一种基于深度学习的X射线光子计数探测器一致性校准方法与流程

本发明属于探测器的校准技术,具体涉及x射线光子计数探测器的一致性校准技术。

背景技术：

x射线与可见光类似，是一种电磁波，根据波长或频率差异可以分为不同的能谱。不同能量的x射线有着不同的衰减特性，这些衰减特性可以反映被检物材料的不同物理性质。传统医学ct(computedtomography)探测器采用的是x射线能量积分探测方式，将不同能量的x射线光子整合接收，反映的是x射线的平均衰减特性，因此，医学ct重建后的图像，往往难于区分不同软组织的成像对比度差异。近年来，x射线探测领域出现了一种新型的x射线光子计数探测器技术，这种探测器技术能够分辨普通x射线源产生的多色x射线能谱，细分并记录不同能量的x射线光子。类似于菱镜分光原理，x射线能量分辨光子计数探测器可以将不同能量的x射线光子按照不同能量段进行探测(微分测量技术)。该技术的出现，使得x射线探测器技术有了质的飞跃，而基于x射线能量分辨光子计数探测器的新型ct技术——x射线能谱ct(spectralct)技术应运而生。无疑，x射线能谱ct的问世为解决医学ct图像不同软组织对比度低的问题提供了可能，其对x-ct成像技术的发展具有革命性意义。

尽管目前在x射线光子计数探测器技术研究上已取得了长足的进步，但部分关键问题尚待解决。尤其是其技术核心——x射线光子计数探测器仍然存在诸多不足，特别是一致性差问题，即线阵或面阵的x射线能量分辨光子计数探测器的探测单元一致性差，造成所探测的x射线光子强度存在着差异，不利于ct图像重建分析。

目前常用的一致性校正方法是在探测器空载的情况下(即入射光子在不经过物体直接照射探测器)，在放大器增益一致的情况下测得探测器的响应，对探测器的响应进行归一化处理，得到对应每个探测器模块的响应的调整，通过调整探测器系统放大器的增益来实现探测器的均匀性校正。但通过调整放大器增益等针对前端的一致性校准方法需进行多次试验以确定调整参数，且在产品出厂后需要进行校准时仍需厂家操作，增加了维护难度，影响了后续的分析处理。除探测器坏点会对系统响应的一致性有影响外，x射线光子探测过程中产生的量子噪声也对系统响应的一致性有影响，光子计数探测器在特定x射线能量范围所探测的x射线光子数目有限，投影图像中含有较多的量子噪声，对成像效果影响较大，为此需要一种快速高效的方法以消除投影图像中的量子噪声。

因此，设计一种能够有效的对x射线光子计数探测器进行一致性校准的方法就成了本发明所关注的问题。

技术实现要素：

本发明需要解决的是如何快速有效的对x射线光子计数探测器进行一致性校准，为此提出一种不同于对x射线探测系统进行前端校准的方法，通过对后端投影图像进行分析以完成探测器的一致性校准。

本发明将影响探测系统响应一致性的因素做如下分类：探测器在均匀光照下各像元输出的信号应具有相同的幅度，但传感器部分单元损坏或缺失会导致输出信号不一致，将此类坏像素称为固定坏像素，该像素值不会随能量阈值的变化而变化；因为电子电路的损坏等原因，探测器通道增益会改变，该通道对应的像素值会偏离正常水平，但该通道对应的不同能量阈值下的像素值组成的向量与正常像素组成的向量线性相关，将此类坏像素称为随机坏像素；因光子计数探测器在特定的能量范围所探测的x射线能谱数据的光子数有限，导致各像素的输出信号略有偏差，不同像素点之间的此类偏差是随机的，将此类偏差归为量子噪声。

为对x射线光子计数探测器进行一致性校准，本发明提出如下技术方案：

一种对x射线光子计数探测器进行一致性校准的方法，包括步骤：

步骤1：坏像素定位：使用聚类算法定位坏像素；

步骤2：坏像素分类和校准：分析坏像素对应向量与正常像素向量之间的相关性，得出探测器坏点位置并补偿；

步骤2：量子噪声消除：使用训练后的卷积神经网络消除投影噪声。

对于步骤1，具体地，所述使用聚类算法定位坏像素的方法是：利用改进的dbscan算法对不同能量范围下的投影图像中的区域方差进行分类，将方差分为正常方差和对应包含坏像素区域的异常方差以确定投影图像中坏像素所在区域，将坏像素区域像素依次与正常像素区域像素交换，若正常像素区域的方差变为异常方差，则认为交换中的坏像素区域像素为坏像素，将在不同能量范围的投影图像中得出的坏像素坐标进行整合防止随机现象对判断结果产生影响，由此得出坏像素坐标位置集合。

对于步骤1，具体地，所述改进的dbscan算法是从方差的最小值建立一个新簇开始聚类，并将满足条件的方差归入正常方差类别，当第一类聚类结束时结束整个聚类过程，剩余的方差即属于异常方差，由此得出坏像素所在区域。

以下对步骤1做进一步详细说明：

由前述影响探测系统响应一致性的因素分类可知，坏像素与周围探测点的像素值有较大偏差，该点周围区域内的方差会较大。由此若用小窗口，如3×3大小的窗口，遍历投影图像并计算每个小区域的方差，就可以根据方差确定坏像素所在区域。因此，本发明使用dbscan聚类算法(基于密度的聚类算法)对方差进行分类以确定坏像素所在区域。dbscan算法主要有以下重点内容：特征空间d中的一个点p的eps邻域neps(p)定义为：

neps(p)＝{q∈d|dist(p，q)＜eps}

若点p的eps邻域内至少有minpts个点，那么称点p为一个核心点；若特征空间d中的点p，q满足：p∈neps(q)，点p是核心点，那么称点p对点q关于eps和minpts直接密度可达。dbscan聚类算法的原理可以表述为：对任一核心点p，特征空间中所有p的密度可达点o组成的集合和p一起构成一个完整的聚类c。本发明是对方差进行聚类，方差是一个一维特征，且仅分为正常方差和异常方差两类。因此，针对该聚类问题可以进行如下改进以使其具有更高的效率：从方差的最小值建立一个新簇开始聚类，并将满足条件的方差归入正常方差类别，当第一类聚类结束时结束整个聚类过程，剩余的点即属于异常方差类别；由此可认为聚类结果中的异常方差对应的区域中含有坏像素。然后通过交换正常区域与坏像素区域的像素以确定坏像素的坐标。

对于步骤2，具体地，所述分类和校准的方法是：将不同能量范围的投影图像中坏像素所在位置的像素值组合成坏像素向量，随机选取正常像素并根据其坐标以同样方法组合成正常像素向量，计算两者之间的相关系数以将坏像素分为固定坏像素和随机坏像素并分别进行补偿；所述补偿是指以坏像素周围的像素值的平均值作为坏像素点的像素值以完成对坏像素的补偿。

以下对步骤2做进一步详细说明：

本发明采用的数据均为x射线能谱数据，将不同能量阈值下坏像素坐标位置的像素值组合成向量，根据不同类别的坏像素对应的向量与正常像素对应的向量之间的相关性可以对坏像素进行分类。经判定，向量数据符合正态分布，此处使用pearson相关系数计算向量间的相关系数ρ：

其中，x、y为两个不同的向量，利用上述公式求解正常像素与固定坏像素和随机坏像素之间的相关系数，利用聚类算法对相关系数进行聚类，将相关系数分为两类，系数较小的一类即固定坏像素，系数较大的一类即为随机坏像素，由此得出固定坏像素点坐标。随后以坏像素周围的像素值的平均值作为坏像素点的像素值以完成对坏像素的补偿。

对于步骤3，因光子计数探测器在特定的能量范围所探测的x射线光子数有限，投影图中的量子噪声对探测器的一致性影响较大。为了降低噪声提高成像质量，使用标签数据训练卷积神经网络以消除投影图像中的噪声，完成对x射线光子计数探测器的一致性校准。

具体地，所述使用训练后的卷积神经网络消除投影噪声的方法是：分析补偿坏像素后的投影图像，挑取其中一致性较好的区域作为标签数据，将标签数据加上不同强度的投影噪声作为训练数据并输入神经网络，采用残差学习的方法训练卷积神经网络，使训练后的网络模型可在投影图像中量子噪声强度未知的情况下将噪声去除，完成一致性校准。

所述卷积神经网络的学习架构有三种类型层：conv+relu，对于第一层，使用大小为3×3×c的卷积核来生成n个特征图，c表示图像通道的数量，即灰度图像c＝1，彩色图像c＝3；conv+bn+relu，对于2～(d-1)层，d为神经网络总层数，使用大小为3×3×n的卷积核，并且在卷积和relu之间添加批量归一化；conv，最后一层使用尺寸为3×3×n的卷积核来重建输出。

在训练阶段采用添加噪声后的投影图像y＝x+v作为输入，其中x为训练过程中的标签数据，v为添加的随机投影噪声，v的强度σ∈[0,45]，由此对噪声水平包含在训练范围的测试数据进行一致性校准而不估计其强度。

采用残差学习公式来训练残差映射r(y)≈v，得到x＝y-r(y)。

在卷积之前直接填充零，以确保中间层的每个特征图具有与输入图像相同的大小，避免边界伪影。

以下对步骤3做进一步详细说明：

从前述的分析可知，除坏像素对探测器的一致性有影响外，因光子计数探测器在特定的能量范围所探测的x射线能谱数据的光子数有限，所产生的量子噪声也会探测器的一致性。光子计数探测器采集的原始投影图像实质上是在不同能量范围下接收到的x射线光子数量分布图，随着探测能量范围的变窄，光子数也越来越少，由此，窄能量段的投影图像的一致性受量子噪声的影响较为严重。

传统的去噪方法通常涉及测试阶段的复杂优化问题，使得去噪过程耗时，大多数方法在不牺牲计算效率的情况下很难获得高性能。而模型通常是非凸的，并且涉及几个人工选择的参数，去噪性能有待提高。为了对窄能段的系统响应进行有效的一致性校准，本发明采用深度学习方法消除补偿坏像素后的投影图像中的量子噪声，提高系统响应的一致性。

深度学习中常用的卷积神经网络可以使用深层结构，有效提高利用图像特征的容量和灵活性，且其正则化和学习方法较为完善，包括整流线性单元(relu)、批量归一化和残差学习等，其在gpu上的并行计算也高效方便。为此，本发明使用卷积神经网络去除投影图像中的量子噪声，该神经网络不直接输出一致性校准后的图像x，而是用于预测残差图像，即使用卷积神经网络进行一致性校准前后的差异，并使用批量归一化技术稳定和提高卷积神经网络的训练性能。通过残差学习和批量归一化互相影响，提高卷积神经网络的去噪能力：一方面，因批量归一化为卷积神经网络提供例如减轻内部协变量偏移问题等优点，剩余学习从批量标准化中受益。另一方面，批量归一化可从残差学习中获益，在没有剩余学习的情况下，批量归一化对收敛具有一定的不利影响。通过残差学习，可以利用批量归一化来加速训练并提高性能。在没有残差学习的情况下，输入强度和卷积特征与它们的相邻特征相关联，并且层输入的分布也依赖于每个训练小批量中的图像的内容。通过残差学习，隐含地使用隐藏层中的操作移除潜在的干净图像使得每层的输入都是高斯分布的，相关性较低，并且与图像内容的相关性较小，由此，残差学习可以帮助批量归一化以减少内部协变量偏移。

本发明在对投影图像中的坏像素进行补偿后将其进行分割，并计算所有区域的方差，将方差最小的区域作为标签数据用于训练神经网络，投影图像有多组，故标签数据足够多，训练数据充足。本发明采用改进后的vgg深度卷积神经网络处理数据，主要目的为训练出一个可以消除图像中强度未知的量子噪声的神经网络。为此，在训练阶段采用添加噪声后的投影图像y＝x+v作为输入，其中x为训练过程中的标签数据，v为添加的随机投影噪声，v的强度σ∈[0,45]，由此可以对噪声水平包含在训练范围的测试数据进行一致性校准而不估计其强度。此外，本发明采用残差学习公式来训练残差映射r(y)≈v，得到x＝y-r(y)。形式上，期望的残差图像与输入的估计残差图像之间的平均均方误差为

本发明采用损失函数来学习可训练参数θ。训练后的卷积神经网络模型可以在不估计投影图像量子噪声强度的情况下去除量子噪声，进而完成对探测系统响应的一致性校准。

本发明的有益效果是：

1、本发明通过对后端投影图像进行分析得出探测器坏点坐标并校准，比现有的前端校准方便快捷。

2、本发明使用改进的dbscan算法可更为精确地确定探测器坏像素位置。

3、本发明利用相关性分析可明确的区分探测器的随机的随机坏像素和固定坏像素。

4、本发明进一步使用卷积神经网络，可以较为完整的消除投影图像中的量子噪声。

附图说明

图1为原始投影图像。

图2为各窗口区域方差分布图。

图3为去除坏像素后的投影图像。

图4为使用卷积神经网络一致性校准后的投影图像。

图5为整体方案流程图。

图6为神经网络结构图。

具体实施方式

下面结合附图对本发明作进一步的详细说明。

本实施例所提供的示例对象为将质量分布均匀的锡(sn)片、银(ag)片、钼(mo)片材料薄片作为照射介质或在空载条件下得到的投影图像，其中对sn片的投影图像的处理步骤还同样适用于其它照射条件下的投影图像。

本实施例采用的基于深度学习的x射线光子计数探测器一致性校准方法，其为基于x射线光子计数探测器所测得的投影图像进行分析处理，并利用深度学习方法、dbscan聚类算法以及相关性分析对投影图像进行一致性校准，具体包括以下步骤：

步骤1：获取不同材料的x射线能谱投影图

获取能谱ct投影图像，将质量分布较为均匀的锡(sn)片作为照射介质，使用x射线光子计数探测器采集投影图像，改变探测器能量接收阈值，得到不同能量阈值下的投影图像，本实施例选取15-40kev能量段的投影图像，照射介质为锡(sn)，能量阈值为15kev时的原始投影图像如图1所示。

步骤2：确定能谱ct投影图像坏像素位置

选取不同能量段的投影图像，遍历每张投影图像并计算每个分割区域z-score标准化后的方差，如图2所示，区域方差较大表明该区域有坏像素点。使用改进的dbscan算法对方差进行聚类，从方差的最小值建立一个新簇开始聚类，并将满足条件的方差归为对应正常像素区域的方差，当第一类聚类结束时结束整个聚类过程，剩余的方差即属于对应坏像素区域的方差。为确定坏像素的具体坐标，本实施例中，将坏像素区域中的像素值依次与正常像素区域中的像素值交换，若正常像素区域的方差变为异常方差，则认为交换中的坏像素区域像素为坏像素，由此得出坏像素坐标位置。为防止个别情况引起的坏像素扰乱判别精度，本实施例将在不同投影图像中得出的坏像素坐标作为一个坏像素坐标集合用于后续判别。

步骤3：利用相关性分析对坏像素进行分类与补偿

由于所使用的投影图像是在不同阈值条件下获得的，将不同阈值下同一点的像素值取出组合成向量，固定坏像素向量与正常像素向量之间相关性较低，而随机坏像素向量与正常像素向量之间的相关性较高，由此可以通过判定坏像素向量是否与正常像素向量线性相关来分辨坏像素是固定坏像素还是随机坏像素。可记录固定坏像素的坐标值，以后可以有针对性的对探测器进行维护，在系统运行时则使用固定坏像素点周围3×3窗格内像素值的平均值作为固定坏像素点的像素值，剩余的坏像素点即为随机噪点，在对投影图像中存在的量子噪声进行处理前同样对随机噪点进行补偿，以随机噪点周围的像素值的平均值作为坏像素点的像素值以完成对坏像素的补偿。针对坏像素进行校准后的图像如图3所示。

步骤4：使用标签数据训练卷积神经网络以消除量子噪声

使用大量一致性较好的投影图像训练卷积神经网络使其可在投影图像中量子噪声强度未知的情况下将噪声去除，投影图像经过上述校准后已经消除了坏像素对投影图像的影响，为了更好的对系统响应进行一致性校准，使用神经网络以消除电子电路和测量中产生的噪声对图像一致性造成的影响。

本实施例使用的学习架构如图6所示，主要有三种类型层：conv+relu，对于第一层，使用大小为3×3×c的卷积核来生成n个特征图，c表示图像通道的数量，即灰度图像c＝1，彩色图像c＝3；conv+bn+relu，对于2～(d-1)层，d为神经网络总层数，使用大小为3×3×n的卷积核，并且在卷积和relu之间添加批量归一化；conv，最后一层使用尺寸为3×3×n的卷积核来重建输出。此外为减少边界伪影，本方案在卷积之前直接填充零，以确保中间层的每个特征图具有与输入图像相同的大小，并避免了边界伪影。

为了捕获足够的空间信息进行一致性校准，本实施例根据有效色块的大小将卷积神经网络的深度设置为20。方程中的损失函数用于学习预测残差v的残差映射r(y)。

本实施例采用权重衰减系数为0.0001的最速下降法，momentum动量为0.9，批尺寸为128。使用投影图像训练50次，学习率从1e-1到1e-4呈指数衰减。

使用训练后的卷积神经网络模型对本实施例的数据进行一致性校准后的投影图像如图4所示。

需要说明的是，以上提供的附图和实施例均用来提供对本发明的进一步理解，用于解释本发明，构成本发明的一部分，但本发明并不局限于上述实施方式，如果对发明的各种改动或变形不脱离本发明的精神和范围，倘若这些改动和变形属于本发明的权利要求和等同技术范围之内，则本发明也意图包含这些改动和变形。