一种基于迭代残差网络的双能CT图像分解方法

一种基于迭代残差网络的双能ct图像分解方法
技术领域
1.本发明涉及双能ct图像分解技术领域，具体为一种基于迭代残差网络的双能ct图像分解方法。


背景技术：

2.双能ct成像技术广泛的应用于医学成像、公共安全和工业无损检测等领域，具有重要应用潜力和研究价值。与传统的单能ct成像技术相比，双能ct成像能够利用不同能谱下图像衰减信息获得被扫描物质的密度和结构分布等信息，具有更高的物质识别能力。
3.目前，双能ct图像重建算法主要可以包括三类：基于投影域预处理的图像重建算法、迭代类直接重建算法和基于图像域后处理的图像重建算法。基于投影域预处理的图像重建算法充分利用高、低能谱信息将高低能投影数据转化为基材料分解模型中对应的分解系数投影，从而使用常规ct图像重建算法实现双能ct图像重建。虽然这类方法在理论上有效消除硬化伪影的影响，但它们需要使用非线性模型的精确系统校准，而且要求高、低能投影数据集在空间几何上是一致的。迭代类直接重建算法极大的降低了基材料图像中的噪声和伪影，重建图像信噪比比较高，但是这类方法计算成本较高，降低了算法的实用性。
4.基于图像域后处理的图像重建算法直接对高、低能ct重建图像在图像域进行材料分解，获取物体断层的物理参数分布图像。此类算法对于几何上一致或不一致的高、低能投影集都适合，能够直接应用于现有的成像系统中，计算简便。图像域若直接对ct图像进行线性矩阵反演，分解后的材料图像会受到噪声和伪影的严重影响。虽然各种正则化方法 (例如全变分(tv)及其变种模型，非局部均值，字典学习等)可以较好的抑制噪声和伪影，单它们仍然面临着两个挑战:繁琐的参数调整和过度平滑导致的图像细节损失，限制了算法的实用性。近年来，深度学习算法在医学图像处理领域得到了广泛的应用。其中迭代神经网络已成功的应用于多种逆成像问题，可以提高图像质量，且无需参数调节。
5.为了能够高效的实现双能ct材料分解，本技术设计了一种基于迭代残差网络的双能 ct图像分解方法，实际应用中，可以避免繁琐的参数调整，提高基材料图像的质量。


技术实现要素：

6.本发明的目的在于提供一种基于迭代残差网络的双能ct图像分解方法，以解决上述背景技术中提出的问题。
7.为了解决上述技术问题，本发明提供如下技术方案：一种基于迭代残差网络的双能 ct图像分解方法，所述图像分解方法包括以下步骤：
8.步骤s100：根据被测人体部位从人体模型中选取若干个不同特征的人体部位模型，并据此建立训练数据集；
9.步骤s200：构建用于实现双能ct图像分解的迭代残差网络；
10.步骤s300：基于步骤s100中的训练数据集对步骤s200中的迭代残差网络进行网络训练，完成网络训练并保存训练结果；
11.步骤s400：采集被检测物体的双能投影数据，并将投影数据通过单能ct图像重建算法重建得到被检测物体的高能ct图像和低能ct图像；
12.步骤s500：利用步骤s300中完成训练的迭代残差网络分解步骤s400中被检测物体的高能ct图像和低能ct图像，输出被检测物体的基材料密度图像。
13.进一步的，所述步骤s100还包括：
14.步骤s110：根据被测人体部位从xcat人体模型中选取若干个不同特征的人体部位模型；
15.步骤s120：使用ge lightspeed型x射线探测构建dect图像重建系统对选取的人体部位模型进行模拟扫描重建得到人体部位模型的高能ct图像和低能ct图像；
16.步骤s130：将步骤s120得到的高能ct图像、低能ct图像直接求逆分解得到基材料密度图像作为输入数据；
17.步骤s140：从xcat导出人体部位模型在不同能量下的两个理想单能图像，对这两个理想单能图像直接求逆分解得到的基材料密度图像作为标签数据，其中，在两个理想单能图像中，一个理想单能图像所对应的能量大于另一个理想单能图像所对应的能量；
18.步骤s150：将步骤s130得到的输入数据和步骤s140得到的标签数据建立训练数据集。
19.进一步的，所述步骤s130中将步骤s120得到的高能ct图像、低能ct图像直接求逆分解得到基材料密度图像作为输入数据包括：
20.所述基材料密度图像x＝a-1
y，
21.其中，为第l种材料的基图像，m为材料的种类数目，l的取值范围为1、2、
…
、m；
22.y为高能ct图像、低能ct图像组成一个向量，yh和y
l
分别是第一能量和第二能量下的衰减图像，第一能量的能量值高于第二能量的能量值，为yh的转置，为y
l
的转置，r为实数，n
p
是高能ct图像或者低能ct图像的像素总数；
23.a为质量衰减系数矩阵，a由a0和单位阵i的克罗内克积组成,ω
lh
＝μ
lh
/ρ
l
，ω
ll
＝μ
ll
/ρ
l
，ω
lh
为第l种材料在第一能量时的质量衰减系数，ω
ll
为第l种材料在第二能量时的质量衰减系数，μ
lh
为第l种材料在第一能量下的线性衰减系数，μ
ll
为第l种材料在第二能量下的线性衰减系数，ρ
l
为第l种材料的密度。
24.进一步的，所述步骤s200中用于实现双能ct图像分解的迭代残差网络采用正则化模型，所述正则化模型为：r(x)为正则化项，λ为数据保真项的加权参数。
25.进一步的，对所述步骤s200中的正则化模型进行演变得到：
[0026][0027]
其中，为被检测物体的基材料密度图像，d(x，y)为数据保真项，r(x)为正则化项，λ为数据保真项的加权参数。
[0028]
进一步的，对所述步骤s200中的正则化模型采用梯度下降法求解得到更新过程如公式一：
[0029][0030]
其中，x
t
为第t次迭代更新的基材料密度图像，a
t
为a的转置，为r(x)的梯度，t 为迭代次数。
[0031]
进一步的，将所述步骤s200中公式一中的a
t
(ax
t-y)和用神经网络展开，得到迭代更新过程如公式二：
[0032][0033]
其中，f
i-cnn
(
·
)为迭代更新中间过程中基材料图像的卷积模块，f
t-cnn
(
·
)是ax
t
的卷积模块，θi是网络中训练的参数，i＝1，2，网络训练中以步骤s130得到的基材料密度图像为输入数据。
[0034]
进一步的，对所述步骤s200中公式二中的θi采用adam优化算法寻找最优参数。
[0035]
进一步的，所述步骤s120中还包括：
[0036]
使用ge lightspeed型x射线探测构建的dect图像重建系统对选取的人体部位模型进行模拟扫描得到人体部位模型的双能投影数据，在双能投影数据中加入泊松噪声后，利用dect图像重建系统重建得到人体部位模型的高能ct图像和低能ct图像。
[0037]
进一步的，所述步骤s500进一步包括：
[0038]
将步骤s400中被检测物体的高能ct图像和低能ct图像直接求逆分解得到的基材料分解图像作为步骤s300中完成训练的迭代残差网络的初始迭代点，利用步骤s300中完成训练的迭代残差网络对被检测物体的高能ct图像和低能ct图像进行材料分解，输出被检测物体的基材料密度图像。
[0039]
与现有技术相比，本发明所达到的有益效果是：本发明根据xcat人体模型建立相应训练数据集，一旦网络完成训练，面对检测样本无需调节参数，可以快速完成分解。并且本技术中的迭代网络中添加了图像域子网，网络可以提高对硬化伪影的抑制能力。其次，通过对训练数据的学习，迭代残差网络可以充分利用先验知识，提高材料分解的质量。
附图说明
[0040]
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
[0041]
图1是本发明一种基于迭代残差网络的双能ct图像分解方法的流程示意图；
[0042]
图2是本发明一种基于迭代残差网络的双能ct图像分解方法中的xcat人体模型；
[0043]
图3是本发明一种基于迭代残差网络的双能ct图像分解方法中的迭代残差网络结构图；
[0044]
图4是本发明一种基于迭代残差网络的双能ct图像分解方法中的卷积神经网络模型。
具体实施方式
[0045]
下面将结合本发明实施例中的附图，对本发明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。
[0046]
本技术中的ct是computed tomography的简称，即计算机断层成像技术；
[0047]
本技术中的ge lightspeed为断层扫描机；
[0048]
本技术中的cnn为卷积神经网络，t-cnn和i-cnn为分别针对不同的图像的卷积神经网络，其中，t-cnn卷积神经网络针对的是图像域中的高能ct图像和低能ct图像，i-cnn 卷积神经网络针对的是基材料图像。
[0049]
请参阅图1-4，本发明提供技术方案：一种基于迭代残差网络的双能ct图像分解方法，所述图像分解方法包括以下步骤：
[0050]
步骤s100：根据被测人体部位从人体模型中选取若干个不同特征的人体部位模型，并据此建立训练数据集；特征包括性别、年龄、身高和体重等等；
[0051]
所述步骤s100包括：
[0052]
步骤s110：如图2所示为杜克大学基于真实人体制作的4d xcat人体模型，4d xcat 人体模型能够提供人体解剖学和生理学的精确计算，根据被测人体部位从xcat人体模型中选取选出10个不同性别、年龄、身高和体重的人体部位模型；
[0053]
步骤s120：使用ge lightspeed型x射线探测构建dect图像重建系统对选取的人体部位模型进行模拟扫描重建得到人体部位模型的高能ct图像和低能ct图像，其中，使用 ge lightspeed型x射线探测构建的dect图像重建系统对选取的人体部位模型进行模拟扫描得到人体部位模型的双能投影数据，在双能投影数据中加入泊松噪声后，利用dect 图像重建系统重建得到人体部位模型的高能ct图像和低能ct图像，在投影数据中加入泊松噪声，因为实际采集的投影是含有噪声的，加入泊松噪声用于模拟实际采集投影中的噪声；
[0054]
医院诊断采用的能量范围通常为60-140kvp，较高管电压如140kvp下得到的重建图像为高能ct图像，较低管电压如80kvp下得到的重建图像为低能ct图像。在实际实施过程中，根据被检测物体的先验确定两个不同的能量值，其中，两个能量值中，较高能量值下得到的重建图像为高能ct图像，较低能量值下得到的重建图像为低能ct图像。
[0055]
步骤s130：将步骤s120得到的高能ct图像、低能ct图像直接求逆分解得到基材料密度图像作为输入数据，包括：
[0056]
在图像域基材料分解的过程中，高能ct图像、低能ct图像与基材料分解图像之间的近似线性关系，可以表示为y＝ax，所述基材料密度图像x＝a-1
y，
[0057]
其中，为第l种材料的基图像，m为材料的种类数目，l的取值范围为1、2、
…
、m，例如，如果材料的种类数为2，那么为第l种材料的基图像，l的取值范围为1、2，此时如果材料的种类数为 3，那么为第l种材料的基图像，l的取值范围为1、2、3，此时这里的材料指的是分解基材料；
[0058]
y为高能ct图像、低能ct图像组成一个向量，yh和y
l
分别是第
一能量和第二能量下的衰减图像，第一能量的能量值高于第二能量的能量值，为yh的转置，为y
l
的转置，r为实数，n
p
是高能ct图像或者低能ct图像的像素总数，高能ct 图像与低能ct图像的像素总数是相同的；
[0059]
a为质量衰减系数矩阵，a由a0和单位阵i的克罗内克积组成，a0为材料分解矩阵，ω
lh
＝ω
lh
/ρ
l
，ω
ll
＝μ
ll
/ρ
l
，ω
lh
为第l种材料在第一能量时的质量衰减系数，ω
ll
为第l种材料在第二能量时的质量衰减系数，μ
lh
为第l种材料在第一能量下的线性衰减系数，μ
ll
为第l种材料在第二能量下的线性衰减系数，ρ
l
为第l种材料的密度。
[0060]
步骤s140：从xcat导出人体部位模型在不同能量下的两个理想单能图像，对这两个理想单能图像直接求逆分解得到的基材料密度图像作为标签数据，其中，在两个理想单能图像中，一个理想单能图像所对应的能量大于另一个理想单能图像所对应的能量，比如，两个理想单能图像，一个是50kev下的理想单能图像，另一个是110kev下的理想单能图像；x射线通常是多色，具有连续能谱分布，即多能，单能是相对多能而言，即x射线是单色的，即是单个能量下产生的x射线。理想单能图像即为单个能量下产生的x射线得到的图像；这里对这两个理想单能图像直接求逆分解得到的基材料密度图像中直接求逆分解的步骤与步骤s130中直接求逆分解的步骤是相同的；
[0061]
步骤s150：将步骤s130得到的输入数据和步骤s140得到的标签数据建立训练数据集。
[0062]
步骤s200：构建用于实现双能ct图像分解的迭代残差网络，正则化模型为：r(x)为正则化项，λ为数据保真项的加权参数，由于有噪声等误差，所以y-ax不会等于0；双能ct材料分解方面，双能ct图像直接求逆分解 x＝a-1
y这种分解方式容易引起噪声放大，分解后的材料图像会受到噪声和伪影的严重影响，而本技术中采用正则化方法以及图像域迭代分解的双能ct成像方法取得较好的噪声抑制效果；
[0063]
对上述正则化模型进行演变得到：
[0064][0065]
其中，为被检测物体的基材料密度图像，d(x，y)为数据保真项，d(x，y)结合卷积神经网络来拟合x和y之间的关系，r(x)为正则化项，λ为数据保真项的加权参数，λ是用于控制数据保真项和正则化项之间的平衡，λ的位置变化是方便在网络中实现参数自适应调节，无需人工调节；
[0066]
对所述步骤s200中的正则化模型采用梯度下降法求解得到更新过程如公式一：
[0067][0068]
其中，x
t
为第t次迭代更新的基材料密度图像，a
t
为a的转置，为r(x)的梯度，t 为迭代次数。
[0069]
将所述步骤s200中公式一中的a
t
(ax
t-y)和用神经网络展开，得到迭代更新过程如公式二：
[0070]
[0071]
其中，f
i-cnn
(
·
)为迭代更新中间过程中基材料图像的卷积模块，f
t-cnn
(
·
)是ax
t
的卷积模块，θi是网络中训练的参数，i＝1，2，网络训练中以步骤s130得到的基材料密度图像为输入数据，即基材料密度图像作为初始基图像，θi采用adam优化算法寻找最优参数；本实施例中，迭代次数为200次，前100次学习率为10-4
，后100次学习率为10-5
；
[0072]
如图3所示，本发明将迭代过程展开为递归残差网络，其中，正则化项被堆叠的卷积神经网络替代，图3中右侧展示了迭代展开式，其中有三个并行的子模块：残差连接，分解域子网和图像域子网，多个迭代块构造了深度迭代残差网络。
[0073]
x
n-1
与xn之间利用shortcut连接形成一个残差结构，加速网络训练、避免梯度消失，其中，shortcut即为图3中连接x
n-1
和∑的曲线；分解域子网中i-cnn模块相当于公式一中的与传统的正则化项不同，卷积神经网络作为正则项可以通过对训练数据的学习来充分利用先验知识提高图像质量，可以避免图像过度平滑。
[0074]
此外，构成图像域子网，将中间的迭代结果x
n-1
乘系统矩阵a得到的图像进行cnn滤波处理得到滤波图像，并将原始高能ct图像、低能ct图像图像插入到上述滤波图像中。
[0075]
相当于公式一中a
t
(ax
t-y)中的y，这个过程增加了对图像域数据的约束。图像域双能ct材料分解易受硬化伪影的影响，因此，本技术中增加的图像域子网可以有效抑制噪声和伪影，提高分解效果。
[0076]
如图4所示，显示了卷积模块、i-cnn卷积模块和t-cnn卷积模块设计为双输入、双输出的卷积神经网络模型，且具有相同的结构。上述卷积神经网络模型只包含卷积和激活操作，其中含有三个卷积层和两个激活层。本技术考虑到基材料图像和双能ct图像具有一些共同的属性和交叉属性，对双输入图像进行交叉卷积。换句话说，这表明cnn模块可以捕获双输入图像之间的相关性，并且通过监督学习完成特征提取和分流。
[0077]
步骤s300：基于步骤s100中的训练数据集对步骤s200中的迭代残差网络进行网络训练，完成网络训练并保存训练结果；
[0078]
步骤s400：采集被检测物体的双能投影数据，并将投影数据通过单能ct图像重建算法重建得到被检测物体的高能ct图像和低能ct图像；
[0079]
步骤s500：利用步骤s300中完成训练的迭代残差网络分解步骤s400中被检测物体的高能ct图像和低能ct图像，输出被检测物体的基材料密度图像，包括：
[0080]
将步骤s400中被检测物体的高能ct图像和低能ct图像直接求逆分解得到的基材料分解图像作为步骤s300中完成训练的迭代残差网络的初始迭代点，利用步骤s300中完成训练的迭代残差网络对被检测物体的高能ct图像和低能ct图像进行材料分解，输出被检测物体的基材料密度图像。这里对被检测物体的高能ct图像和低能ct图像直接求逆分解得到的基材料分解图像中的直接求逆分解的步骤与步骤s130中直接求逆分解的步骤是相同的。
[0081]
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、物品或者设备
所固有的要素。
[0082]
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。