能谱X射线材料分解方法与流程

本发明涉及使用能谱(spectral)x射线数据的材料分解方法。

背景技术：

1、通过使用多能量x射线探测器，测量在对象的x射线成像期间跨x射线探测器的不同位置处接收的x射线能量或频率的能谱是可能的。这被称为能谱x射线成像。能谱x射线数据允许识别和量化由被扫描对象包括的材料。它可以使用来自常规x射线成像或荧光透视的数据或者使用来自计算机断层摄影(ct)成像的数据来执行。

2、首先参考ct成像，常规计算机断层摄影(ct)扫描器包括安装在与一个或多个积分探测器相对的可旋转机架上的x射线管。x射线管围绕位于x射线管与一个或多个探测器之间的检查区域旋转并且发射穿过检查区域和被设置在检查区域中的受检者和/或对象的多色辐射。一个或多个探测器探测穿过检查区域的辐射并且生成指示检查区域和被设置在其中的受检者和/或对象的信号或投影数据。投影数据例如是原始探测器数据或投影正弦图，后者是由(一个或多个)探测器捕获的投影数据的视觉表示。重建器通常还用于处理投影数据并重建受检者或对象的体积图像。

3、x射线能谱ct是一种成像模态，其通过并入能够辨别不同x射线能量的探测器(例如能量辨别光子计数探测器或能量积分探测器)而扩展了常规ct系统的能力。x射线能谱ct允许被扫描对象的材料分解。

4、在材料分解中，可以使用正向模型，其将探测器的每个像素处的不同光子能量窗口(分箱)中的预期光子计数或预期积分光子能量建模为特定材料集合(基础)及其在被扫描材料中的相应等效路径长度的函数。为了分解对象的材料组成，可以反转该正向模型，以基于能谱投影数据来确定基础材料中每个的材料路径长度。

5、这样做的一种方式是例如使用统计估计算法(诸如最大似然估计算法(mle))对等式进行数值反转。然而，这可能导致过度简化，无法解释诸如脉冲堆积和电荷共享的真实单词探测器效应。此外，由于求出解中涉及的迭代优化技术，mle算法要求大量的计算资源。

6、备选方法是使用基于人工智能的方法。此处，ai算法，诸如机器学习算法，利用已知的材料路径长度和每个能量分箱的对应光子计数或探测信号进行训练，以便学习系统正向模型反转。这针对每种材料基础在扫描(离线)之前完成一次。这样的方法的优点在于，ai模型推理比将mle方法应用于分解问题在计算上更不昂贵。然而，基于ai的方法也能够导致不准确的结果，例如由于模型算法中的偏差。

7、能谱x射线材料分解的基于ai的方法的改进的准确性和可靠性将是期望的。

技术实现思路

1、发明人已经认识到，对于基于ai的材料分解方法，在网络训练期间，必须在由ai模型估计的材料路径长度中的噪声量和偏差量之间进行已知的折衷(偏差-方差权衡)。这得到具有一定偏差和一定噪声的模型。然而，对针对材料量化的光子计数系统的期望是具有带有有限偏差和有限噪声的模型。

2、更一般地，在统计和机器学习中，偏差-方差权衡是一组预测模型的性质，其中，在参数估计中具有较低偏差的模型跨样本具有较高的参数估计方差，并且反之亦然。较高的方差意指较多的噪声但较小的偏差。较高的偏差意指较小的噪声，但潜在更具系统不准确性。

3、偏差误差可以理解为来自所述学习算法中的错误假设的误差。高偏差可能导致算法错过特征与目标输出之间的相关关系(欠拟合)。

4、方差是所述训练集中从灵敏度到小波动的误差。高方差可能导致算法对所述训练数据中的随机噪声进行建模，而不是对预期输出进行建模(过拟合)。

5、理想地，ai算法输出具有低噪声和低偏差两者。

6、本发明由权利要求定义。

7、根据本发明的方面的示例，提供了一种用于使用针对对象的能谱x射线数据对所述对象进行材料分解的方法，所述方法包括：

8、访问数据存储装置，

9、其中，所述数据存储装置存储第一ai模型和第二ai模型，所述第一ai模型和所述第二ai模型中的每项都被配置为：接收能谱x射线数据作为模型输入数据，并且生成材料分解数据作为模型输出数据，并且

10、其中，所述第一ai模型被配置为展现出比所述第二ai模型更低的偏差，并且展现出比所述第二ai模型更高的方差；

11、获得输入能谱x射线数据；

12、将所述输入能谱x射线数据作为模型输入数据提供给所述第一ai模型，并且随后将低通滤波应用于第一ai模型的模型输出数据以导出第一材料分解数据；

13、将所述输入能谱x射线投影数据作为模型输入数据提供给所述第二ai模型，并且随后将高通滤波应用于第二ai模型的模型输出数据以导出第二材料分解数据；

14、将第一和第二材料分解数据线性组合以导出第三材料分解数据。

15、本发明的实施例基于使用两个经训练的ai模型用于材料分解的概念：一个在所述输出材料分解数据中给出低偏差但高噪声，并且另一个给出高偏差但低噪声。两个模型的输出之后经由频率分裂方法进行组合以便获得具有低偏差和低噪声的结果。频率分裂方法有效地包括从低偏差(高噪声)ai模型中选择仅较低频率分量，从较高偏差(低噪声)模型中选择较高频率分量，并且线性组合它们。这可以利用滤波完成。

16、更详细地，低通滤波仅提取或选择所述第一ai模型(具有低偏差)的输出的较低频率或能量分量，并且高通滤波仅提取或选择所述第二ai模型(具有较高偏差)的输出的较高频率或能量分量。两者的线性组合提供了低噪声和低偏差的输出材料分解数据。这基于以下假设：噪声主要具有高空间频率，而偏差主要是低频效应。

17、优选地，所述方法包括将低通空间滤波应用于所述第一ai模型的所述模型输出数据。这优选地应用于所述输出数据的至少一个维度。低通空间滤波意指对输出材料分解数据的空间频率应用低通滤波。

18、优选地，所述方法包括将高通空间滤波应用于所述第二ai模型的所述模型输出数据。这优选地以与上面相同的至少一个维度应用。高通空间滤波意指对输出材料分解数据的空间频率应用高通滤波。

19、例如，所述模型输出数据可以包括在两个或更多个维度上延伸的数据值。例如，所述模型输出数据可以包括像素阵列的多个像素中的每个像素的材料分解数据值，所述像素阵列在至少两个维度上延伸。例如，低通空间滤波可以用于在所述数据的至少一个空间维度上对该组模型输出数据的空间频率分量进行滤波。例如，高通空间滤波可以用于在所述数据的所述相同的至少一个空间维度上对该组模型输出数据的空间频率分量进行滤波。

20、滤波空间频率通常意指，例如，图像被分解为周期性图案(这对于任何图像是可能的)，每个周期性图案利用加权因子加权，并且然后加权周期性图案被求和以获得经修改的图像(经滤波的图像)，其中，修改取决于加权。在低通滤波中，高加权将应用于所述周期性图案的较高频率，并且对于高通滤波反之亦然。实际上，该过程可以用直接应用于所述图像的卷积运算来替换。该概念可以应用于2d或3d图像。

21、所述模型输出数据可以包括跨越例如2d或3d网格的一组像素位置中的每个的数据值，并且因此能够被理解为材料分解数据的“图像”。因此，能够以与将空间滤波应用于标准图像的方式相似的方式将空间滤波应用于所述两个模型的输出数据。

22、对于如何实施所述第一和第二ai模型的模型输出的空间滤波，在实践中存在不同选项。例如，在一个非限制性示例中，所述模型输出数据可以包括针对一组材料中的每个的数据值(例如材料路径长度值或其他值)，以及针对一组视图中的每个的数据值，以及针对像素(2d)阵列中的每个的数据值，作为针对每个视图和每个材料的相应2d“图像”数据集，并且其中，将空间滤波应用于这些2d“图像”数据集中的每个。作为该示例上的变型，可以为每个材料形成一组3d图像数据集，每个3d数据集包括先前引用的2d“图像”的堆叠，第三维度对应于不同的视图，并且其中，在3d域中应用所述空间滤波，即例如在值的该3d阵列的一个或多个维度中，对针对每个材料的3d数据集中的每个应用空间滤波。在该后一种选择中，将理解，第三维度不一定是物理空间维度，并且因此所述空间滤波不必沿着物理空间维度应用，而是可以跨输出数据阵列的另一维度应用于所述输出数据中的周期性图案。其他选项对于本领域的技术人员来说将是显而易见的。

23、所述两个不同的ai模型可以通过改变在训练期间供应给所述两个模型的训练数据来生成(例如一个模型被供应比另一个模型更多的噪声数据)，或者通过在所述两个模型之间改变训练流程本身来生成，例如，利用与另一不同的成本函数来训练一个模型，其被配置为有利于噪声。ai模型中的每个可以包括一个或多个机器学习算法，例如一个或多个人工神经网络。

24、为避免疑义，应注意，第一ai模型被配置为在所述输出材料分解数据值中展现出比所述第二ai模型更低的偏差，并且在所述输出材料分解数据值中展现出比所述第二ai模型更高的方差。

25、所述方法广泛适用于各种不同的特定应用。特别地，所使用的输入x射线数据的类型可以变化(例如常规x射线或ct数据)，并且所生成的输出材料组成数据的类型可以变化，例如材料投影数据或材料图像数据。

26、因此，在不同的示例中，所述输入能谱x射线数据可以是能谱投影数据(即未重建的能谱投影数据，例如采取一组不同能量分箱的光子计数数据形式)，或者可以是能谱图像数据(即重建能谱投影数据)。所述输入能谱x射线数据可以包括如由x射线扫描装置生成的原始投影数据，或者可以是已经预处理的数据，例如重建以形成能谱图像数据。

27、在不同的示例中，所述材料分解数据可以是材料投影数据，或者可以是材料图像数据。

28、在一些示例中，所述能谱x射线数据可以包括针对所述对象的能谱计算机断层摄影ct数据(包括针对多个投影角度的投影数据)。备选地，它可以包括从单个投影角度捕获的常规x射线或荧光透视数据。

29、在不同的示例中，整个过程可以在投影数据域中完成，或者整个过程可以在图像数据域中完成(通过在将所述能谱投影数据馈送到所述两个ai模型之前将其重建为图像数据)，或者所述过程的部分可以在所述投影域中完成，并且部分在所述图像域中完成，例如，ai模型可以接受输入能谱投影数据，并且输出材料投影数据，而频率滤波部分在所述材料投影数据的重建之后在所述图像域中完成。以下将更详细地讨论各种选项。

30、第一和第二ai模型可以是使用监督式学习流程训练的机器学习模型。

31、根据一个或多个实施例，所述第一ai模型可以基于训练数据t1来训练，并且第二ai模型可以基于训练数据t2来训练，并且其中，t1被生成为与t2相比较具有减少的噪声。例如，可以通过预处理所述训练数据来实现t1中的减少的噪声，以便与t2相比较具有减少的噪声。例如，在训练数据t1上训练所述第一ai模型，并且在训练数据t2上训练所述第二ai模型，其中，t1通过向t2添加噪声抑制来生成。然而，在其他示例中，噪声可能被人工地添加到训练数据集t2。换句话说，在训练数据t1上训练所述第一ai模型，并且在训练数据t2上训练所述第二ai模型，其中，t2通过向t1添加噪声来生成。例如，可以使用随机噪声生成器来模拟所添加的噪声。在另外的示例中，t1和t2之一或两者可以通过模拟生成，即使用x射线模拟程序。在模拟内，可以任意调节所获得的数据的噪声水平，使得可以以这种方式获得t1和t2之一或两者。

32、在该方法中，所述两个ai模型可以作为相同机器学习网络或算法的两个副本开始，但是利用单独和不同的训练数据进行训练，以实现其相应偏差和方差的差异。

33、作为该方法的备选方案，由第一和第二机器学习模型所包括的学习算法可以被配置为遵循不同的学习或训练策略，一种有利于较低的偏差(较高的噪声)，并且一种有利于较低的噪声(较高的偏差)。

34、例如，通过利用不同的成本函数配置所述第一模型，所述第一模型可以被配置为具有减少的偏差，使得所述第二模型的成本函数给出更多的噪声，而所述第一模型的成本函数给出更低的噪声。

35、根据一个或多个实施例，第一ai模型和第二ai模型中的每个被配置为接收能谱x射线投影数据作为模型输入数据，并且生成材料组成投影数据作为模型输出数据。因此此处，所述材料分解在投影数据域中完成。

36、所述方法例如可以是基础材料分解方法，并且其中，所述输出材料分解数据包括针对具有已知衰减系数的一组基础材料中的每种基础材料的通过被扫描材料的一组导出的辐射路径长度ls。此处，所述输出材料分解数据包括材料投影数据。换句话说，例如与图像数据相反，其是未重建的材料分解数据。

37、在所述输入能谱x射线数据是能谱ct数据的情况下，所述输出材料分解数据可以包括路径长度正弦图向量所述路径长度正弦图向量包括针对该组基础材料中的每个的导出的基础材料路径长度，所述路径长度正弦图向量针对到达所述探测器的一组像素p中的每个的辐射，并且针对输入能谱x射线数据的一组投影视图v中的每个。

38、正弦图是在计算机断层摄影的操作中获得的原始数据的视觉表示。路径长度正弦图是针对所述探测器的每个像素的材料基础路径长度的视觉表示。

39、根据一个或多个实施例，所述方法还可以包括在第一和第二材料分解数据的线性组合之前或之后对第一和第二材料分解数据应用图像重建操作，使得所述输出材料分解数据包括输出材料图像数据。

40、材料图像数据是指所述材料分解信息的视觉或图形表示。例如，材料图像数据可以包括一组图像，每幅图像表示一个材料。另一选项是在单幅图像中使用颜色编码来表示成像区中的不同材料(例如，每个材料利用专用颜色表示)。

41、根据一个或多个实施例，所述输入能谱x射线数据可以包括投影数据，例如能谱光子计数数据cs，其指示在x射线探测器处的多个能量分箱中的每个中的探测到的x射线光子计数。

42、根据另一组实施例，所述第一ai模型和第二ai模型中的每项可以被配置为接收能谱x射线图像数据作为模型输入数据并且生成材料分解图像数据作为模型输出数据。因此此处，所述材料分解在所述图像域而不是所述投影域中完成。

43、如上文所提到的，根据一个或多个实施例，所述输入能谱x射线数据可以是能谱ct数据。在不同的示例中，这可以是能谱ct投影数据或者可以是能谱ct图像数据。作为ct数据的备选方案，所述输入能谱x射线数据可以是常规能谱x射线数据。

44、根据该组示例，所述输入能谱x射线数据可以包括能谱光子计数数据cs(p,v)，其指示在x射线探测器处的多个能量分箱中的每个中的探测到的x射线光子计数，并且针对多个像素p中的每个和针对输入能谱x射线数据的多个投影视图v中的每个。

45、根据本发明的另一方面的示例提供了一种包括计算机程序代码的计算机程序产品，所述计算机程序代码可在处理器或计算机上执行，其中，所述代码被配置为使所述处理器执行根据上文概述或下文描述的任何示例或实施例或根据本技术的任何权利要求的方法。

46、根据本发明的另一方面的示例提供了一种用于处理能谱x射线数据以导出材料分解信息的处理装置，所述处理装置被配置为：

47、访问数据存储装置，

48、其中，所述数据存储装置存储第一ai模型和第二ai模型，所述第一ai模型和所述第二ai模型中的每项都被配置为接收能谱x射线数据作为模型输入数据，并且生成材料分解数据作为模型输出数据，并且

49、其中，所述第一ai模型被配置为展现出比所述第二ai模型更低的偏差和比所述第二模型更高的方差；

50、获得输入能谱x射线数据；

51、将所述输入能谱x射线数据作为模型输入数据提供给所述第一ai模型，并且随后将低通滤波应用于第一ai模型的模型输出数据以导出第一材料分解数据；

52、将所述输入能谱x射线数据作为模型输入数据提供给所述第二ai模型，并且随后将高通滤波应用于第二ai模型的模型输出数据以导出第二材料分解数据；

53、将第一和第二材料分解数据线性组合以导出第三材料分解数据。

54、根据一些实施例，所述处理装置可以包括存储第一和第二ai模型的数据存储装置。

55、根据本发明的另一方面的示例提供了一种x射线成像系统，包括：

56、x射线扫描组件，其包括x射线辐射源和x射线辐射探测器，两者之间具有用于接收要扫描的对象的扫描区，其中，源与探测器之间的x射线辐射路径穿过所述扫描区；以及根据上文概述或下文描述的任何示例或实施例或根据本技术的任何权利要求的处理装置。所述处理装置通信地耦合到所述x射线辐射探测器，以从所述x射线探测器接收输入能谱x射线数据。

57、所述扫描器组件可以是ct扫描组件。因此，它可以被布置为使得所述x射线源能够相对于所述x射线探测器进行可调节角度定位。

58、所述x射线探测器可以是适于探测针对一组辐射频率或能量分箱中的每个的光子计数的x射线光子计数探测器。

59、根据本发明的另一方面的示例提供了一种训练用于在从输入能谱x射线数据导出材料分解数据中使用的第一和第二ai模型的方法。所述方法包括：

60、获得初步ai模型，所述初步ai模型被配置为获得能谱x射线数据作为模型输入数据，并且生成材料分解数据作为模型输出数据；

61、利用第一训练数据t1来训练所述初步ai模型的第一副本，从而获得第一ai模型；

62、利用第二训练数据t2来训练所述初步ai模型的第二副本，从而获得第二ai模型；

63、其中，所述第一训练数据和所述第二训练数据中的每项都包括样本能谱x射线数据形式的输入数据条目，以及针对所述样本能谱x射线数据中的每个样本能谱x射线数据的已知材料分解数据形式的对应输出数据条目，并且

64、其中，所述第一训练数据t1被生成或预处理以便具有形成其输入数据条目的所述能谱x射线数据中的减少的噪声，使得所述第一训练数据与所述第二训练数据相比较具有减少的噪声。

65、本发明的这些和其他方面将参考在下文中所描述的(一个或多个)实施例而显而易见并得到阐述。