能谱CT的材料分解方法、装置、存储介质及电子设备.pdf

《能谱CT的材料分解方法、装置、存储介质及电子设备.pdf》由会员分享，可在线阅读，更多相关《能谱CT的材料分解方法、装置、存储介质及电子设备.pdf（26页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201910943171.0 (22)申请日 2019.09.30 (71)申请人 中国科学院深圳先进技术研究院 地址 518055 广东省深圳市南山区深圳大 学城学苑大道1068号 (72)发明人 葛永帅梁栋张谊坤刘新 郑海荣 (74)专利代理机构 北京品源专利代理有限公司 11332 代理人 孟金喆 (51)Int.Cl. G06T 11/00(2006.01) (54)发明名称 能谱CT的材料分解方法、 装置、 存储介质及 电子设备 (57)摘要 本发明实施例公开了一种能谱。

2、CT的材料分 解方法、 装置、 存储介质及电子设备。 该方法包 括： 获取多能谱CT投影数据； 将多能谱CT投影数 据输入至预先训练的能谱分解模型中， 根据能谱 分解模型的输出结果， 得到各材料基的CT图像， 其中， 能谱分解模型用于同步对多能谱CT投影数 据进行图像重建和能谱分解。 本发明实施例的技 术方案， 可以实现端到端的一站式能谱CT的材料 分解， 中间环节的省略可以有效降低CT图像的噪 声水平， 由此提高了能谱CT的材料分解的效率和 质量。 权利要求书3页 说明书15页 附图7页 CN 110675467 A 2020.01.10 CN 110675467 A 1.一种能谱CT的材料。

3、分解方法， 其特征在于， 包括： 获取多能谱CT投影数据； 将所述多能谱CT投影数据输入至预先训练的能谱分解模型中， 根据所述能谱分解模型 的输出结果， 得到各材料基的CT图像， 其中， 所述能谱分解模型用于同步对所述多能谱CT投 影数据进行图像重建和能谱分解。 2.根据权利要求1所述的方法， 其特征在于， 所述能谱分解模型的训练方法包括： 采集初始图像， 对所述初始图像的像素值进行通道分解， 得到模拟材料基； 基于预设规则， 根据模拟材料基生成模拟多能谱样本数据； 构建初始能谱分解模型； 基于所述模拟多能谱样本数据和所述模拟材料基对所述初始能谱分解模型进行训练， 调节所述初始能谱分解模型的网。

4、络参数， 生成能谱分解模型。 3.根据权利要求2所述的方法， 其特征在于， 对所述初始图像的像素值进行通道分解， 得到模拟材料基， 包括： 提取所述初始图像中R通道、 G通道和B通道的像素值， 基于任一通道的像素值生成对应 的归一化灰度图像， 将所述归一化灰度图像与所述归一化灰度图像的关联灰度图像作为模 拟材料基， 其中， 所述关联灰度图像的像素点的像素值根据数值1与归一化灰度图像中对应 像素点的像素值的差值确定。 4.根据权利要求2所述的方法， 其特征在于， 所述初始能谱分解模型包括多通道网络模 型； 对于第一通道网络模型， 所述第一通道网络模型包括依次连接的投影域子模型、 数据 转换模块和。

5、图像域子模型； 其中， 所述第一通道网络模型的投影域子模型还与第二通道网络模型的投影域子模型进行 连接， 用于提取输入数据的第一特征信息， 将所述第一特征信息与所述第二通道网络模型 中投影域子模型提取的第二特征信息进行交互， 并将所述第一特征信息与第二特征信息进 行融合； 所述数据转换模块用于将所述投影域子模型输出的投影数据转换为CT图像； 所述第一通道网络模型的图像域子模型还与第二通道网络模型的图像域子模型连接， 用于提取CT图像的第三特征信息， 所述第三特征信息与所述第二通道网络模型中图像域子 模型提取的第四特征信息进行交互， 并将所述第三特征信息与第四特征信息进行融合， 生 成材料基的C。

6、T图像。 5.根据权利要求4所述的方法， 其特征在于， 所述投影域子模型包括第一信息提取模 块、 第一信息交互模块和第一信息融合模块； 其中， 所述第一信息提取模块用于对输入的能谱CT投影数据进行特征提取， 生成第一特征信 息， 所述第一信息交互模块与第二通道网络模型中的投影域子模型连接， 用于将提取的第 一特征信息发送至所述第二通道网络模型， 所述第一信息融合模块用于接收第二通道网络 模型中的投影域子模型发送的第二特征信息， 并将所述第一特征信息与所述第二特征信息 进行融合； 所述图像域子模型包括第二信息提取模块、 第二信息交互模块和第二信息融合模块； 其中， 权利要求书 1/3 页 2 C。

7、N 110675467 A 2 所述第二信息提取模块用于对输入的CT图像进行特征提取， 生成第三特征信息， 所述 第二信息交互模块与第二通道网络模型中的图像域子模型连接， 用于将提取的第三特征信 息发送至所述第二通道网络模型， 所述第二信息融合模块用于接收第二通道网络模型中的 图像域子模型发送的第四特征信息， 并将所述第三特征信息与所述第四特征信息进行融 合， 生成材料基的CT图像。 6.根据权利要求2所述的方法， 其特征在于， 构建初始能谱分解模型， 包括： 确定材料基迭代函数， 根据所述材料基迭代函数的组成结构进行函数划分， 得到各组 成部分； 根据所述组成部分构建数据处理模块； 根据所述。

8、各组成部分之间的关联关系确定各数据处理模块的连接关系， 生成所述初始 能谱分解模型的任一网络层， 其中， 所述初始能谱分解模型包括多通道子模型， 任一通道子 模型包括预设数量的网络层， 各网络层的网络结构相同。 7.根据权利要求6所述的方法， 其特征在于， 任一所述材料基迭代函数包括分母部分、 分子中的输入数据处理部分和分子中的先验 函数部分； 相应的， 任一网络层中的数据处理模块包括第一数据模块Denoninator-bk、 第二数据模 块Numerator-bk和卷积网络模块CNN-bk,其中， 所述第二数据模块与前一网络层中各通道的 输出端连接， 用于对各通道输出的材料基数据进行融合， 。

9、其中， bk是编号为k的材料基， k是 大于等于2的整数。 8.根据权利要求7所述的方法， 其特征在于， 所述第二数据模块包括正向传输数据子模 块和梯度回传子模块， 其中， 所述正向传输数据子模块用于对正向输入数据进行处理， 所述 梯度回传子模块用于对反向输入数据进行处理。 9.根据权利要求2所述的方法， 其特征在于， 基于所述模拟多能谱样本数据和所述模拟 材料基对所述初始能谱分解模型进行训练， 调节所述初始能谱分解模型的网络参数， 生成 能谱分解模型， 包括： 将所述模拟多能谱样本数据输入至初始能谱分解模型， 生成预测材料基； 根据所述预测材料基与所述模拟材料基的均方差， 确定损失函数； 将。

10、所述损失函数反向输入至所述初始能谱分解模型， 调节所述初始能谱分解模型的网 络参数， 生成能谱分解模型。 10.一种能谱CT的材料分解装置， 其特征在于， 包括： 投影数据获取模块， 用于获取多能谱CT投影数据； 能谱分解模块， 用于将所述多能谱CT投影数据输入至预先训练的能谱分解模型中， 根 据所述能谱分解模型的输出结果， 得到各材料基的CT图像， 其中， 所述能谱分解模型用于同 步对所述多能谱CT投影数据进行图像重建和能谱分解。 11.一种电子设备， 其特征在于， 所述电子设备包括： 一个或多个处理器； 存储器， 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， 。

11、使得所述一个或多个处理器实 现如权利要求1-9中任一所述的能谱CT的材料分解方法。 权利要求书 2/3 页 3 CN 110675467 A 3 12.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序 被处理器执行时实现如权利要求1-9中任一所述的能谱CT的材料分解方法。 权利要求书 3/3 页 4 CN 110675467 A 4 能谱CT的材料分解方法、 装置、 存储介质及电子设备 技术领域 0001 本发明实施例涉及CT成像技术， 尤其涉及一种能谱CT的材料分解方法、 装置、 存储 介质及电子设备。 背景技术 0002 能谱CT成像是一种定量化CT成像技术，。

12、 利用不同能量的X射线对物体进行扫描的 方法， 理论计算出物体的组份。 当基于最基本的物质和X射线相互作用时， 能谱CT成像可以 精确的给出物质等效原子序数分布图、 电子密度分布图， 上述分解得到的CT图也称作材料 或者物质分解基。 0003 对于目前的能谱CT图像重建算法， 一类是投影域分解， 第二类是CT图像域分解。 所 谓投影域分解是指首先对采集到的投影数据进行基材料或者基物质的分解， 其次再进行CT 图像重建。 而CT图像域分解则正好相反， 它是先把不同能量采集到的数据进行CT图像重建， 然后对CT图像进行基材料或者基物质的分解。 前一类算法的优势是计算效率高， 但是缺点 是分解精度较。

13、差， 分解基图像的噪声较高。 后一类算法通常对数据采集过程进行建模， 同时 引入一定的正则化项来对重建过程进行约束， 保证最终得到的结果具有较低的噪声和较高 的精确度。 发明内容 0004 本发明提供一种能谱CT的材料分解方法、 装置、 存储介质及电子设备， 以提高能谱 CT的材料分解的效率和质量。 0005 第一方面， 本发明实施例提供了一种能谱CT的材料分解方法， 可以包括： 0006 获取多能谱CT投影数据； 0007 将多能谱CT投影数据输入至预先训练的能谱分解模型中， 根据能谱分解模型的输 出结果， 得到各材料基的CT图像， 其中， 能谱分解模型用于同步对多能谱CT投影数据进行图 像。

14、重建和能谱分解。 0008 第二方面， 本发明实施例还提供了一种能谱CT的材料分解装置， 该装置可以包括： 0009 投影数据获取模块， 用于获取多能谱CT投影数据； 0010 能谱分解模块， 用于将多能谱CT投影数据输入至预先训练的能谱分解模型中， 根 据能谱分解模型的输出结果， 得到各材料基的CT图像， 其中， 能谱分解模型用于同步对多能 谱CT投影数据进行图像重建和能谱分解。 0011 第三方面， 本发明实施例还提供了一种电子设备， 该电子设备可以包括： 0012 一个或多个处理器； 0013 存储器， 用于存储一个或多个程序； 0014 当一个或多个程序被一个或多个处理器执行， 使得一。

15、个或多个处理器实现本发明 任意实施例所提供的能谱CT的材料分解方法。 0015 第四方面， 本发明实施例还提供了一种计算机可读存储介质， 其上存储有计算机 说明书 1/15 页 5 CN 110675467 A 5 程序， 该计算机程序被处理器执行时实现本发明任意实施例所提供的能谱CT的材料分解方 法。 0016 本发明实施例的技术方案， 通过将多能谱CT投影数据输入至预先训练的能谱分解 模型中， 可以直接得到各材料基的CT图像， 该能谱分解模型将能谱分解和图像重建有机结 合起来， 同时具备能谱分解和图像重建的能力。 上述技术方案实现了端到端的一站式能谱 CT的材料分解， 中间环节的省略可以有。

16、效降低CT图像的噪声水平， 由此提高了能谱CT的材 料分解的效率和质量。 附图说明 0017 图1是本发明实施例一中的一种能谱CT的材料分解方法的流程图； 0018 图2是本发明实施例二中的一种能谱CT的材料分解方法的流程图； 0019 图3是本发明实施例二中的一种能谱CT的材料分解方法中的结果示意图； 0020 图4是本发明实施例三中的一种能谱CT的材料分解方法的流程图； 0021 图5a是本发明实施例三中的一种能谱CT的材料分解方法中的初始能谱分解模型 的第一种框架示意图； 0022 图5b是本发明实施例三中的一种能谱CT的材料分解方法中的初始能谱分解模型 的第二种框架示意图； 0023 。

17、图6是本发明实施例四中的一种能谱CT的材料分解方法的流程图； 0024 图7a是本发明实施例四中的一种能谱CT的材料分解方法中的初始能谱分解模型 的框架示意图； 0025 图7b是本发明实施例四中的一种能谱CT的材料分解方法中的初始能谱分解模型 中的卷积网络模块的框架示意图； 0026 图8是本发明实施例五中的一种能谱CT的材料分解装置的结构框图； 0027 图9是本发明实施例六中的一种电子设备的结构示意图。 具体实施方式 0028 下面结合附图和实施例对本发明作进一步详细说明。 可以理解的是， 此处所描述 的具体实施例仅仅用于解释本发明， 而非对本发明的限定。 另外还需要说明的是， 为了便于。

18、 描述， 附图中仅示出了与本发明相关的部分而非全部结构。 0029 实施例一 0030 图1是本发明实施例一中提供的一种能谱CT的材料分解方法的流程图。 本实施例 可适用于能谱CT的材料分解的情况， 尤其适用于得到多能谱CT投影数据对应的各材料基的 CT图像的情况。 该方法可以由本发明实施例提供的能谱CT的材料分解装置来执行， 该装置 可以由软件和/或硬件的方式实现， 该装置可以集成在各种电子设备上。 0031 参见图1， 本发明实施例的方法具体包括如下步骤： 0032 S110、 获取多能谱CT投影数据。 0033 其中， 多能谱电子计算机断层扫描仪(Computed Tomography，。

19、 CT)利用不同能量的 X射线对物体进行扫描， 获取多能谱CT投影数据， 该多能谱CT投影数据可以包括两个能谱或 是两个以上能谱的CT投影数据。 可选的， 各个能谱下的CT投影数据可以通过能量分辨光子 说明书 2/15 页 6 CN 110675467 A 6 计数探测器获得， 该能量分辨光子计数探测器可以分辨出捕获到的光子能量， 并对在预设 能谱区间的光子进行接收以及计数， 由此获得多能谱CT投影数据。 0034 S120、 将多能谱CT投影数据输入至预先训练的能谱分解模型中， 根据能谱分解模 型的输出结果， 得到各材料基的CT图像， 其中， 能谱分解模型用于同步对多能谱CT投影数据 进行图。

20、像重建和能谱分解。 0035 其中， 将多能谱CT投影数据输入至预先训练的能谱分解模型中， 该能谱分解模型 可以用于同步对多能谱CT投影数据进行图像重建和能谱分解， 得到各材料基的CT图像。 即， 该能谱分解模型没有简单地应用在多能谱CT投影数据的分解上， 和/或， 应用在基于多能谱 CT投影数据得到的重建图像的分解上； 而是将能谱分解和图像重建有机结合起来， 或是说 将材料分解和图像重建有机结合起来， 实现端到端的能谱CT分解， 这样就能提高能谱分解 模型的使用效率， 省略多能谱CT投影数据的预处理和/或重建图像的后处理等中间环节， 步 骤简单， 且有效降低CT图像的噪声水平并提高CT图像的。

21、精确度。 0036 从医学应用的角度考虑， 如果选择两种或者两种以上材料作为分解基， 基于能谱 分解模型得到的各材料基的CT图像可以精确地给出被扫描物体内这些选定的材料基的空 间构成比份图， 该空间构成比份图可以显著提高临床应用中对疾病的定量化诊断的准确 度， 具有十分可观的临床应用价值。 0037 本发明实施例的技术方案， 通过将多能谱CT投影数据输入至预先训练的能谱分解 模型中， 可以直接得到各材料基的CT图像， 该能谱分解模型将能谱分解和图像重建有机结 合起来， 同时具备能谱分解和图像重建的能力。 上述技术方案实现了端到端的一站式能谱 CT的材料分解， 中间环节的省略可以有效降低CT图像。

22、的噪声水平， 由此提高了能谱CT的材 料分解的效率和质量。 0038 实施例二 0039 图2是本发明实施例二中提供的一种能谱CT的材料分解方法的流程图。 本实施例 以上述各技术方案为基础进行优化。 在本实施例中， 可选的， 上述能谱分解模型的训练方 法， 具体可包括： 采集初始图像， 对初始图像的像素值进行通道分解， 得到模拟材料基； 基于 预设规则， 根据模拟材料基生成模拟多能谱样本数据； 构建初始能谱分解模型； 基于模拟多 能谱样本数据和模拟材料基对初始能谱分解模型进行训练， 调节初始能谱分解模型的网络 参数， 生成能谱分解模型。 其中， 与上述各实施例相同或相应的术语的解释在此不再赘述。

23、。 0040 参见图2， 本实施例的方法具体可以包括如下步骤： 0041 S210、 采集初始图像， 对初始图像的像素值进行通道分解， 得到模拟材料基， 并基 于预设规则， 根据模拟材料基生成模拟多能谱样本数据。 0042 其中， 在模型训练过程中， 作为训练数据的能谱CT的材料分解结果比如原子序数 分布图、 电子密度分布图较难得到， 为了得到大量的训练数据以提高模型训练的准确度， 可 以基于某些技术手段模拟能谱CT的材料分解结果， 进而得到训练数据。 比如， 由于能谱CT是 由各材料基构成， 相应的， 初始图像可以由各通道构成， 则对初始图像的通道分解的过程就 好比对能谱CT进行材料分解的过。

24、程， 由此， 初始图像的通道分解结果和能谱CT的材料分解 结果具有类似的性质， 基于上述思想可以模拟出能谱CT的材料分解结果。 0043 具体的， 采集初始图像， 该初始图像可以是任意的彩色自然图像， 在此基础上， 可 以对该初始图像进行归一化处理， 比如， 将初始图像的大小调整NM， N和M是大于等于2的 说明书 3/15 页 7 CN 110675467 A 7 整数， 这有助于规范化每张初始图像的尺寸， N和M可以是根据能谱CT图像尺寸确定， 示例性 的， 可以将初始图像的大小调整256256。 进一步， 若初始图像是由至少两个通道构成， 则 可以对初始图像的像素值进行通道分解， 得到各。

25、个通道各自对应的灰度图像， 并根据该灰 度图像生成CT图像， 该CT图像就可以作为模拟材料基， 即模拟出的能谱CT的材料分解结果。 0044 示例性的， 模拟材料基可以通过如下方式得到： 初始图像是由R通道、 G通道和B通 道构成， 提取初始图像中R通道、 G通道和B通道的像素值， 并基于任一通道的像素值生成对 应的归一化灰度图像， 也就是说， 该归一化灰度图像可以是基于R通道、 G通道或是B通道的 像素值生成的归一化处理后的灰度图像。 进一步， 根据任一通道的归一化灰度图像可以生 成与其对应的关联灰度图像， 该关联灰度图像的像素点的像素值可以根据数值1与归一化 灰度图像中对应像素点的像素值的。

26、差值确定。 比如， R通道的归一化灰度图像和1-R的关联 灰度图像， B通道的归一化灰度图像和1-B的关联灰度图像， G通道的归一化灰度图像和1-G 的关联灰度图像。 在此基础上， 对该归一化灰度图像与该归一化灰度图像的关联灰度图像 进一步处理， 得到它们各自对应的CT图像(正投影图像),并将这两项CT图像作为模拟材料 基。 0045 比如， 以生成两项模拟材料基为例， 可以提取初始图像中任一通道对应的归一化 灰度图像与该归一化灰度图像的关联灰度图像， 比如R通道的归一化灰度图像与1-R的关联 灰度图像， 并将这两项图像各自对应的CT图像作为模拟材料基， 当然， 也可以将G通道和1-G 各自对。

27、应的CT图像， 或是， B通道和1-B各自对应的CT图像作为模拟材料基。 再比如， 以生成 四项模拟材料基为例， 当式子Graya*R*0.5+b*(1-R)*0.5+c*B*0.5+d*(1-B)*0.5时， (R， (1-R)， B， (1-B)可以生成四项归一化灰度图像以及与该四项归一化图像分别对应的关联 灰度图像， 进而得到它们各自对应的CT图像， 由此得到四项模拟材料基， 其中， 式子中的R和 B(或G)分别是初始图像中R通道和B通道(或G通道)的像素值。 0046 在得到模拟材料基后， 可以基于该模拟材料基生成模拟多能谱样本数据， 该模拟 多能谱样本数据就相当于模拟出的能谱CT。 。

28、可选的， 经实验验证， 以两项模拟材料基b1和b2 为例， 模拟多能谱样本数据的生成式子可以是： 0047 0048 其中， PE是模拟多能谱样本数据， 该模拟多能谱样本数据是模拟出的能谱CT正弦 图像， E是归一化能谱， b1,b2表示物质1,2的实际质量密度分布， 1(Ei)是材料1在能量Ei下 的质量吸收系数， 2(Ei)是材料2在能量Ei下的质量吸收系数， A是系统矩阵。 根据先验知识， 可知b1 1* 1,b2 2* 2， 其中1, 2分别是物质1,2的标准质量密度， 1, 2分别是物质1,2 的体积分数分布， 考虑到质量和体积守恒, 1, 2满足如下约束： 1+ 21, 10,1,。

29、 2 0,1。 若对上述式子进行离散化处理， 可以得到如下式子： 0049 0050 由此得到各个能量下的模拟多能谱样本数据。 具体的， 低能能谱对应的模拟多能 谱样本数据PLE可以表示为： 说明书 4/15 页 8 CN 110675467 A 8 0051 0052 相应的， 高能能谱对应的模拟多能谱样本数据PHE可以表示为： 0053 0054 为了更好地理解上述步骤的具体实现过程， 示例性的， 首先， 可以从ImageNet数据 库中下载初始图像， 该数据库内存有十万张自然图像； 将各初始图像归一化至同一尺寸256 256， 提取出经归一化处理后的初始图像中R通道对应的归一化灰度图像以。

30、及该归一化灰 度图像的关联灰度图像， 这些归一化灰度图像和关联灰度图像的灰度值可以在区间0， 1 的范围内。 其次， 获取它们各自对应的CT图像(即模拟材料基b1和b2)， 尺寸为256256， 以 及， 正弦图像Ab1和Ab2， 尺寸为424360。 再次， 基于生成的低能能谱和高能能谱， 以及， 上述 模拟多能谱样本数据PE的生成式子得到双能CT的正弦图像， 即， 低能能谱对应的模拟多能 谱样本数据PLE和高能能谱对应的模拟多能谱样本数据PHE。 最后， 将b1、 b2和PHE、 PLE保存为 .TFRecord格式的文件， 由此得到初始能谱分解模型的训练数据。 0055 图3可以很好地呈。

31、现出上述各个步骤的处理结果： 图3左上角的两幅示意图分别是 初始图像中R通道对应的归一化灰度图像RG和1-R对应的关联灰度图像R G； 图3左下角两幅 示意图分别是RG的CT图像(b1)和R G的CT图像(b2)； 图3右上角两幅示意图分别是RG的CT图 像对应的正弦图像(Ab1)和R G的CT图像对应的正弦图像(Ab2)； 图3右下角两幅示意图分别 是低能能谱CT对应的正弦图像(PLE)以及高能能谱CT对应的正弦图像(PHE)。 0056 S220、 构建初始能谱分解模型。 0057 其中， 初始能谱分解模型的构建方式有多种， 比如， 可以基于传统的迭代思想与卷 积神经网络相结合的方式构建，。

32、 还可以基于特征信息的提取和融合的方式构建。 需要说明 的是， 无论采用哪种构建方式， 由此构建出的初始能谱分解模型可以是一个端到端的用于 能谱CT的材料分解的深度卷积神经网络模型， 即， 该初始能谱分解模型可以同时具备能谱 分解和图像重建的能力， 端到端的实现能谱分解， 中间环节的省略有效提高了能谱CT的材 料分解的效率。 0058 S230、 基于模拟多能谱样本数据和模拟材料基对初始能谱分解模型进行训练， 调 节初始能谱分解模型的网络参数， 生成能谱分解模型。 0059 其中， 将模拟材料基和模拟多能谱样本数据作为训练数据， 基于该训练数据对初 始能谱分解模型进行训练， 调节初始能谱分解模。

33、型的网络参数， 生成能谱分解模型。 具体 的， 可选的， 可以将模拟多能谱样本数据输入至初始能谱分解模型中， 生成预测材料基； 根 据预测材料基与模拟材料基的差异值， 确定损失函数； 将损失函数反向输入至初始能谱分 解模型， 调节初始能谱分解模型的网络参数， 生成能谱分解模型， 其中， 上述差异值可以均 方差、 差值、 比值等等。 在初始能谱分解模型的训练过程， 可以采用采用Adam优化器， 此时， 初始学习率为0.0001， 并且每500步衰减为0.98。 0060 S240、 获取多能谱CT投影数据， 将多能谱CT投影数据输入至预先训练的能谱分解 说明书 5/15 页 9 CN 11067。

34、5467 A 9 模型中， 根据能谱分解模型的输出结果， 得到各材料基的CT图像， 该能谱分解模型用于同步 对多能谱CT投影数据进行图像重建和能谱分解。 0061 本发明实施例的技术方案， 通过对采集到的初始图像的像素值进行通道分解， 得 到用于模拟能谱CT的材料分解结果的模拟材料基； 进而， 根据模拟材料基可以生成模拟多 能谱样本数据， 该模拟多能谱样本数据可以用于模拟多能谱CT的正弦图像； 将模拟多能谱 样本数据和模拟材料作为训练数据， 对初始能谱分解模型进行训练， 由此生成能谱分解模 型。 上述技术方案通过分解初始图像中各个通道的技术手段， 较好地模拟出了与实际应用 中能谱CT的材料分解。

35、较为相似的训练数据， 由此训练得到的能谱分解模型可以实现能谱CT 中材料的精确分解， 提高了能谱CT的材料分解的质量。 0062 实施例三 0063 图4是本发明实施例三中提供的一种能谱CT的材料分解方法的流程图。 本实施例 以上述各技术方案为基础进行优化。 在本实施例中， 可选的， 初始能谱分解模型可以包括多 通道网络模型， 对于第一通道网络模型， 其可以包括依次连接的投影域子模型、 数据转换模 块和图像域子模型。 其中， 与上述各实施例相同或相应的术语的解释在此不再赘述。 0064 参见图4， 本实施例的方法具体可以包括如下步骤： 0065 S310、 采集初始图像， 对初始图像的像素值进。

36、行通道分解， 得到模拟材料基， 并基 于预设规则， 根据模拟材料基生成模拟多能谱样本数据。 0066 S320、 构建初始能谱分解模型， 该初始能谱分解模型包括多通道网络模型。 对于第 一通道网络模型， 第一通道网络模型包括依次连接的投影域子模型、 数据转换模块和图像 域子模型； 其中， 第一通道网络模型的投影域子模型还与第二通道网络模型的投影域子模 型进行连接， 用于提取输入数据的第一特征信息， 将第一特征信息与第二通道网络模型中 投影域子模型提取的第二特征信息进行交互， 并将第一特征信息与第二特征信息进行融 合； 数据转换模块用于将投影域子模型输出的投影数据转换为CT图像； 第一通道网络模。

37、型 的图像域子模型还与第二通道网络模型的图像域子模型连接， 用于提取CT图像的第三特征 信息， 第三特征信息与第二通道网络模型中图像域子模型提取的第四特征信息进行交互， 并将第三特征信息与第四特征信息进行融合， 生成材料基的CT图像。 0067 其中， 多通道网络模型可以包括至少两个通道网络模型， 比如， 双通道网络模型可 以包括第一通道网络模型和第二通道网络模型， 三通道网络模型可以包括第一通道网络模 型、 第二通道网络模型和第三通道网络模型， 等等。 而且， 多通道网络模型中的各个通道可 以用于处理不同能谱区间的CT投影数据。 由于在任一的多通道网络模型中， 肯定存在第一 通道网络模型和第。

38、二通道网络模型， 则以第一通道网络模型， 以及， 与该第一通道网络模型 产生交互的第二通道网络模型为例， 详细阐述初始能谱分解模型的框架。 需要说明的是， 在 下面的示例中， 对于两个通道网络模型之间的交互， 仅是阐述了第一通道网络模型和第二 通道网络模型的交互过程。 实际上， 若在多通道网络模型中还存在第三通道网络模型， 则第 一通道网络模型还会与第三通道网络模型产生交互， 该交互过程类似于第一通道网路模型 和第二通道网络模型的交互过程。 0068 示例性的， 如图5a所示， 以第一通道网络模型为例， 该第一通道网络模型可以包括 依次连接的投影域子模型、 数据转换模块和图像域子模型。 具体的。

39、， 该第一通道网络模型的 投影域子模型还可以与第二通道网络模型的投影域子模型进行连接， 用于提取输入数据的 说明书 6/15 页 10 CN 110675467 A 10 第一特征信息， 将第一特征信息与第二通道网络模型中投影域子模型提取的第二特征信息 进行交互， 并将第一特征信息与第二特征信息进行融合(Information Fusion)， 该第一特 征信息和第二特征信息可以通过特征图(Feature Maps)的形式呈现。 0069 该第一通道网络模型的数据转换模块(OP)用于将第一通道网络模型的投影域子 模型输出的投影数据转换为CT图像， 即将第一特征信息和第二特征信息的融合结果转换为。

40、 CT图像。 上述投影数据到CT图像的转换过程可以是基于CT成像中正弦域和图像域的转换原 理得到： 0070 0071 其中， f(x,y)为数据转换模块输出的CT图像， x和y分别为CT图像中的横坐标和纵 坐标， p(r, )为数据转换模块输入的差分相称投影数据， r为差分相称投影数据与原点的距 离， 为投影X射线， 为投影角度。 0072 该第一通道网络模型的图像域子模型还可以与第二通道网络模型的图像域子模 型连接， 用于提取CT图像的第三特征信息， 该第三特征信息与第二通道网络模型中图像域 子模型提取的第四特征信息进行交互， 并将第三特征信息与第四特征信息进行融合 (Informatio。

41、n Fusion)， 生成材料基的CT图像， 该第三特征信息和第四特征信息可以通过 特征图(Feature Maps)的形式呈现。 0073 S330、 基于模拟多能谱样本数据和模拟材料基对初始能谱分解模型进行训练， 调 节初始能谱分解模型的网络参数， 生成能谱分解模型。 0074 S340、 获取多能谱CT投影数据， 将多能谱CT投影数据输入至预先训练的能谱分解 模型中， 根据能谱分解模型的输出结果， 得到各材料基的CT图像， 该能谱分解模型用于同步 对多能谱CT投影数据进行图像重建和能谱分解。 0075 本发明实施例的技术方案所构建的初始能谱分解模型包括多通道网络模型， 以第 一通道网络模。

42、型为例， 第一通道网络模型包括依次连接的投影域子模型、 数据转换模块和 图像域子模型； 其中， 该投影域子模型可以实现不同能谱的CT投影数据的特征信息的交叉 与融合， 该数据转换模块可以将投影域子模型输出的投影数据转换为CT图像； 该图像域子 模型可以实现不同能谱的CT图像的特征信息的交叉与融合， 由此生成材料基的CT图像。 上 述技术方案在构建初始能谱分解模型时， 采用多学习任务式地交叉、 连接与融合特征信息 的思路， 实现多能谱的特征信息的融合， 以便在能谱CT的材料分解的过程中， 每个能谱CT的 投影数据与其余各个能谱CT的投影数据保持关联性， 由此实现了纯网络层的端到端的用于 能谱CT。

43、的材料分解的深度卷积神经网络模型的构建。 0076 为了更好地理解上述技术方案的具体实现过程， 以适用于双能CT的材料分解的初 始能谱分解模型为例， 示例性的， 如图5b所示， 该初始能谱分解模型包括双通道网络模型， 该双通道网络模型的输入可以是两张424360的双能正弦图像(PHE和PLE)， 输出可以是两 个256256的材料基(b1和b2)。 其中， 该双通道网络模型中的第一通道网络模型中的投影域 子模型可以包括第一信息提取模块、 第一信息交互模块和第一信息融合模块。 具体的， 0077 第一信息提取模块用于对输入的能谱CT投影数据进行特征提取， 比如， 基于卷积 网络的方式进行特征提取。

44、， 该卷积网络可以是一个二维的7764的卷积网络， 还可以是 一个基于多种尺寸卷积核的卷积网络， 该多种尺寸可以包括33、 55、 77、 133等等， 说明书 7/15 页 11 CN 110675467 A 11 由此生成第一特征信息。 而且， 在该卷积网络中， 可以忽略池化操作， 这样可以避免分辨率 的损失。 0078 第一信息交互模块可以与第二通道网络模型中的投影域子模型连接， 用于将提取 的第一特征信息发送至第二通道网络模型。 可选的， 在将第一特征信息发送至第二通道网 络模型之前， 还可以对第一特征信息进行处理， 比如， 基于两个连续的3x3x64的残差网络 (ResBlock)处。

45、理第一特征信息， 并将处理后的第一特征信息发送至第二通道网络模型， 该 残差网络的激活函数可以是leakly_relu函数。 0079 第一信息融合模块(+)可以用于接收第二通道网络模型中的投影域子模型发送的 第二特征信息， 并将第一特征信息与第二特征信息进行融合。 需要说明的是， 作用于第一信 息融合模块的第一特征信息可以是第一信息提取模块提取出的初始的第一特征信息， 也可 以是经过处理后的第一特征信息， 比如， 经过三个连续的3364的残差网络处理后的第 一特征信息。 第一信息融合模块实现了第一特征信息与第二特征信息融合， 在此基础上， 还 可以对融合结果进行再处理， 比如， 基于两个连续。

46、的二维的551的卷积网络对融合结果 进行再处理， 并将处理后的融合结果发送至数据转换模块。 0080 在上述内容的基础上， 图像域子模型可以包括第二信息提取模块、 第二信息交互 模块和第二信息融合模块； 其中， 第二信息提取模块用于对输入的CT图像进行特征提取， 生 成第三特征信息， 该第三特征信息可以直接通过与第二通道网络模型中的图像域子模型连 接的第二信息交互模块发送至第二通道网络模型， 也可以先对第三特征信息经过卷积处 理， 并将卷积处理后的第三特征信息发送至第二通道网络模型。 特别地， 该卷积处理所涉及 到的卷积网络中可以采用1维的探测器方向的133或是其余尺寸的卷积核， 由此学习CT。

47、图 像重建算法中的滤波操作； 与此同时， 还可以采用采用跳连操作融合浅层的有效特征， 由此 防止梯度消失和梯度下降。 第二信息融合模块用于接收第二通道网络模型中的图像域子模 型发送的第四特征信息， 并将第三特征信息与第四特征信息进行融合， 由此生成材料基的 CT图像。 0081 实施例四 0082 图6是本发明实施例四中提供的一种能谱CT的材料分解方法的流程图。 本实施例 以上述实施例一和实施例二中的各技术方案为基础进行优化。 在本实施例中， 可选的， 构建 初始能谱分解模型， 具体可以包括： 确定材料基迭代函数， 根据材料基迭代函数的组成结构 进行函数划分， 得到各组成部分； 根据组成部分构。

48、建数据处理模块； 根据各组成部分之间的 关联关系确定各数据处理模块的连接关系， 生成初始能谱分解模型的任一网络层， 其中， 初 始能谱分解模型包括多通道子模型， 任一通道子模型包括预设数量的网络层， 各网络层的 网络结构相同。 其中， 与上述各实施例相同或相应的术语的解释在此不再赘述。 0083 参见图6， 本实施例的方法具体可以包括如下步骤： 0084 S410、 采集初始图像， 对初始图像的像素值进行通道分解， 得到模拟材料基， 并基 于预设规则， 根据模拟材料基生成模拟多能谱样本数据。 0085 S420、 确定材料基迭代函数， 根据材料基迭代函数的组成结构进行函数划分， 得到 各组成部。

49、分， 并根据组成部分构建数据处理模块。 0086 其中， 以双能谱CT为例进行函数推导， 在已知多能谱CT投影数据时， 可以基于迭代 思想实现能谱CT的材料分解。 具体的， 可以定义一个目标函数： 说明书 8/15 页 12 CN 110675467 A 12 0087 0088其中， PLE和PHE的具体表述如实施例二所示。 另由 于是一个与能量无关的项， 由此可得： 0089 0090 0091 因此， 上述目标函数可以表示为： 0092 0093 其中， w是与PHE和PLE相关的对角矩阵， R1(b1(x,y)、 R2(b2(x,y)是和b1、 b2相关的 先验知识函数， 是该项系数。。

50、 进一步， 若利用牛顿法求极值， 并用卷积神经网络替代先验知 识函数， 则， 当以双能谱CT为例时， 可以分别得到材料基b1和b2的材料基迭代函数： 0094 0095 0096其中，是一个关于bk(x,y)的卷积网络模块。 可以理解的是， 对于多能 谱CT， 材料基迭代函数的实质含义与上述内容相同。 0097 在确定出材料基迭代函数后， 可以根据材料基迭代函数的组成结构进行函数划 说明书 9/15 页 13 CN 110675467 A 13 分， 得到各组成部分。 可选的， 任一材料基迭代函数可以包括分母部分、 分子中的输入数据 处理部分和分子中的先验函数部分， 比如， 若以上述材料基迭代。