都是利用该次实际扫描所获得的未遮挡像素值生成，因此空气校正更准确可靠，由此生成的CT图像质量更好。而且根据本公开的实施例的用于校正计算机断层扫描设备的方法和装置减少了单独进行空气校正扫描的次数，能够延长计算机断层扫描设备的使用寿命。

附图中的流程图和框图显示了根据本公开的多个实施例的装置和方法的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

除非上下文中另外明确地指出，否则在本文和所附权利要求中所使用的词语的单数形式包括复数，反之亦然。因而，当提及单数时，通常包括相应术语的复数。相似地，措辞“包含”和“包括”将解释为包含在内而不是独占性地。同样地，术语“包括”和“或”应当解释为包括在内的，除非本文中明确禁止这样的解释。在本文中使用术语“示例”之处，特别是当其位于一组术语之后时，所述“示例”仅仅是示例性的和阐述性的，且不应当被认为是独占性的或广泛性的。

适应性的进一步的方面和范围从本文中提供的描述变得明显。应当理解，本申请的各个方面可以单独或者与一个或多个其它方面组合实施。还应当理解，本文中的描述和特定实施例旨在仅说明的目的并不旨在限制本申请的范围。

以上对本公开的若干实施例进行了详细描述，但显然，本领域技术人员可以在不脱离本公开的精神和范围的情况下对本公开的实施例进行各种修改和变型。本公开的保护范围由所附的权利要求限定。

Claims (9)

1.一种用于校正计算机断层扫描设备的扫描数据的方法，其特征在于，所述方法包括：

获得第一扫描数据，所述第一扫描数据由所述计算机断层扫描设备在第一扫描场景下针对目标区域进行扫描而生成，在所述第一扫描场景下在所述目标区域内不存在物体；

获得第二扫描数据，所述第二扫描数据由所述计算机断层扫描设备在第二扫描场景下针对所述目标区域进行扫描而生成，在所述第二扫描场景下在所述目标区域内存在物体；

确定在所述第二扫描场景下所述计算机断层扫描设备中的多个探测器像素单元的状态，所述多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被所述物体遮挡的遮挡区域；

根据所述第一扫描数据、所述第二扫描数据、以及所述多个探测器像素单元的状态来预测所述第二扫描场景下的空气数据；以及

使用所述空气数据来校正所述第二扫描数据；

其中，通过下式来预测所述第二扫描场景下的空气数据：

其中，表示所述空气数据中位于所述遮挡区域之内的第j像素值，/>表示所述空气数据中位于所述遮挡区域之外的第k像素值，N表示位于所述遮挡区域之外的像素的总数，/>表示所述第一扫描数据中位于所述遮挡区域之外的第k像素值，/>表示所述第二扫描数据中位于所述遮挡区域之外的第k像素值，A_jk，B_jk，C_jk，D_jk分别为常数。

2.根据权利要求1所述的方法，其特征在于，根据所述第一扫描数据、所述第二扫描数据、以及所述多个探测器像素单元的状态来预测所述第二扫描场景下的空气数据包括：

计算所述第二扫描场景下的背底信号，所述背底信号是所述计算机断层扫描设备的X射线在所述物体上发生散射所导致的；

用所述第二扫描数据与所述背底信号之差来更新所述第二扫描数据；以及

根据所述第一扫描数据、更新后的第二扫描数据、以及所述多个探测器像素单元的状态来预测所述第二扫描场景下的空气数据。

3.根据权利要求2所述的方法，其特征在于，通过下式来计算所述第二扫描场景下的所述背底信号：

C＝a₀+a₁S+a₂S²+a₃S³，

其中，C表示所述背底信号中的任一像素值， 表示所述第二扫描数据中的第j像素值，a0，a1，a2，a3为常数。

4.根据权利要求1至3中任一项所述的方法，其特征在于，根据所述第一扫描数据、所述第二扫描数据、以及所述多个探测器像素单元的状态来预测所述第二扫描场景下的空气数据包括：

将所述第一扫描数据、所述第二扫描数据、以及所述多个探测器像素单元的状态融合成m×n×3的张量；以及

使用经过预训练的卷积神经网络来根据所述张量生成所述空气数据；

其中，所述多个探测器像素单元的数量为m×n，所述第一扫描数据、所述第二扫描数据、所述多个探测器像素单元的状态、以及所述空气数据被分别表示成m×n的矩阵，其中m和n为正整数。

5.根据权利要求1至3中任一项所述的方法，其特征在于，通过下式来计算所述多个探测器像素单元的状态：

其中，b_j表示所述多个探测器像素单元中的第j探测器像素单元的状态，b_j为0表示所述第j探测器像素单元未被遮挡，b_j为1表示所述第j探测器像素单元被遮挡，表示所述第二扫描数据中的第j像素值，θ表示预设阈值。

6.根据权利要求1至3中任一项所述的方法，其特征在于，确定在所述第二扫描场景下所述计算机断层扫描设备中的多个探测器像素单元的状态包括：

使用经预训练的卷积神经网络来根据所述第二扫描数据生成指示所述多个探测器像素单元的状态的状态矩阵；

其中，所述状态矩阵中的第一元素表示相对应的探测器像素单元未被遮挡，所述状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。

7.根据权利要求1至3中任一项所述的方法，其特征在于，使用所述空气数据来校正所述第二扫描数据包括：

将所述第二扫描数据除以所述空气数据；或者

将所述第二扫描数据的对数值减去所述空气数据的对数值。

8.一种用于校正计算机断层扫描设备的扫描数据的装置，其特征在于，所述装置包括：

至少一个处理器；以及

存储有计算机程序的至少一个存储器；

其中，当所述计算机程序由所述至少一个处理器执行时，使得所述装置执行根据权利要求1至7中任一项所述的方法的步骤。

9.一种存储有计算机程序的计算机可读存储介质，其特征在于，所述计算机程序在由处理器执行时实现根据权利要求1至7中任一项所述的方法的步骤。