CN117611750A - 三维成像模型的构建方法、装置、电子设备和存储介质 - Google Patents

三维成像模型的构建方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN117611750A
CN117611750A CN202311659954.9A CN202311659954A CN117611750A CN 117611750 A CN117611750 A CN 117611750A CN 202311659954 A CN202311659954 A CN 202311659954A CN 117611750 A CN117611750 A CN 117611750A
Authority
CN
China
Prior art keywords
attenuation coefficient
total attenuation
model
dimensional imaging
ray
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
Application number
CN202311659954.9A
Other languages
English (en)
Other versions
CN117611750B (zh
Inventor
请求不公布姓名
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sibo Hui Medical Technology Co ltd
Original Assignee
Beijing Sibo Hui Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Sibo Hui Medical Technology Co ltd filed Critical Beijing Sibo Hui Medical Technology Co ltd
Priority to CN202311659954.9A priority Critical patent/CN117611750B/zh
Publication of CN117611750A publication Critical patent/CN117611750A/zh
Application granted granted Critical
Publication of CN117611750B publication Critical patent/CN117611750B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G01N23/06—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 measuring the absorption
    • G01N23/083—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 measuring the absorption the radiation being X-rays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • General Engineering & Computer Science (AREA)
  • Pathology (AREA)
  • Chemical & Material Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Graphics (AREA)
  • Geometry (AREA)
  • Toxicology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请公开了一种三维成像模型的构建方法、装置、电子设备和存储介质，该方法和装置用于实现三维成像模型的构建，该构建方法具体为采集每个X射线源针对受检物体的每一检测点进行检测时得到的检测信号；基于预先规定的衰减系数和随机噪声数据对检测信号进行计算处理，得到对应每一检测点的每个X射线源的辐射通量的总衰减量和总衰减系数；构建训练样本集，训练样本集包括受检物体的形状参数，以及针对不同形状的受检物体所产生的总衰减量和/或总衰减系数；根据训练样本集进行模型训练，得到三维成像模型。从上可以看出，基于本方方案可以配置较少的X射线源即可使X射线扫描仪能够构建逼真的三维体积图像，从而降低了扫描仪的整体成本。

Description

三维成像模型的构建方法、装置、电子设备和存储介质
技术领域
本申请涉及X光设备技术领域，更具体地说，涉及一种三维成像模型的构建方法、装置、电子设备和存储介质。
背景技术
X射线扫描仪是一种能够对物体内部包括进行影像重建的设备，其包括多个X射线源和对应的探测器，当需要对物体进行影像重建时，可以利用探测仪收集X射线源所发出的并经过被测物体衰减后的额X摄像信号，并经过一定处理后得到物体的三维体积图像。传统上，为了构建逼真的三维体积图像，需要在X射线扫描仪上配置较多的X射线源，从而导致扫描仪的整体成本较高。
发明内容
有鉴于此，本申请提供一种三维成像模型的构建方法、装置、电子设备和存储介质，该方法和装置应用于X射线扫描仪，以降低X射线扫描仪的成本。
为了实现上述目的，现提出的方案如下：
一种三维成像模型的构建方法，应用于电子设备，用于基于预先搭建的X摄像扫描仪物理模型实现所述三维成像模型的构建，所述X射线扫描仪物理模型具有多个X射线源，所述构建方法包括步骤：
在所述X射线扫描仪物理模型针对其中的受检物体执行放射检测过程中，采集每个所述X射线源针对所述受检物体的每一检测点进行检测时得到的检测信号；
基于预先规定的衰减系数和随机噪声数据对所述检测信号进行计算处理，得到对应每一所述检测点的每个所述X射线源的辐射通量的总衰减量和总衰减系数；
构建训练样本集，所述训练样本集包括所述受检物体的形状参数，以及针对不同形状的受检物体所产生的所述总衰减量和/或所述总衰减系数；
根据所述训练样本集进行模型训练，得到所述三维成像模型。
可选的，所述基于预先规定的衰减系数对所述检测信号进行计算处理，得到对应每一所述检测点的每个所述X射线源的辐射通量的总衰减量和总衰减系数，包括步骤：
针对每个所述检测点随机生成一个衰减系数；
根据所述衰减系数对所述检测信号进行计算处理，得到所述总衰减量；
随机引入一个随机噪声数据；
根据所述随机噪声数据对所述检测信号进行计算处理，得到所述总衰减系数。
可选的，所述衰减系数通过对受检物体进行实际测量构建得到。
可选的，所述根据所述训练样本集进行模型训练，得到所述三维成像模型，包括步骤：
以所述衰减系数为目标，将所述总衰减量或所述总衰减系数输入到预先构建的神经网络模型中进行模型训练，得到所述三维成像模型。
一种三维成像模型的构建装置，应用于电子设备，用于基于预先搭建的X摄像扫描仪物理模型实现所述三维成像模型的构建，所述X射线扫描仪物理模型具有多个X射线源，所述构建装置包括：
信号采集模块，被配置为在所述X射线扫描仪物理模型针对其中的受检物体执行放射检测过程中，采集每个所述X射线源针对所述受检物体的每一检测点进行检测时得到的检测信号；
信号处理模块，被配置为基于预先规定的衰减系数和随机噪声数据对所述检测信号进行计算处理，得到对应每一所述检测点的每个所述X射线源的辐射通量的总衰减量和总衰减系数；
样本构建模块，被配置为构建训练样本集，所述训练样本集包括所述受检物体的形状参数，以及针对不同形状的受检物体所产生的所述总衰减量和/或所述总衰减系数；
训练执行模块，被配置为根据所述训练样本集进行模型训练，得到所述三维成像模型。
可选的，所述信号处理模块包括：
系数生成单元，被配置为针对每个所述检测点随机生成一个衰减系数；
第一计算单元，被配置为根据所述衰减系数对所述检测信号进行计算处理，得到所述总衰减量；
数据引入单元，被配置为随机引入一个随机噪声数据；
第二计算单元，被配置为根据所述随机噪声数据对所述检测信号进行计算处理，得到所述总衰减系数。
可选的，所述衰减系数通过对受检物体进行实际测量构建得到。
可选的，所述训练执行模块被配置为以所述衰减系数为目标，将所述总衰减量或所述总衰减系数输入到预先构建的神经网络模型中进行模型训练，得到所述三维成像模型。
一种电子设备，包括至少一个处理器和与所述处理器连接的存储器，其中：
所述存储器用于存储计算机程序或指令；
所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如上所述的三维成像模型的构建方法。
一种存储介质，应用于电子设备，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序能够被所述电子设备执行，以使所述电子设备实现如上所述的三维成像模型的构建方法。
从上述的技术方案可以看出，本申请公开了一种三维成像模型的构建方法、装置、电子设备和存储介质，该方法和装置用于基于预先搭建的X摄像扫描仪物理模型实现三维成像模型的构建，该构建方法具体为采集每个X射线源针对受检物体的每一检测点进行检测时得到的检测信号；基于预先规定的衰减系数和随机噪声数据对检测信号进行计算处理，得到对应每一检测点的每个X射线源的辐射通量的总衰减量和总衰减系数；构建训练样本集，训练样本集包括受检物体的形状参数，以及针对不同形状的受检物体所产生的总衰减量和/或总衰减系数；根据训练样本集进行模型训练，得到三维成像模型。从上可以看出，基于本方方案可以配置较少的X射线源即可使X射线扫描仪能够构建逼真的三维体积图像，从而降低了扫描仪的整体成本。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种X射线扫描仪物理模型的示意图；
图2为本申请实施例的一种探测器的示意图；
图3为本申请实施例的一种三维成像模型的构建方法的流程图；
图4为本申请实施例的一种扫描示意图；
图5为本申请实施例的一种三维成像模型的构建装置的框图；
图6为本申请实施例的一种电子设备的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请用于基于预先搭建的X射线扫描仪物理模型实现三维成像模型的构建，该物理模型为实体模型，具体如图1所示。其中，该物理模型包括X射线扫描仪100和检查床200，受检物体300放置于检查床上被送入或移出该扫描仪，且位于该扫描仪的扫描腔内。
该扫描仪包括多个X射线源101以及与每个X射线源对应的准直器102，在X射线源释放出X射线经准直器准直后照向受检物体，X射线经受检物体中相应检查点衰减后被下侧的探测器收集。探测器包括微型传感器1031组成的传感器阵列，如图2所示，其基于照相其的X射线产生相应的检测信号，该检测信号为电信号，可以为电流信号也可以为电压信号。基于该物理模型本申请采用下面的实施例实现该三维成像模型的构建。
实施例一
图3为本申请实施例的一种三维成像模型的构建方法的流程图。
如图3所示，本实施例提供的构建方法用于基于上述的X射线扫描仪模型构建三维成像模型，该构建方法应用于电子设备，该电子设备可以理解为具有数据计算和信息处理能力的计算机、服务器或嵌入式设备。该构建方法包括如下步骤：
S1、采集探测器输出的检测信号。
这里探测器输出的检测信号是指其在接收到X射线源所发出的X射线经过准直器准直后，并经过置于该扫描仪内的受检物体衰减后，被受检物体每一检测点衰减后的X射线投射到探测器上所产生的电信号。
假设该X射线扫描仪共具有5个X射线源，分别为S1、S2、S3、S4和S5，则其投向检测点Point x后所产生的5个检测信号，分别为P1、P2、P3、P4和P5，如图4所示。
S2、计算每个检测点对应辐射同理的总衰减量和总衰减系数。
即在得到每一检测点对应的多个检测信号后，基于相应的衰减系数和随机噪声数据对检测信号进行处理，得到每一检测点所透射的X射线的总辐射通量的总衰减量和总衰减系数。具体来说，通过如下步骤实施两数据的计算：
首先，针对每个检测点，对于每个材料点，从均匀分布μ(x)∈U(0.01,0.9]中随机生成衰减系数。衰减系数在物理上定义为：
其中Φ是辐射通量，单位为瓦特。
然后，基于上述衰减系数对检测信号进行计算，得到复审通量的总衰减量ΔΦ。
其中Φ0是相应X射线源所发射的辐射通量。
再后，在每个材料点上随机引入一个较小的随机噪声数据με(x)。
μ∈(x)＝μ(x)+∈ (3)
其中ε∈U[-e,e]使得|e|/|μ(x)|<0.03。
最后，根据该随机噪声数据对检测信号进行处理，得到针对每个检测点的总衰减系数ΔΦε。
通过以上步骤，可以得到针对每个检测点的辐射通量的总衰减量ΔΦ(x)，ΔΦ(x)∈{(ΔΦ(i)(x)|i∈N,i<k}，以及每个检测点的辐射通量的总衰减系数ΔΦε(x)，ΔΦε(x)∈{(ΔΦ(i)ε(x))|i∈N,i<k}，其中k是最大X射线源数。
另外，如果实际设置中的材料的衰减系数未知，我们可以进行实验性推导。假设使用了3种不同类型材料的受检物体，其衰减系数分别为μ1、μ2、μ3，而μ0是物理模型本身的衰减系数。其中每个X射线源所发出的X射线仅在距离为a1处通过μ0，并测到其总衰减量为ΔΦ1。第二个X射线源所发射线(R2)通过μ0和μ1在距离b1和b2处并接收到检测到的总衰减量为ΔΦ2。依次类推，其他X射线源通过μ0和μ2在距离c1和c2处并接收到检测到的总衰减量为ΔΦ3和ΔΦ4。
Φ0是离开源的辐射流量。按照公式2,整个过程如下：
这可以重新排列为：
ai,bi,ci,di,ΔΦi已知，依此可以计算出准确的衰减梯度μ0、μ1、μ2和μ3等材料的值。这种方法可以扩展到n种不同的嵌入材料中。为了计算更准确的衰减梯度，可以使用不同的光源进行相同的程序。假设使用源S1来推导μ(j＝1),其中j<n,以及源S2来推导μ(j＝2),其中j<n,以此类推。然后，可以通过对所有来源获得的平均衰减梯度来进行更准确的衰减梯度估计。
S3、构建训练样本集。
这里的训练样本集D包括每种受检物体的形状参数，还包括针对每种受检参数的每个检测点进行放射测量后所得的检测信号所处理得到的总衰减量和总衰减系数。
D＝{(ΔΦ(x),ΔΦε(x),μ(x))|x∈R3,x∈ROI}。ROI为受检物体的形状参数。
S4、基于以上训练样本集进行模型训练。
即利用上述训练样本集进行模型训练，从而得到该三维成像模型。在执行训练时，使用衰减系数μ(x)作为目标，将辐射通量的总衰减率ΔΦ(x)或总衰减系数ΔΦε(x)输入预先构建的神经网络模型，然后通过梯度下降最小化损失L＝Ex(|μpred(x)-μ(x)|)在μpred和μ之间，从而得到该三维成像模型。
从上述技术方案可以看出，本实施例提供了一种三维成像模型的构建方法，用于基于预先搭建的X摄像扫描仪物理模型实现三维成像模型的构建，该构建方法具体为采集每个X射线源针对受检物体的每一检测点进行检测时得到的检测信号；基于预先规定的衰减系数和随机噪声数据对检测信号进行计算处理，得到对应每一检测点的每个X射线源的辐射通量的总衰减量和总衰减系数；构建训练样本集，训练样本集包括受检物体的形状参数，以及针对不同形状的受检物体所产生的总衰减量和/或总衰减系数；根据训练样本集进行模型训练，得到三维成像模型。从上可以看出，基于本方方案可以配置较少的X射线源即可使X射线扫描仪能够构建逼真的三维体积图像，从而降低了扫描仪的整体成本。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品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、或代码的一部分，该模块、程序段、或代码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。也应当注意，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，两个接连地表示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操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。
虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
实施例二
图5为本申请实施例的一种三维成像模型的构建装置的框图。
如图5所示，本实施例提供的构建装置用于基于上述的X射线扫描仪模型构建三维成像模型，该构建装置应用于电子设备，该电子设备可以理解为具有数据计算和信息处理能力的计算机、服务器或嵌入式设备。该构建装置包括信号采集模块10、信号处理模块20、样本构建模块30和训练执行模块40。
信号采集模块用于采集探测器输出的检测信号。
这里探测器输出的检测信号是指其在接收到X射线源所发出的X射线经过准直器准直后，并经过置于该扫描仪内的受检物体衰减后，被受检物体每一检测点衰减后的X射线投射到探测器上所产生的电信号。
假设该X射线扫描仪共具有5个X射线源，分别为S1、S2、S3、S4和S5，则其投向检测点Point x后所产生的5个检测信号，分别为P1、P2、P3、P4和P5，如图4所示。
信号处理模块用于计算每个检测点对应辐射同理的总衰减量和总衰减系数。
即在得到每一检测点对应的多个检测信号后，基于相应的衰减系数和随机噪声数据对检测信号进行处理，得到每一检测点所透射的X射线的总辐射通量的总衰减量和总衰减系数。具体来说，该模块包括系数生成单元、第一计算单元、数据引入单元和第二计算单元。
系数生成单元用于针对每个检测点，对于每个材料点，从均匀分布μ(x)∈U(0.01,0.9]中随机生成衰减系数。衰减系数在物理上定义为：
其中Φ是辐射通量，单位为瓦特。
第一计算单元用于基于上述衰减系数对检测信号进行计算，得到复审通量的总衰减量ΔΦ。
其中Φ0是相应X射线源所发射的辐射通量。
数据引入单元用于在每个材料点上随机引入一个较小的随机噪声数据με(x)。
μ∈(x)＝μ(x)+∈ (3)
其中ε∈U[-e,e]使得|e|/|μ(x)|<0.03。
第二计算单元用于根据该随机噪声数据对检测信号进行处理，得到针对每个检测点的总衰减系数ΔΦε。
通过以上步骤，可以得到针对每个检测点的辐射通量的总衰减量ΔΦ(x)，ΔΦ(x)∈{(ΔΦ(i)(x)|i∈N,i<k}，以及每个检测点的辐射通量的总衰减系数ΔΦε(x)，ΔΦε(x)∈{(ΔΦ(i)ε(x))|i∈N,i<k}，其中k是最大X射线源数。
另外，如果实际设置中的材料的衰减系数未知，我们可以进行实验性推导。假设使用了3种不同类型材料的受检物体，其衰减系数分别为μ1、μ2、μ3，而μ0是物理模型本身的衰减系数。其中每个X射线源所发出的X射线仅在距离为a1处通过μ0，并测到其总衰减量为ΔΦ1。第二个X射线源所发射线(R2)通过μ0和μ1在距离b1和b2处并接收到检测到的总衰减量为ΔΦ2。依次类推，其他X射线源通过μ0和μ2在距离c1和c2处并接收到检测到的总衰减量为ΔΦ3和ΔΦ4。
Φ0是离开源的辐射流量。按照公式2,整个过程如下：
这可以重新排列为：
ai,bi,ci,di,ΔΦi已知，依此可以计算出准确的衰减梯度μ0、μ1、μ2和μ3等材料的值。这种方法可以扩展到n种不同的嵌入材料中。为了计算更准确的衰减梯度，可以使用不同的光源进行相同的程序。假设使用源S1来推导μ(j＝1),其中j<n,以及源S2来推导μ(j＝2),其中j<n,以此类推。然后，可以通过对所有来源获得的平均衰减梯度来进行更准确的衰减梯度估计。
样本构建模块用于构建训练样本集。
这里的训练样本集D包括每种受检物体的形状参数，还包括针对每种受检参数的每个检测点进行放射测量后所得的检测信号所处理得到的总衰减量和总衰减系数。
D＝{(ΔΦ(x),ΔΦε(x),μ(x))|x∈R3,x∈ROI}。ROI为受检物体的形状参数。
训练执行模块用于基于以上训练样本集进行模型训练。
即利用上述训练样本集进行模型训练，从而得到该三维成像模型。在执行训练时，使用衰减系数μ(x)作为目标，将辐射通量的总衰减率ΔΦ(x)或总衰减系数ΔΦε(x)输入预先构建的神经网络模型，然后通过梯度下降最小化损失L＝Ex(|μpred(x)-μ(x)|)在μpred和μ之间，从而得到该三维成像模型。
从上述技术方案可以看出，本实施例提供了一种三维成像模型的构建装置，用于基于预先搭建的X摄像扫描仪物理模型实现三维成像模型的构建，该构建方法具体为采集每个X射线源针对受检物体的每一检测点进行检测时得到的检测信号；基于预先规定的衰减系数和随机噪声数据对检测信号进行计算处理，得到对应每一检测点的每个X射线源的辐射通量的总衰减量和总衰减系数；构建训练样本集，训练样本集包括受检物体的形状参数，以及针对不同形状的受检物体所产生的总衰减量和/或总衰减系数；根据训练样本集进行模型训练，得到三维成像模型。从上可以看出，基于本方方案可以配置较少的X射线源即可使X射线扫描仪能够构建逼真的三维体积图像，从而降低了扫描仪的整体成本。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取至少两个网际协议地址的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
实施例三
图6为本申请实施例的一种电子设备的框图。
参考图6所示，其示出了适于用来实现本公开实施例中的电子设备的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。该电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
电子设备可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器ROM502中的程序或者从输入装置506加载到随机访问存储器RAM503中的程序而执行各种适当的动作和处理。在RAM中，还存储有电子设备操作所需的各种程序和数据。处理装置、ROM以及RAM通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常，以下装置可以连接至I/O接口：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图中示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
实施例四
本实施例提供了一种计算机可读的存储介质。该存储介质承载有一个或者多个计算机程序，当上述一个或者多个计算机程序被该电子设备执行时，使得该电子设备能够采集每个X射线源针对受检物体的每一检测点进行检测时得到的检测信号；基于预先规定的衰减系数和随机噪声数据对检测信号进行计算处理，得到对应每一检测点的每个X射线源的辐射通量的总衰减量和总衰减系数；构建训练样本集，训练样本集包括受检物体的形状参数，以及针对不同形状的受检物体所产生的总衰减量和/或总衰减系数；根据训练样本集进行模型训练，得到三维成像模型。从上可以看出，基于本方方案可以配置较少的X射线源即可使X射线扫描仪能够构建逼真的三维体积图像，从而降低了扫描仪的整体成本。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种三维成像模型的构建方法，应用于电子设备，用于基于预先搭建的X摄像扫描仪物理模型实现所述三维成像模型的构建，所述X射线扫描仪物理模型具有多个X射线源，其特征在于，所述构建方法包括步骤：
在所述X射线扫描仪物理模型针对其中的受检物体执行放射检测过程中，采集每个所述X射线源针对所述受检物体的每一检测点进行检测时得到的检测信号；
基于预先规定的衰减系数和随机噪声数据对所述检测信号进行计算处理，得到对应每一所述检测点的每个所述X射线源的辐射通量的总衰减量和总衰减系数；
构建训练样本集，所述训练样本集包括所述受检物体的形状参数，以及针对不同形状的受检物体所产生的所述总衰减量和/或所述总衰减系数；
根据所述训练样本集进行模型训练，得到所述三维成像模型。
2.如权利要求1所述的构建方法，其特征在于，所述基于预先规定的衰减系数对所述检测信号进行计算处理，得到对应每一所述检测点的每个所述X射线源的辐射通量的总衰减量和总衰减系数，包括步骤：
针对每个所述检测点随机生成一个衰减系数；
根据所述衰减系数对所述检测信号进行计算处理，得到所述总衰减量；
随机引入一个随机噪声数据；
根据所述随机噪声数据对所述检测信号进行计算处理，得到所述总衰减系数。
3.如权利要求2所述的构建方法，其特征在于，所述衰减系数通过对受检物体进行实际测量构建得到。
4.如权利要求2所述的构建方法，其特征在于，所述根据所述训练样本集进行模型训练，得到所述三维成像模型，包括步骤：
以所述衰减系数为目标，将所述总衰减量或所述总衰减系数输入到预先构建的神经网络模型中进行模型训练，得到所述三维成像模型。
5.一种三维成像模型的构建装置，应用于电子设备，用于基于预先搭建的X摄像扫描仪物理模型实现所述三维成像模型的构建，所述X射线扫描仪物理模型具有多个X射线源，其特征在于，所述构建装置包括：
信号采集模块，被配置为在所述X射线扫描仪物理模型针对其中的受检物体执行放射检测过程中，采集每个所述X射线源针对所述受检物体的每一检测点进行检测时得到的检测信号；
信号处理模块，被配置为基于预先规定的衰减系数和随机噪声数据对所述检测信号进行计算处理，得到对应每一所述检测点的每个所述X射线源的辐射通量的总衰减量和总衰减系数；
样本构建模块，被配置为构建训练样本集，所述训练样本集包括所述受检物体的形状参数，以及针对不同形状的受检物体所产生的所述总衰减量和/或所述总衰减系数；
训练执行模块，被配置为根据所述训练样本集进行模型训练，得到所述三维成像模型。
6.如权利要求5所述的构建装置，其特征在于，所述信号处理模块包括：
系数生成单元，被配置为针对每个所述检测点随机生成一个衰减系数；
第一计算单元，被配置为根据所述衰减系数对所述检测信号进行计算处理，得到所述总衰减量；
数据引入单元，被配置为随机引入一个随机噪声数据；
第二计算单元，被配置为根据所述随机噪声数据对所述检测信号进行计算处理，得到所述总衰减系数。
7.如权利要求6所述的构建装置，其特征在于，所述衰减系数通过对受检物体进行实际测量构建得到。
8.如权利要求6所述的构建装置，其特征在于，所述训练执行模块被配置为以所述衰减系数为目标，将所述总衰减量或所述总衰减系数输入到预先构建的神经网络模型中进行模型训练，得到所述三维成像模型。
9.一种电子设备，其特征在于，包括至少一个处理器和与所述处理器连接的存储器，其中：
所述存储器用于存储计算机程序或指令；
所述处理器用于执行所述计算机程序或指令，以使所述电子设备实现如权利要求1～4任一项所述的三维成像模型的构建方法。
10.一种存储介质，应用于电子设备，其特征在于，所述存储介质承载有一个或多个计算机程序，所述一个或多个计算机程序能够被所述电子设备执行，以使所述电子设备实现如权利要求1～4任一项所述的三维成像模型的构建方法。
CN202311659954.9A 2023-12-05 2023-12-05 三维成像模型的构建方法、装置、电子设备和存储介质 Active CN117611750B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311659954.9A CN117611750B (zh) 2023-12-05 2023-12-05 三维成像模型的构建方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311659954.9A CN117611750B (zh) 2023-12-05 2023-12-05 三维成像模型的构建方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN117611750A true CN117611750A (zh) 2024-02-27
CN117611750B CN117611750B (zh) 2024-07-19

Family

ID=89959629

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311659954.9A Active CN117611750B (zh) 2023-12-05 2023-12-05 三维成像模型的构建方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN117611750B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102793552A (zh) * 2011-05-23 2012-11-28 北京东方惠尔图像技术有限公司 Ct图像采集装置及ct扫描成像系统
CN110544282A (zh) * 2019-08-30 2019-12-06 清华大学 基于神经网络的三维多能谱ct重建方法和设备及存储介质
CN110660123A (zh) * 2018-06-29 2020-01-07 清华大学 基于神经网络的三维ct图像重建方法和设备以及存储介质
CN110809782A (zh) * 2018-10-22 2020-02-18 上海联影医疗科技有限公司 衰减校正系统和方法
CN111345834A (zh) * 2018-12-21 2020-06-30 佳能医疗系统株式会社 X射线ct系统及方法
US20200234471A1 (en) * 2019-01-18 2020-07-23 Canon Medical Systems Corporation Deep-learning-based scatter estimation and correction for x-ray projection data and computer tomography (ct)
CN112085829A (zh) * 2019-05-27 2020-12-15 清华大学 基于神经网络的螺旋ct图像重建方法和设备及存储介质
CN112132924A (zh) * 2020-09-29 2020-12-25 北京理工大学 一种基于深度神经网络的ct重建方法
CN114387364A (zh) * 2021-12-28 2022-04-22 江苏赛诺格兰医疗科技有限公司 用于pet图像重建的线性衰减系数获取方法及重建方法
CN114581605A (zh) * 2022-02-22 2022-06-03 清华大学 工件的扫描图像生成方法、装置、设备及计算机存储介质
CN114708345A (zh) * 2022-03-17 2022-07-05 上海长征医院 一种ct图像重建方法、装置、设备及存储介质
CN115375840A (zh) * 2022-08-17 2022-11-22 北京联影智能影像技术研究院 图像重建方法、装置、系统、计算机设备和存储介质
CN115423892A (zh) * 2022-10-13 2022-12-02 浙江大学 一种基于最大期望网络的无衰减校正pet重建方法
WO2023100926A1 (ja) * 2021-11-30 2023-06-08 キヤノンメディカルシステムズ株式会社 医用情報処理方法及び医用情報処理装置
CN116385582A (zh) * 2023-03-30 2023-07-04 重庆理工大学 基于深度学习的x射线荧光ct自吸收校正方法
US20230281889A1 (en) * 2020-06-26 2023-09-07 Shimadzu Corporation Attenuation coefficient image generation method, nuclear medicine diagnostic apparatus, and trained model generation method

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102793552A (zh) * 2011-05-23 2012-11-28 北京东方惠尔图像技术有限公司 Ct图像采集装置及ct扫描成像系统
CN110660123A (zh) * 2018-06-29 2020-01-07 清华大学 基于神经网络的三维ct图像重建方法和设备以及存储介质
CN110809782A (zh) * 2018-10-22 2020-02-18 上海联影医疗科技有限公司 衰减校正系统和方法
CN111345834A (zh) * 2018-12-21 2020-06-30 佳能医疗系统株式会社 X射线ct系统及方法
US20200234471A1 (en) * 2019-01-18 2020-07-23 Canon Medical Systems Corporation Deep-learning-based scatter estimation and correction for x-ray projection data and computer tomography (ct)
CN112085829A (zh) * 2019-05-27 2020-12-15 清华大学 基于神经网络的螺旋ct图像重建方法和设备及存储介质
CN110544282A (zh) * 2019-08-30 2019-12-06 清华大学 基于神经网络的三维多能谱ct重建方法和设备及存储介质
US20230281889A1 (en) * 2020-06-26 2023-09-07 Shimadzu Corporation Attenuation coefficient image generation method, nuclear medicine diagnostic apparatus, and trained model generation method
CN112132924A (zh) * 2020-09-29 2020-12-25 北京理工大学 一种基于深度神经网络的ct重建方法
WO2023100926A1 (ja) * 2021-11-30 2023-06-08 キヤノンメディカルシステムズ株式会社 医用情報処理方法及び医用情報処理装置
CN114387364A (zh) * 2021-12-28 2022-04-22 江苏赛诺格兰医疗科技有限公司 用于pet图像重建的线性衰减系数获取方法及重建方法
CN114581605A (zh) * 2022-02-22 2022-06-03 清华大学 工件的扫描图像生成方法、装置、设备及计算机存储介质
CN114708345A (zh) * 2022-03-17 2022-07-05 上海长征医院 一种ct图像重建方法、装置、设备及存储介质
CN115375840A (zh) * 2022-08-17 2022-11-22 北京联影智能影像技术研究院 图像重建方法、装置、系统、计算机设备和存储介质
CN115423892A (zh) * 2022-10-13 2022-12-02 浙江大学 一种基于最大期望网络的无衰减校正pet重建方法
CN116385582A (zh) * 2023-03-30 2023-07-04 重庆理工大学 基于深度学习的x射线荧光ct自吸收校正方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙毅刚;魏立新;张红颖;: "基于神经网络的CT图像重建方法研究", 中国民航大学学报, no. 01, 15 February 2009 (2009-02-15), pages 1 - 3 *
戚玉涵;徐佳鹤;张星梅;葛浙东;李早芳;周玉成;: "基于扇形X射线束的立木CT成像系统", 林业科学, no. 07, 15 July 2016 (2016-07-15), pages 121 - 128 *
金鑫;张思远;李亮;陈志强;: "一种基于双平面扫描方式的双能静态CT系统", CT理论与应用研究, no. 01, 15 February 2020 (2020-02-15), pages 33 - 39 *

Also Published As

Publication number Publication date
CN117611750B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
Hagstotz et al. A new measurement of the Hubble constant using fast radio bursts
CN109031440B (zh) 一种基于深度学习的伽马放射性成像方法
Morandi et al. X-ray, lensing and Sunyaev-Zel'dovich triaxial analysis of Abell 1835 out to R 200
Borzyszkowski et al. liger: mock relativistic light cones from Newtonian simulations
JP3793266B2 (ja) ポジトロンｃｔ装置およびその画像再構成方法
Wang et al. Impact of relativistic effects on the primordial non-Gaussianity signature in the large-scale clustering of quasars
JP5246335B2 (ja) ガンマ線方向検出装置および方法
Barreira et al. Galaxy cluster lensing masses in modified lensing potentials
US20170046857A1 (en) Pet random coincidence correction
CN108392214A (zh) 数字x射线的剂量面积测定方法、系统及存储介质
TW201801674A (zh) 電阻抗斷層攝影術影像之後處理系統與後處理方法
Thomas et al. Estimating the weak-lensing rotation signal in radio cosmic shear surveys
Devic et al. Characterization of an innovative detector based on scintillating fiber for personalized computed tomography dosimetry
US12062172B2 (en) Medical image processing apparatus and medical image processing system
Barrera-Hinojosa et al. Looking for a twist: probing the cosmological gravitomagnetic effect via weak lensing-kSZ cross-correlations
CN117611750B (zh) 三维成像模型的构建方法、装置、电子设备和存储介质
Wei et al. Surveying ionizing radiations in real time using a smartphone
Nagi et al. Using a scintillation detector to detect partial discharges
Albiol et al. Evaluation of modern camera calibration techniques for conventional diagnostic X-ray imaging settings
CN113345043B (zh) 消除ct图像金属伪影的方法、装置、介质和电子设备
Myers et al. A general few-projection method for tomographic reconstruction of samples consisting of several distinct materials
CN109613593B (zh) 伽马光子作用位置抽样方法、装置、电子设备及存储介质
CN111272625B (zh) 一种孔隙率评估方法、装置、设备及存储介质
Rahman et al. Task-based assessment of binned and list-mode SPECT systems
CN113724191A (zh) 图像识别方法、装置、设备及存储介质

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
GR01 Patent grant