CN117671046A - 能谱图像处理方法、装置、计算机设备及存储介质 - Google Patents
能谱图像处理方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117671046A CN117671046A CN202210990678.3A CN202210990678A CN117671046A CN 117671046 A CN117671046 A CN 117671046A CN 202210990678 A CN202210990678 A CN 202210990678A CN 117671046 A CN117671046 A CN 117671046A
- Authority
- CN
- China
- Prior art keywords
- energy spectrum
- data
- image sequence
- spectrum data
- material image
- 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 186
- 238000003672 processing method Methods 0.000 title claims abstract description 15
- 239000000463 material Substances 0.000 claims abstract description 252
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000003595 spectral effect Effects 0.000 claims abstract description 42
- 238000013499 data model Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 22
- 239000000523 sample Substances 0.000 claims description 10
- 230000009977 dual effect Effects 0.000 claims description 7
- 239000002355 dual-layer Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 abstract description 19
- 238000010586 diagram Methods 0.000 description 16
- 239000010410 layer Substances 0.000 description 13
- 239000000126 substance Substances 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- ZCYVEMRRCGMTRW-UHFFFAOYSA-N 7553-56-2 Chemical compound [I] ZCYVEMRRCGMTRW-UHFFFAOYSA-N 0.000 description 6
- 229910052740 iodine Inorganic materials 0.000 description 6
- 239000011630 iodine Substances 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000013070 direct material Substances 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- UXVMQQNJUSDDNG-UHFFFAOYSA-L Calcium chloride Chemical compound [Cl-].[Cl-].[Ca+2] UXVMQQNJUSDDNG-UHFFFAOYSA-L 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000002247 constant time method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明实施例公开了一种能谱图像处理方法、装置、计算机设备及存储介质，该方法包括：确定测量能谱数据对应的初始材料图像序列，将初始材料图像序列对应的材料数据输入已训练的能谱数据模型得到估计能谱数据；如果估计能谱数据与测量能谱数据的差异在设定误差范围内，则将初始材料图像序列作为期望材料图像序列；反之，则根据该差异调整材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列。解决了现有能谱图像处理方法存在物质分解定量精度较低的问题。
Description
技术领域
本发明实施例涉及医学图像处理领域，尤其涉及一种能谱图像处理方法、装置、计算机设备及存储介质。
背景技术
传统CT(Computed Tomography，即电子计算机断层扫描)成像中，具有不同物质组成的解剖结构可能表现出同样的CT衰减值，因此限制其区分不同物质组成的能力。通过采集两个或多个X线能谱数据集的能谱CT技术，可用于解决传统CT成像中这一长期存在的技术局限。能谱CT涉及诸多研究方向，其中数据采集技术和定量物质分解技术是最为主要的研究方向。
关于定量位置分解技术，模型驱动的物质分解方法主要分为不直接的物质分解方法和直接的物质分解方法。1)不直接物质分解方法。这类方法中的第一个子类别首先进行投影空间物质分解，而后对材料基线积分数据进行解析或者迭代图像重建。由于物质分解是一个不稳定过程，这类方法对噪声比较敏感，特别是在低剂量条件下，难以获得精准的物质分解。这类方法中的第二个子类别首先对能谱数据进行迭代重建，而后进行图像空间物质分解。这类方法相对简单，但无法消除线束硬化伪影和金属伪影等。2)直接物质分解方法。直接从能谱数据中重建材料基图像方法，对数据采集物理过程进行建模，并引入关于基材料图像的先验知识，提高物质分解的定量准确度。然而，非线性多能X线测量模型使得直接物质分解问题的病态程度很高，尤其是低剂量数据采集条件下。另外，对数据采集物理过程进行完整、精确的建模往往是十分困难的，由此可能在材料基图像中引入误差。近年来，数据驱动的方法开始应用于能谱CT 物质分解，其中包括图像空间分解网络、投影空间分解网络、投影-图像端对端分解网络。这些方法通过匹配的训练样本有监督地学习输入输出数据空间之间的变换，近似在给定能谱数据下，关于材料基图像的后验分布函数，从而求解物质分解逆问题。一旦训练结束，在预测阶段，相较于模型驱动的直接物质分解方法，这类方法的计算复杂度更低。
本申请人在实现本发明实施例的过程中发现，现有技术过于依赖寻找输入数据与输出数据之间的统计相关性，因此其物质分解定量精度较低。
发明内容
本发明实施例提供了一种能谱图像处理方法、装置、计算机设备及存储介质，解决了现有能谱图像处理方法存在物质分解定量精度较低的问题。
第一方面，本发明实施例提供了一种能谱图像处理方法，包括：
确定测量能谱数据对应的初始材料图像序列；
将所述初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据；
如果所述估计能谱数据与所述测量能谱数据的差异在设定误差范围内，则将所述初始材料图像序列作为期望材料图像序列；
如果所述估计能谱数据与所述测量能谱数据的差异未在设定误差范围内，则根据该差异调整所述材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列。
第二方面，本发明实施例还提供了一种能谱图像处理方法，包括：
材料图像模块，用于确定测量能谱数据对应的初始材料图像序列；
能谱数据估计模块，将所述初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据；
第一输出模块，用于如果所述估计能谱数据与所述测量能谱数据的差异在设定误差范围内，则将所述初始材料图像序列作为期望材料图像序列；
第二输出模块，用于如果所述估计能谱数据与所述测量能谱数据的差异未在设定误差范围内，则根据该差异调整所述材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列。
第三方面，本发明实施例还提供了一种计算机设备，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如任意实施例所述的能谱图像处理方法。
第四方面，一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如任意实施例所述的能谱图像处理方法。
本发明实施例提供的能谱图像处理方法的技术方案，确定测量能谱数据对应的初始材料图像序列；将初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据；如果估计能谱数据与测量能谱数据的差异在设定误差范围内，则将初始材料图像序列作为期望材料图像序列；如果估计能谱数据与测量能谱数据的差异未在设定误差范围内，则根据该差异调整材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列，该材料数据调整方式可保证材料数据调整的速度和有效性；估计能谱数据与测量能谱数据之间的差异确定、材料数据调整的计算量均比较小，因此可满足临床图像处理速度的要求。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明实施例提供的能谱图像处理方法的流程图；
图2A是本发明实施例提供的双源双探测器获取能谱数据的示意图；
图2B是本发明实施例提供的快速管电压切换方法获取能谱数据的示意图；
图2C是本发明实施例提供的线束过滤方法获取能谱数据的示意图；
图2D是本发明实施例提供的光电子计数探测器获取能谱数据的示意图；
图2E是本发明实施例提供的双层探测器获取能谱数据的示意图；
图3是本发明实施例提供的能谱图像处理方法的流程示意图；
图4A是本发明实施例提供的体模示意图；
图4B是本发明实施例提供的实验结果示意图；
图5A是本发明实施例提供的能谱数据模型训练方法的流程图；
图5B是本发明实施例提供的能谱数据模型的示意图；
图6是本发明实施例提供的材料模型训练方法的流程图；
图7是本发明实施例提供的材料模型的架构示意图；
图8A是本发明实施例提供的能谱图像处理装置的结构示意图；
图8B是本发明实施例提供的又一能谱图像处理装置的结构示意图；
图9是本发明实施例提供的C臂CT系统的结构示意图；
图10A是本发明实施例提供的CT系统的立体图；
图10B是本发明实施例提供的CT系统的左视图；
图11是本发明实施例提供的计算机设备的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，以下将参照本发明实施例中的附图，通过实施方式清楚、完整地描述本发明的技术方案，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
图1是本发明实施例提供的能谱图像处理方法的流程图。本实施例的技术方案适用于确定能谱图像对应的材料图像的情况。该方法可以由本发明实施例提供的能谱图像处理装置来执行，该装置可以采用软件和/或硬件的方式实现，并配置在计算机设备的处理器中应用。该方法具体包括如下步骤：
S101、确定测量能谱数据对应的初始材料图像序列。
在一个实施例中，测量能谱数据包括至少两级射线能量的投影数据帧。示例性的，测量能谱数据包括对应于第一X射线能量的至少一个第一投影数据帧和对应于第二X射线能量的至少一个第二投影数据帧，以及该至少一个第一投影数据帧和该至少一个第一投影数据帧分别对应的投影角度和探测器探元位置，第一X射线能量高于第二X射线能量。
在一个实施例中，测量能谱数据可通过双源双探测器(图2A)、快(或慢) 速管电压切换(图2B)、线束过滤(图2C)、光子计数探测器(图2D)或双层探测器(图2E)中的一种方式或多种方式的组合来获取。
在一个实施例中，初始材料图像序列基于已训练的材料模型得到，具体为：确定测量能谱数据对应的能谱图像序列；将该能谱图像序列输入已训练的材料模型以得到初始材料图像序列，参见图3。该实施例中，已训练的材料模型具有图像空间的泛化先验，可将能谱图像序列变化为其相应的初始图像序列。
需要说明的是，该步骤中，基于测量能谱数据确定的初始材料图像序列，一般具有较高的图像质量，但局部定量精度可能有所不足，并且可能无法准确地描述每个样本的材料性质，因此该初始材料图像序列对应的材料数据也存在局部定量精度可能不足的问题。
S102、将初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据。
其中，材料数据包括初始图像序列中的初始材料图像对应的材料基数据，以及材料基数据中的每个数据对应的探测器探元位置和投影角度。在一个实施例中，材料数据包括至少两个材料基数据。
如图3所示，初始材料图像序列得到后，将初始材料图像序列中各初始材料图像沿对应的一个或多个投影角度进行前向投影以得到一个或多个材料数据帧；确定属于期望材料图像的所有投影角度，所有投影角度对应的材料数据帧以及所有材料数据帧分别对应的探测器探元位置以得到期望材料图像的材料数据。
本实施例中已训练的能谱数据模型具有在数据空间描述数据采集过程的先验知识，因此可将材料数据合成对应的能谱数据。
S103、如果估计能谱数据与测量能谱数据的差异在设定误差范围内，则将初始材料图像序列作为期望材料图像序列。
可以理解的是，如果估计能谱数据与测量能谱数据之间的差异在设定误差范围内，则说明该估计能谱数据的准确度非常接近测量能谱数据，因此用于确定估计能谱数据的材料数据具有较高的准确性，用于确定材料数据的初始材料图像序列的定量精度在用户的可接受范围内，因此将初始图像序列作为期望材料图像序列。
S104、如果估计能谱数据与测量能谱数据的差异未在设定误差范围内，则根据该差异调整材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列。
由于材料数据的局部定量精度可能不足，因此已训练的能谱数据模型基于该材料数据预测的估计能谱数据的质量可能低于期望的能谱数据质量，为此本实施例以测量能谱数据为基准来衡量估计能谱数据的准确性，并根据估计能谱数据与测量能谱数据之间的差异调整材料数据，然后将调整后的材料数据对应的材料图像序列作为期望材料图像序列。
在一个实施例中，估计能谱数据包括的估计能谱数据帧与测量能谱数据包括的测量能谱数据帧一一对应。确定各估计能谱数据帧与对应的各测量能谱数据帧之间的误差，然后计算所有误差的总和，并根据该所有误差的总和对材料数据进行调整，然后将调整后的材料数据对应的材料图像序列作为期望材料图像序列。
由于测量能谱数据为原始投影数据，其携带有准确的物质信息，因此以测量能谱数据与估计能谱数据的差值为基准可以准确地指导材料数据的调整。
需要说明的是，本实施例仅根据估计能谱数据与测量能谱数据之间的差异调整材料数据，但并不调整任何模型的网络参数，即在模型使用阶段，所有模型的网络参数保持不变。
图4A和图4B为本发明实施例提供的基于物理体模实验确定的定量实验结果。如图4A所示，该实验体模包含4个不同浓度的碘溶液试管和2个不同浓度氯化钙溶液试管。能谱CT实验平台对其在100kV下扫描。光子技术探测器使用两个能谱阈值采集穿过实验体模的射线，以得到测量能谱数据，该测量能谱数据包括对应高能量的投影数据和对应低能量的投影数据。如图4B所示，本发明技术产生相应的碘基图像。将该碘基图像确定的4个碘溶液试管浓度(碘基图像上标注的浓度数据)并与金标准(浓度颜色变化示意图)进行比较，比较结果表明，四个碘溶液试管浓度均定量准确。该实验说明了本发明实施例所述的能谱图像处理方法具有较高的物质定量准确性。
本发明实施例提供的能谱图像处理方法的技术方案，确定测量能谱数据对应的初始材料图像序列；将初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据；如果估计能谱数据与测量能谱数据的差异在设定误差范围内，则将初始材料图像序列作为期望材料图像序列；如果估计能谱数据与测量能谱数据的差异未在设定误差范围内，则根据该差异调整材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列，该材料数据调整方式可保证材料数据调整的速度和有效性；估计能谱数据与测量能谱数据之前的差异确定、材料数据调整的计算量均比较小，因此可满足临床图像处理速度的要求。
图5A是本发明又一实施例提供能谱数据模型训练方法的流程图。本发明实施例所述的模型训练方法应用于前述实施例所述的能谱图像处理方法之前。具体方法步骤包括：
S201、将设定数量的材料数据输入能谱数据模型以得到估计能谱数据。
其中，如图5A所示，材料数据包括至少两个材料基数据以及材料基数据中的每个数据对应的探测器探元位置和投影角度。
获取设定数量患者的测量能谱数据以及每个能谱数据对应的材料数据，并将该测量能谱数据和材料数据作为训练样本。在能谱数据模型训练时，将材料数据输入能谱数据模型中，以得到估计能谱数据。
S202、根据测量能谱数据与估计能谱数据之间的差异，反复调整能谱数据模型的网络参数，根据反向传播算法最小化测量能谱数据与网络参数调整后的能谱数据模型输出的估计能谱数据之间的差异。
在一个实施例中，能谱数据模型的具体架构如图5B所示，其包括4层全连接层。
确定测量能谱数据与估计能谱数据之间的差异，并根据该差异反复调整能谱数据模型的网络参数，直至测量能谱数据与网络参数调整后的能谱数据模型输出的估计能谱数据之间的差异在设定阈值范围内。可以理解的是，当测量能谱数据与当前的估计能谱数据之间的差异在设定阈值范围内，则认为二者近似相同，模型训练结束。该能谱数据模型可以建模完整的数据采集物理过程，具体为，从大规模的训练数据中学习到数据空间描述数据采集过程的物理先验知识，以此将材料数据合成为其对应的能谱数据。
在上述模型训练过程中，采用能谱数据空间均方误差作为训练损失函数调整能谱数据模型的网络参数。
图6是本发明又一实施例提供的材料模型训练方法的流程图。该材料模型的训练方法包括：
S301、将能谱图像序列输入材料模型以得到估计材料图像序列。
获取设定数量患者的能谱图像序列以及能谱图像序列对应的材料图像序列，以得到设定数量的样本。将能谱图像序列输入材料模型以得到估计材料序列。
S302、根据材料图像序列真值与估计材料图像序列之间的差异，反复调整材料模型的网络参数，根据反向传播算法最小化材料图像序列真值与网络参数调整后的材料模型输出的估计材料图像序列之间的差异。
将初始能谱图像序列和初始材料图像序列作为训练样本。将该初始能谱图像序列输入材料模型以得到估计材料图像序列，根据初始材料图像序列和材料模型输出的估计材料图像序列之间的差异调整材料模型的网络参数，直至初始材料图像序列与当前的估计材料图像序列之间的差异在设定误差范围内。该模型训练过程中，使用图像空间均方误差作为训练损失函数。该实施例中，材料模型从大规模训练数据中学习到图像空间的泛化先验，以此将能谱图像变换为其相应的初始材料图像序列。
在一个实施例中，材料模型的网络结构如图7所示，该神经网络共有24层卷积神经网络层，该24层卷积神经网络层包括三类卷积网络层，这些卷积网络层中的参数均为可学习的。第一类卷积网络层使用3×3卷积核，间隔为1，在图7中标记为“Conv，3×3，S1”，之后为批归一化操作(Bnorm)和整流线性单元(ReLu)激活函数。第二类卷积网络层使用3×3卷积核，间隔为2，并在图7中标记为“Conv，3×3，S2”，之后为Bnorm和ReLu。第三类卷积网络层使用1×1卷积核，间隔为1，并在图7中标记为“Conv，1×1，S1”，之后为线性激活函数。所有卷积层都有相应的可学偏差项。每个卷积层均保持该层的输入输出为同样的空间维度。采样层使用2×2卷积核，并在图7中标记为Up-sample 2×2。所有采样层使用双线性插值算法。捷径链接(图7中黑色实箭头)用以促进网络训练过程。网络参数中的卷积核使用Glorot均匀分布随机数作为初始化，偏差项使用0作为初始化值。其余参数设置与初始化值均选择默认方式。
需要说明的是，本申请技术方案中对患者影像数据的获取、存储、使用和处理等均符合国家法律法规的相关规定。
图8A是本发明又一实施例提供的能谱图像处理装置的结构框图。该装置用于执行上述任意实施例所提供的能谱图像处理方法，该装置可选为软件或硬件实现。该装置包括：
材料图像模块11，用于确定测量能谱数据对应的初始材料图像序列；
能谱数据估计模块12，用于将所述初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据；
第一输出模块13，用于如果所述估计能谱数据与所述测量能谱数据的差异在设定误差范围内，则将所述初始材料图像序列作为期望材料图像序列；
第二输出模块14，用于如果所述估计能谱数据与所述测量能谱数据的差异未在设定误差范围内，则根据该差异调整所述材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列。
可选地，材料图像模块11用于确定所述测量能谱数据对应的能谱图像序列；将所述能谱图像序列输入已训练的材料模型以得到初始材料图像序列。
可选地，能谱数据估计模块11用于确定所述初始材料图像序列中各初始材料图像对应的一个或多个投影角度；将所述初始材料图像序列中各初始材料图像沿对应的一个或多个投影角度进行前向投影以得到一个或多个材料数据帧；确定属于期望材料图像的所有投影角度、所有投影角度分别对应的材料数据帧以及所有材料数据帧分别对应的探测器探元位置以得到所述期望材料图像的材料数据。
可选地，所述测量能谱数据包括至少两级射线能量的投影数据帧；所述测量能谱数据对应至少两个材料基数据。
可选地，如图8B所示，该装置还包括模型训练模块10，该模型训练模块用于将设定数量的材料数据输入能谱数据模型以得到估计能谱数据；
根据所述测量能谱数据与所述估计能谱数据之间的差异，反复调整所述能谱数据模型的网络参数，根据反向传播算法最小化所述测量能谱数据与网络参数调整后的能谱数据模型输出的估计能谱数据之间的差异。
可选地，所述材料数据包括所述初始图像序列中的初始材料图像对应的材料基数据，以及所述材料基数据中的每个数据对应的探测器探元位置和投影角度。
可选地，所述能谱数据可通过双源双探测器、快速管电压切换、慢速管电压切换、线束过滤、光子计数探测器、双层探测器中的一种方式或多种方式的组合来获取。
本发明实施例提供的能谱图像处理装置的技术方案，确定测量能谱数据对应的初始材料图像序列；将初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据；如果估计能谱数据与测量能谱数据的差异在设定误差范围内，则将初始材料图像序列作为期望材料图像序列；如果估计能谱数据与测量能谱数据的差异未在设定误差范围内，则根据该差异调整材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列，该材料数据调整方式可保证材料数据调整的速度和有效性；估计能谱数据与测量能谱数据之间的差异确定、材料数据调整的计算量均比较小，因此可满足临床图像处理速度的要求。
本发明实施例所提供的能谱图像处理装置可执行本发明任意实施例所提供的能谱图像处理方法，具备执行方法相应的功能模块和有益效果。
图9是本发明又一实施例提供的C臂CT系统的结构示意图。该系统包括机架1211、探测器1212、床板1214、X线光管1215、C臂驱动轴1216、转轴 1217以及基座1219。X线光管1215和探测器1212装备在C型机架1211的两端，两者中心连接线与其旋转中轴线1218垂直。C型机架1211带动探测器和 X线光管绕旋转中轴线1218旋转，从而通过探测器和X线光管在不同的投影角度拍摄床板上的患者1213的影像数据。X线光管1215由X线发生器123控制其电流、电压和曝光时间等，探测器1212采集到的投影数据由通信系统126传输给计算机设备2，机架1211与C臂驱动轴1216相连，其动力由转轴1217提供。基座1219负责承重。C臂控制单元121控制机架1211的旋转速度、角度、位置等。主轴控制单元122连接基座1219，并为整个C臂系统提供电力支持。 X线发生器123控制X线光管1215的电流、电压和曝光时间。数据采集系统 124协调机架1211、探测器1212和X线发生器1215，并收集采集到的数据。床板控制系统125控制床板1214的位置和运动速度，以实现对患者1213的不同扫描轨道。通信系统126连接C臂控制单元121、主轴控制单元122、X线发生器124、数据采集系统124和床板控制系统125，并将采集到的投影数据传输给计算机设备2的存储器。
图10A和图10B示出了又一CT系统的结构示意图。该CT系统为螺旋CT，相较于C臂CT，其机架1211为环形，探测器1212和X线光管1215均设置于机架上，且相对分布，床板1214在床板控制器125的控制下进出机架孔径，机架带动探测器1212和X线光管1215绕床板1214运动。
图11为本发明又一实施例提供的计算机设备的结构框图，如图11所示，该计算机设备2包括处理器201、存储器202、输入装置203以及输出装置204；设备中处理器201的数量可以是一个或多个，图11中以一个处理器201为例；设备中的处理器201、存储器202、输入装置203以及输出装置204可以通过总线或其他方式连接，图11中以通过总线连接为例。
存储器202作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的能谱图像处理方法对应的程序指令/ 模块(例如，材料图像模块11、第一输出模块12以及第二输出模块13)。处理器201通过运行存储在存储器202中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的能谱图像处理方法。
存储器202可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器202可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器202可进一步包括相对于处理器201 远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置203可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。
输出装置204可包括显示屏等显示设备，例如，用户终端的显示屏。
本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种能谱图像处理方法，该方法包括：
确定测量能谱数据对应的初始材料图像序列；
将所述初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据；
如果所述估计能谱数据与所述测量能谱数据的差异在设定误差范围内，则将所述初始材料图像序列作为期望材料图像序列；
如果所述估计能谱数据与所述测量能谱数据的差异未在设定误差范围内，则根据该差异调整所述材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的能谱图像处理方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器 (Read-Only Memory，简称ROM)、随机存取存储器(RandomAccess Memory，简称RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的能谱图像处理方法。
值得注意的是，上述能谱图像处理装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种能谱图像处理方法，其特征在于，包括：
确定测量能谱数据对应的初始材料图像序列；
将所述初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据；
如果所述估计能谱数据与所述测量能谱数据的差异在设定误差范围内，则将所述初始材料图像序列作为期望材料图像序列；
如果所述估计能谱数据与所述测量能谱数据的差异未在设定误差范围内，则根据该差异调整所述材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列。
2.根据权利要求1所述的方法，其特征在于，所述确定测量能谱数据对应的初始材料图像序列包括：
确定所述测量能谱数据对应的能谱图像序列；
将所述能谱图像序列输入已训练的材料模型以得到初始材料图像序列。
3.根据权利要求1所述的方法，其特征在于，根据以下步骤确定所述初始材料图像序列对应的材料数据：
确定所述初始材料图像序列中各初始材料图像对应的一个或多个投影角度；
将所述初始材料图像序列中各初始材料图像沿对应的一个或多个投影角度进行前向投影以得到一个或多个材料数据帧；
确定属于期望材料图像的所有投影角度、所有投影角度分别对应的材料数据帧以及所有材料数据帧分别对应的探测器探元位置以得到所述期望材料图像的材料数据。
4.根据权利要求1所述的方法，其特征在于，所述测量能谱数据包括至少两级射线能量的投影数据帧，所述测量能谱数据对应至少两个材料基数据。
5.根据权利要求1所述的方法，其特征在于，通过以下步骤完成所述能谱数据模型的训练，包括：
将设定数量的材料数据输入能谱数据模型以得到估计能谱数据；
根据所述测量能谱数据与所述估计能谱数据之间的差异，反复调整所述能谱数据模型的网络参数，根据反向传播算法最小化所述测量能谱数据与网络参数调整后的能谱数据模型输出的估计能谱数据之间的差异；
通过以下步骤完成所述材料模型的训练，包括：
将所述能谱图像序列输入材料模型以得到估计材料图像序列；
根据所述材料图像序列真值与所述估计材料图像序列之间的差异，反复调整所述材料模型的网络参数，根据反向传播算法最小化所述材料图像序列真值与网络参数调整后的材料模型输出的估计材料图像序列之间的差异。
6.根据权利要求1所述的方法，其特征在于，所述材料数据包括所述初始图像序列中的初始材料图像对应的材料基数据，以及所述材料基数据中的每个数据对应的探测器探元位置和投影角度。
7.根据权利要求1-6任一所述的方法，其特征在于，所述能谱数据可通过双源双探测器、快速管电压切换、慢速管电压切换、线束过滤、光子计数探测器、双层探测器中的一种方式或多种方式的组合来获取。
8.一种能谱图像处理装置，其特征在于，包括：
材料图像模块，用于确定测量能谱数据对应的初始材料图像序列；
能谱数据估计模块，将所述初始材料图像序列对应的材料数据输入已训练的能谱数据模型以得到估计能谱数据；
第一输出模块，用于如果所述估计能谱数据与所述测量能谱数据的差异在设定误差范围内，则将所述初始材料图像序列作为期望材料图像序列；
第二输出模块，用于如果所述估计能谱数据与所述测量能谱数据的差异未在设定误差范围内，则根据该差异调整所述材料数据，并将调整后的材料数据对应的材料图像序列作为期望材料图像序列。
9.一种计算机设备，其特征在于，所述计算机设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的能谱图像处理方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的能谱图像处理方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210990678.3A CN117671046A (zh) | 2022-08-18 | 2022-08-18 | 能谱图像处理方法、装置、计算机设备及存储介质 |
| PCT/CN2022/129561 WO2024036760A1 (zh) | 2022-08-18 | 2022-11-03 | 能谱图像处理方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210990678.3A CN117671046A (zh) | 2022-08-18 | 2022-08-18 | 能谱图像处理方法、装置、计算机设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117671046A true CN117671046A (zh) | 2024-03-08 |
Family
ID=89940495
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210990678.3A Pending CN117671046A (zh) | 2022-08-18 | 2022-08-18 | 能谱图像处理方法、装置、计算机设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN117671046A (zh) |
| WO (1) | WO2024036760A1 (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7760848B2 (en) * | 2006-09-08 | 2010-07-20 | General Electric Company | Method and system for generating a multi-spectral image of an object |
| CN107688195B (zh) * | 2016-08-05 | 2020-12-11 | 清华大学 | 重建探测器所探测的能谱的方法和设备 |
| CN109916933B (zh) * | 2019-01-04 | 2021-10-01 | 中国人民解放军战略支援部队信息工程大学 | 基于卷积神经网络的x射线计算机断层成像能谱估计方法 |
| CN110084864B (zh) * | 2019-04-09 | 2023-04-28 | 南京航空航天大学 | 一种基于能谱ct的电子密度图像重建方法 |
| CN110675467B (zh) * | 2019-09-30 | 2023-05-16 | 中国科学院深圳先进技术研究院 | 能谱ct的材料分解方法、装置、存储介质及电子设备 |
-
2022
- 2022-08-18 CN CN202210990678.3A patent/CN117671046A/zh active Pending
- 2022-11-03 WO PCT/CN2022/129561 patent/WO2024036760A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024036760A1 (zh) | 2024-02-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | Noise performance of low-dose CT: comparison between an energy integrating detector and a photon counting detector using a whole-body research photon counting CT scanner | |
| CN109602435B (zh) | 用来取得预期图像质量的ct成像系统和方法 | |
| US20180330233A1 (en) | Machine learning based scatter correction | |
| Li et al. | Nonlinear sinogram smoothing for low-dose X-ray CT | |
| Rührnschopf and et al. | A general framework and review of scatter correction methods in cone beam CT. Part 2: scatter estimation approaches | |
| JP6925868B2 (ja) | Ｘ線コンピュータ断層撮影装置及び医用画像処理装置 | |
| JP2020099667A (ja) | Ｘ線ｃｔシステム及び方法 | |
| US7782996B2 (en) | Method for combined bone hardening and scattered radiation correction in X-ray computed tomography | |
| US20060203956A1 (en) | Method for an x-ray device and computer tomograph for reducing beam hardening artifacts from a generated image of an object | |
| WO2010038536A1 (ja) | Ｘ線ｃｔ装置 | |
| US20060193429A1 (en) | Calculation of additional projection data from projection data acquired with a divergent beam | |
| JP6446361B2 (ja) | Ｘ線ｃｔ装置および補正処理装置 | |
| JP2016152916A (ja) | Ｘ線コンピュータ断層撮像装置及び医用画像処理装置 | |
| CN107638189A (zh) | Ct成像方法和装置 | |
| US8938104B2 (en) | Systems and methods for adaptive filtering | |
| JP2022113115A (ja) | ビームハードニング補正方法、ｘ線ｃｔ装置及びビームハードニング補正プログラム | |
| US20230252695A1 (en) | Systems and methods for monitored tomographic reconstruction | |
| CN117671046A (zh) | 能谱图像处理方法、装置、计算机设备及存储介质 | |
| US10192328B2 (en) | Method for statistical weights design in iterative reconstruction algorithms | |
| CN115797485A (zh) | 图像去伪影方法、系统、电子设备及存储介质 | |
| US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
| US6931094B2 (en) | Methods and systems for smoothing | |
| JP5493072B2 (ja) | Ｃｔ装置、ｃｔ装置における画像再構成方法、及び電子回路部品 | |
| Li et al. | A strategy for reduction of streak artifacts in low-dose CT | |
| US20230274475A1 (en) | Computer processing techniques for streak reduction in computed tomography images |
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 |