技术领域
本发明涉及医疗影像设备领域，特别涉及一种对CT扫描数据进行校正的方法及CT扫描系统。
背景技术
由于CT(Computed Tomography,计算机断层显像)设备实际使用的是多能谱X射线，随着射线穿透深度的增加，软射线(低能量射线)衰减大于硬射线(高能量射线)，即射束硬化，导致射线的能谱持续发生变化，而CT设备的图像重建基于单能X射线的衰减，因此需要进行谱校正以补偿能谱的变化。目前使用的射束硬化校正多为在特定扫描参数下分别扫描空气和标准体模，然后根据特定算法计算校正系数以校正射束投影值。该方法得到的校正系数比较准确，但只适用于特定扫描参数。当临床扫描参数发生变化时，例如，当X射线管电压发生变化时，发出的X射线能谱也会发生变化，此时需要重新扫描空气与体模并计算校正系数，不利于实际应用。 发明内容
针对上述问题，本发明提供了一种在任意扫描参数下能够快速获取校正系数的方法。
为达到上述发明目的，本发明提供的技术方案如下：
本发明披露了一种对CT扫描数据进行校正的方法，包括：确定第一扫描参数；至少部分基于所述第一扫描参数，获取特征值；获取经训练的神经网络模型；以及将所述特征值输入到所述经训练的神经网络模型中，得到所述第一扫描参数对应的校正系数。所述特征值包括所述第一扫描参数和第一投影值中的至少一种，所述第一投影值包括在第一扫描参数下扫描空气得到的投影值； 根据本发明的一些实施例，所述获取经训练的神经网络模型包括：构建神经网络模型，对所述神经网络模型进行训练，得到所述经训练的神经网络模型。
根据本发明的一些实施例，所述对所述神经网络模型进行训练，包括：获取一个或多个训练样本，所述训练样本包括第二扫描参数和第二投影值中的至少一个，所述第二投影值包括在所述第二扫描参数下扫描空气得到的投影值；以及使用所述一个或多个训练样本对所述神经网络模型进行训练。
根据本发明的一些实施例，所述对神经网络模型进行训练包括：使用min||{ai }-{a i} ideal||为
优化目标函数，其中{a i}为所述训练样本输入到所述神经网络模型后的输出值，{a i} ideal为所述训练样本的参考输出值。
根据本发明的一些实施例，所述使用所述一个或多个训练样本对所述神经网络模型进行训练包括：判断训练后的神经网络模型是否满足预设条件，若满足预设条件，停止对所述神经网络模型的训练。
根据本发明的一些实施例，所述方法还包括以下步骤：在所述第一扫描参数下获取CT扫描数据；以及使用所述校正系数对所述CT扫描数据进行校正。
根据本发明的一些实施例，使用所述校正系数对所述CT扫描数据进行校正，包括使用如下校正函数：
其中j为校正阶数，x为所述CT扫描数据，a i为所述校正系数，y为校正后的CT扫描数据。
本发明还披露了一种CT扫描系统，包括：处理组件，配置为确定第一扫描参数；校正系数计
算组件，配置为至少部分基于所述第一扫描参数，获取特征值，获取经训练的神经网络模型，以及将所述特征值输入到所述经训练的神经网络模型中，得到所述第一扫描参数对应的校正系数。
根据本发明的一些实施例，所述系统还包括扫描组件，配置为基于所述第一扫描参数下，获取CT扫描数据；其中所述处理组件还配置为使用所述校正系数对所述CT扫描数据进行校正。
根据本发明的一些实施例，所述系统还包括样本获取模块和模型训练模块。所述样本获取模块被配置为获取一个或多个训练样本，所述训练样本包括第二扫描参数和第二投影值中的至少一个，所述第二投影值包括在所述第二扫描参数下扫描空气得到的投影值。所述模型训练模块，被配置为使用所述一个或多个训练样本对所述神经网络模型进行训练。
附图说明
图1是根据本发明的一种CT扫描系统的结构示意图；
图2是根据本发明的一些实施例提供的一种神经网络模型的结构示意图；
图3是根据本发明提供的一种基于神经网络模型获取校正系数的方法的流程示意图；
图4是根据本发明的一种训练神经网络模型得到经训练的神经网络模型的方法的流程示意图；
图1标记：100为CT扫描系统，110为扫描组件，111为机架，112为扫描床，113位X射线源，114为X射线探测器，120为网络，130为处理组件，140为存储组件，150为校正系数计算组件，152为样本获取模块，154为存储模块，156为模型训练模块，158为校正系数计算模块；
图2标记：201为神经网络模型的输入端，202为神经网络层，203为输出端。
具体实施方式
下面通过具体实施例并结合附图对本发明做进一步描述。
图1是根据本发明的一些实施例提供的一种CT扫描系统100的结构示意图。如图1所示，CT扫描系统100包括扫描组件110、处理组件130、存储组件140和校正系数计算组件150。该CT扫描系统100的各个组件之间可以通过网络120互相连接。
扫描组件110可以包括机架111、扫描床112、X射线源113和X射线探测器114。机架111包含一个中空腔室作为扫描腔，扫描腔可至少部分容纳扫描床112。机架111可以旋转，其上的X射线源113可以产生X射线，从不同角度对待扫描对象进行扫描并得到投影值，该投影值可以用于图像重建，得到CT图像。
扫描床112可以支撑待扫描对象。所述待扫描对象可以是病人或者体模，也可以是其他被扫描的物体。扫描床112可以平行于地面。
X射线源113可以产生X射线束，该射线束穿过待扫描对象后到达X射线探测器114。X射线探测器114接收穿过待扫描对象衰减后的X射线束，得到实际投影值。
X射线源113中可以包括高压射线管(图中未示出)，高压射线管用于产生X射线束。高压射线管可以发出多能谱X射线，该多能谱X射线可以包括软射线(低能量射线)和硬射线(高能量射线)。对待扫描对象进行扫描时，X射线束可以穿透待扫描物体。随着X射线束穿透深度的增加，软射线(低能量射线)衰减大于硬射线(高能量射线)衰减，即射束硬化，导致X射线束的能谱持续发生变化。而CT扫描系统的图像重建基于单能X射线的衰减，因此需要进行谱校正以补偿能谱的变化。谱校正的目标是获取一组校正系数，所述校正系数可以校正X射线探测器1
14接收到的实际投影值。在一些实施例中，所述校正系数对所述实际投影值的校正可以通过公式(1)所示的函数实现：
其中，在公式(1)中，j为可配置的校正阶数，例如j可以是3或者4。在一些实施例中，该校正阶数可以由用户确定。x为X射线探测器114接收到的实际投影值，a i为校正系数，y为校正后的投影值，校正后的投影值可以用于CT图像重建。
网络120可以连接CT扫描系统100的各组件，使CT扫描系统100的各组件之间可以进行数据交换。网络120可以是有线网络或无线网络，或者其组合。
处理组件130是CT扫描系统100的控制与数据处理部分，可以配置为处理数据、产生控制信号，以控制CT扫描系统100的运行等。
存储组件140可以配置为存储CT扫描系统100的数据。例如，存储组件140可以存储CT扫描协议、扫描参数、扫描投影值、CT图像、特定扫描参数对应的理想校正系数等。
校正系数计算组件150可以配置为基于神经网络模型计算射束硬化校正系数。神经网络模型是一种包含多个参数的非线性算法，经过训练后可以提取输入数据的特征，并根据提取的特征进行分类，得到特征输出。根据本申请的一些神经网络模型的具体描述可以参见图2及其对应的描述部分。校正系数计算组件150可以包括样本获取模块152、存储模块154、模型训练模块156以及校正系数计算模块158，将在下文中具体描述。在一些实施例中，校正系数计算组件150可以是一个连接到处理组件130和/或网络120的独立组件。例如，校正系数计算组件140可以是一个计算设备，例如个人计算机、服务器、平板电脑、手机或类似设备等。在一些实施例中，校正系数计算组件150可以集成到所述处理组件130和/或所述CT扫描系统100中。
样本获取模块152可以获取训练样本。训练样本用于对神经网络模型进行训练。训练样本可以包括输入值和参考输出值。所述训练样本的输入值可以包括空气投影值和/或扫描参数中的至少一个。例如，在一些实施例中，训练样本的输入值可以包括扫描参数和与该扫描参数对应的空气投影值。在另一些实施例中，训练样本的输入值可以包括扫描参数。在又一些实施例中，训练样本的输入值可以包括与某一扫描参数对应的空气投影值。扫描参数可以是高压射线管电压和/或电流值。空气投影值可以是CT扫描系统100在某一扫描参数下扫描空气后在
X射线探测器114接收到的投影值。例如，在扫描床112上不放置任何物体，然后控制X射线源113发出X射线进行扫描，并用X射线探测器114接收X射线，得到空气投影值。所述样本的参考输出值可以包括一个或多个理想校正系数。在一些实施例中，理想校正系数可以通过扫描标准体模后计算得到。通过扫描标准体模得到理想校正系数的方法在现有技术中已有描述，本发明中不做具体阐述。
样本获取模块152可以从CT扫描系统100的其他组件中获取数据得到训练样本。例如，样本获取模块152直接从存储组件140中获取扫描参数、空气投影值和理想校正系数以得到训练样本。又例如，样本获取模块152可以从处理组件130中获取扫描参数，从X射线探测器114获取该扫描参数下的空气投影值，从存储组件140中获取该扫描参数下的理想校正系数，得到训练样本。样本获取模块152可以将得到的训练样本存储到存储模块154中，也可以将训练样本存储到存储组件140中。
存储模块154可以存储数据，所述数据可以包括训练样本集、神经网络模型、经训练的神经网络模型以及训练模型过程中使用的数据等，将在下文中进行描述。
模型训练模块156可以对神经网络模型进行训练。对神经网络模型进行训练，是将训练样本
的输入值输入到神经网络模型中，神经网络模型对输入值经过运算后得到输出值。然后使用优化函数对模型的当前参数进行反向调整。在一些实施例中，所述对模型的反向调整过程可以是一个迭代的过程。每次使用训练样本训练后，神经网络模型中的参数都会发生变化，作为下一次输入训练样本进行训练的“初始化参数”。例如，在一些实施例中，可以使用公式(2)所示的函数对模型的参数进行反向调整：
min||{a i}-{a i} ideal|| (2)
其中{a i}为神经网络模型输出值，{a i} ideal为该训练样本中的参考输出值，该优化函数的目标是调整模型的参数，使神经网络模型的输出值与参考输出值差值最小。当使用多个训练样本进行训练后，模型中的参数值可以达到最优，即神经网络模型的输出值与参考输出值差值最小，训练完成。神经网络模型训练完成后，得到经训练的神经网络模型，其中的参数值固定。经训练的神经网络模型可以被发送至存储模块154和/或存储组件140中进行存储，也可以发送至校正系数计算模块158。
校正系数计算模块158可以使用经训练的神经网络模型计算校正系数。校正系数计算模块158可以获取特征值，将特征值作为输入值输入到经训练的神经网络模型中，得到输出值作为校
正系数。其中特征值可以包括CT扫描系统100扫描空气得到的空气投影值，还可以包括扫描参数。在一些实施例中，校正系数计算模块158可以从扫描组件110、处理组件130和/或存储组件140处获取所述特征值。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议