骨硬化伪影校正方法、装置、计算机设备和可读存储介质与流程
本申请涉及图像处理领域，特别是涉及骨硬化伪影校正方法、装置、计算机设备和计算机可读存储介质。
背景技术：
针对骨硬化伪影，在传统技术中已经有许多校正算法被提出，从实现方式上可以分为硬件和软件两大类。硬件方法通过在各类计算机断层成像设备的实体系统中添加校正工具，进而起到抑制骨硬化伪影的作用，而软件方法以骨硬化伪影产生的本质为依据，利用校正算法对获取到的投影数据或者重建图像做相应的处理，以此减轻图像中骨硬化伪影的程度。
在硬件校正方面，其校正方法主要包括水袋校正法和滤波片法。水袋校正法主要是通过将水袋均匀的缠绕在被检测物体的表面，使得不同位置的射线束穿透物体的路径一致，从而达到校正目的，但是这种方式方便性很差，缺乏简洁性。而滤波片法则是通过在射线源和被扫瞄物体之间放置过滤物预滤过射线，以此减轻射束骨硬化导致的伪影，但是在医用ct设备中，除了射束骨硬化外还应当考虑扫描视野范围内病人所受的剂量保持一定的分布，通常使用形状滤过器进行骨硬化校正。
在软件校正方面，软件校正方法主要分为前处理和后处理两类。前处理校正方法应用于最终的ct图像重建完成之前。而后处理校正方法一般应用于重建图像之后，算法在执行过程中需要原始重建图像或图像分割操作的参与。前处理方法有多项式拟合、蒙特卡洛拟合等，这种方法适用于单一成分物质，但是需要制作与被扫描物体材料相同的校正模体，不利于工程推广。而且人体是由复杂的元素构成，不可能制造出和人类同材料的模体，因此该方法在医用ct中的应用同样受到了限制。除此之外，前处理的方法还包括基于迭代重建的算法，这类方法创新性的将骨硬化校正操作和图像重建过程相融合，但是上述方式受限于参数选取繁琐，且算法运行时间长，因此该类方法没有被广泛利用。
然而近年来在相关技术中双能法被应用到ct领域。双能法的思路是通过对目标物体进行两次具有射线能谱差异的扫描，然后获取某一射线能级下被扫描截面的线性衰减系数分布，进而得到无骨硬化伪影的校正图像。由双能ct产生单色图像是基于x射线束吸收光谱，在校正时需要获取x射线谱信息，从而会导致骨硬化伪影校正过程复杂且耗费大量时间。
综上所述，已有的骨硬化伪影校正方法虽然种类繁多，但在具体应用中都有各自的局限性。目前针对相关技术中骨硬化伪影校正过程复杂的问题，尚未提出有效的解决方案。
技术实现要素：
本申请实施例提供了一种骨硬化伪影校正方法、装置、计算机设备和计算机可读存储介质，以至少解决相关技术中骨硬化伪影校正过程复杂的问题。
第一方面，本申请实施例提供了一种骨硬化伪影校正方法，所述方法包括：
获取第一扫描图像的第一投影数据；
使用骨硬化伪影校正模型处理所述第一投影数据，得到第二投影数据，其中，所述骨硬化伪影校正模型包括已训练的人工神经网络，所述已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据或者骨硬化伪影图像的投影数据；
根据所述第二投影数据，重建得到第二扫描图像。
在其中一些实施例中，使用骨硬化伪影校正模型处理所述第一投影数据，得到第二投影数据包括：
使用所述已训练的人工神经网络处理所述第一投影数据，得到骨硬化伪影图像的第三投影数据；
根据所述第一投影数据与所述第三投影数据，确定所述第二投影数据，其中，所述已训练的人工神经网络被训练为预测骨硬化伪影图像的投影数据。
在其中一些实施例中，所述已训练的人工神经网络的训练过程包括：
获取训练样本和未训练的人工神经网络，所述训练样本包括：具有骨硬化伪影的扫描图像的第四投影数据，以及对应的骨硬化伪影图像的第五投影数据；
以所述第四投影数据作为输入，以所述第五投影数据作为监督，训练所述未训练的人工神经网络，直至所述未训练的人工神经网络参数收敛，得到所述已训练的人工神经网络。
在其中一些实施例中，使用骨硬化伪影校正模型处理所述第一投影数据，得到第二投影数据包括：
使用所述已训练的人工神经网络处理所述第一投影数据，得到所述第二投影数据，其中，所述已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据。
在其中一些实施例中，所述已训练的人工神经网络的训练过程包括：
获取训练样本和未训练的人工神经网络，所述训练样本包括：具有骨硬化伪影的扫描图像的第六投影数据，以及对应的不具有骨硬化伪影的扫描图像的第七投影数据；
以所述第六投影数据作为输入，以所述第七投影数据作为监督，训练所述未训练的人工神经网络，直至所述未训练的人工神经网络参数收敛，得到所述已训练的人工神经网络。
在其中一些实施例中，所述第七投影数据的生成过程包括：
将所述第六投影数据对应的扫描图像进行图像分割，得到水图像和骨图像；
投影所述水图像得到水图像投影数据，以及投影所述骨图像得到骨图像投影数据；
根据所述水图像投影数据和所述骨图像投影数据进行射束硬化校正，得到所述第七投影数据。
在其中一些实施例中，所述第一投影数据、第四投影数据、第六投影数据均通过水硬化预校正。
第二方面本申请实施例提供了一种骨硬化伪影校正装置，所述装置包括：
第一获取模块，用于获取第一扫描图像的第一投影数据；
第一处理模块，用于使用骨硬化伪影校正模型处理所述第一投影数据，得到第二投影数据，其中，所述骨硬化伪影校正模型包括已训练的人工神经网络，所述已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据或者骨硬化伪影图像的投影数据；
重建模块，用于根据所述第二投影数据，重建得到第二扫描图像。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的骨硬化伪影校正方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的骨硬化伪影校正方法。
相比于相关技术，本申请实施例提供的骨硬化伪影校正方法、装置、计算机设备和计算机可读存储介质，通过获取第一扫描图像的第一投影数据；使用骨硬化伪影校正模型处理第一投影数据，得到第二投影数据，其中，骨硬化伪影校正模型包括已训练的人工神经网络，已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据或者骨硬化伪影图像的投影数据；根据第二投影数据，重建得到第二扫描图像的方式，解决了相关技术中骨硬化伪影校正过程复杂的问题，简化了骨硬化伪影校正的过程。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的ct系统的结构示意图；
图2是根据本申请实施例的计算机设备的硬件结构示意图；
图3是根据本申请实施例的骨硬化伪影校正方法的流程图；
图4是根据本申请实施例的基于人工神经网络降低骨硬化伪影的的示意图一；
图5是根据本申请实施例的基于人工神经网络降低骨硬化伪影的的示意图二；
图6是根据本申请实施例的骨硬化伪影校正装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本申请实施例提供的计算机设备可以应用于医学影像处理系统中，在该医学影像处理系统可以包括医学图像扫描设备、计算机设备。
其中，医学图像扫描设备可以是磁共振系统(mr系统)、正电子发射计算机断层显像系统(pet系统)、正电子发射计算机断层显像-磁共振多模态混合系统(pet-mr系统)、电子计算机断层扫描系统(ct系统)、x射线扫描系统等任意一种或者多种医学图像扫描系统。
下面以医学图像扫描设备为ct系统为例对本申请实施例进行描述和说明。
在本实施例中，ct系统100包括检查床110和扫描部件120。其中，检查床110适于承载待检查者。检查床110能够移动，使得待检查者的待检查部位被移动到适合被检测的位置，例如图1中标示为200的位置。扫描部位120具有射线源121和探测器122。
射线源121可以被配置为对待检查者的待检查部位发出射线，用以产生医学图像的扫描数据。待检查者的待检查部位可包括物质、组织、器官、样本、身体，或类似物，或者其他任意组合。在某些实施例中，待检查者的待检查部位可以包括患者或者其一部分，即可以包括头、胸、肺、胸膜、纵膈、腹、大肠、小肠、膀胱、胆囊、三焦、盆腔、骨干、末端、骨架、血管，或类似物，或其任意组合。射线源121被配置为用于产生射线或其他类型的射线。射线能够穿过待检查者的待检查部位。穿过待检查者的待检查部位后被探测器122接收。
射线源121可包括射线发生器。射线发生器可包括一个或多个射线管。射线管可以发射射线或射线束。射线源121可以是x射线球管、冷阴极离子管、高真空热阴极管、旋转阳极管等。发射的射线束的形状可以是线形、窄笔形、窄扇形、扇形、锥形、楔形、或类似物，或不规则形状，或其任何组合。射线束的扇形角度可以是20°至90°范围内的一定值。射线源121中的射线管可以固定在一个位置。在某些情况下，可以平移或旋转射线管。
探测器122可配置为接收来自射线源121或其他辐射源的射线。来自射线源121的射线可以穿过待检查者，然后到达探测器122。接收射线之后，探测器122产生蕴含待检查者的射线图像的探测结果。探测器122包括射线检测器或者其他部件。射线检测器的形状可以是扁平、弓形、圆形、或类似物，或其任意组合。弓形检测器的扇形角度范围可以是20°至90°。扇形角度可固定或者根据不同的情况可调。不同的情况包括期望的图像分辨率、图像大小、检测器的灵敏度、检测器的稳定性、或类似物，或其任意组合。在一些实施例中，检测器的像素可以是最小检测单元的数量，例如检测器单元的数量(例如，闪烁体或光电传感器等)。检测器的像素可以布置成单行、双行或另一数目的行。射线检测器是一维、二维、或者三维的。
ct系统还包括扫描控制装置和图像生成装置。其中，扫描控制装置被配置为控制检查床110和扫描部件120进行扫描。图像生成装置用于根据探测器122的探测结果生成医学影像。
由于扫描部件120在进行扫描时往往会发出射线，因此在一些实施例中，为了避免ct系统100的操作者暴露在这些辐射下，可以将图像生成装置设置在与扫描部件120不同的房间内，使得ct系统100的操作者可以处在另外的房间内，避免受到射线照射，并能够通过图像生成装置生成以及观察扫描结果。
本实施例的计算机设备包括处理器211、存储有计算机程序指令的存储器212和显示设备214。
上述处理器211可以包括中央处理器(cpu)，或者特定集成电路(applicationspecificintegratedcircuit，简称为asic)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
在其中一些实施例中，处理器211可以被配置为：获取第一扫描图像的第一投影数据；使用骨硬化伪影校正模型处理第一投影数据，得到第二投影数据，其中，骨硬化伪影校正模型包括已训练的人工神经网络，已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据或者骨硬化伪影图像的投影数据；根据第二投影数据，重建得到第二扫描图像。
在其中一些实施例中，处理器211可以被配置为：使用已训练的人工神经网络处理第一投影数据，得到骨硬化伪影图像的第三投影数据；根据第一投影数据与第三投影数据，确定第二投影数据，其中，已训练的人工神经网络被训练为预测骨硬化伪影图像的投影数据。
在其中一些实施例中，处理器211可以被配置为：获取训练样本和未训练的人工神经网络，训练样本包括：具有骨硬化伪影的扫描图像的第四投影数据，以及对应的骨硬化伪影图像的第五投影数据；以第四投影数据作为输入，以第五投影数据作为监督，训练未训练的人工神经网络，直至未训练的人工神经网络参数收敛，得到已训练的人工神经网络。
在其中一些实施例中，处理器211可以被配置为：使用已训练的人工神经网络处理第一投影数据，得到第二投影数据，其中，已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据。
在其中一些实施例中，处理器211可以被配置为：获取训练样本和未训练的人工神经网络，训练样本包括：具有骨硬化伪影的扫描图像的第六投影数据，以及对应的不具有骨硬化伪影的扫描图像的第七投影数据；以第六投影数据作为输入，以第七投影数据作为监督，训练未训练的人工神经网络，直至未训练的人工神经网络参数收敛，得到已训练的人工神经网络。
在其中一些实施例中，处理器211可以被配置为：将第六投影数据对应的扫描图像进行图像分割，得到水图像和骨图像；投影水图像得到水图像投影数据，以及投影骨图像得到骨图像投影数据；根据水图像投影数据和骨图像投影数据进行射束硬化校正，得到第七投影数据。
在其中一些实施例中，第一投影数据、第四投影数据、第六投影数据均通过水硬化预校正。
存储器212可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器212可包括硬盘驱动器(harddiskdrive，简称为hdd)、软盘驱动器、固态驱动器(solidstatedrive，简称为ssd)、闪存、光盘、磁光盘、磁带或通用串行总线(universalserialbus，简称为usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器212可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器212可在数据处理装置的内部或外部。在特定实施例中，存储器212是非易失性(non-volatile)存储器。在特定实施例中，存储器212包括只读存储器(read-onlymemory，简称为rom)和随机存取存储器(randomaccessmemory，简称为ram)。在合适的情况下，该rom可以是掩模编程的rom、可编程rom(programmableread-onlymemory，简称为prom)、可擦除prom(erasableprogrammableread-onlymemory，简称为eprom)、电可擦除prom(electricallyerasableprogrammableread-onlymemory，简称为eeprom)、电可改写rom(electricallyalterableread-onlymemory，简称为earom)或闪存(flash)或者两个或更多个以上这些的组合。在合适的情况下，该ram可以是静态随机存取存储器(staticrandom-accessmemory，简称为sram)或动态随机存取存储器(dynamicrandomaccessmemory，简称为dram)，其中，dram可以是快速页模式动态随机存取存储器(fastpagemodedynamicrandomaccessmemory，简称为fpmdram)、扩展数据输出动态随机存取存储器(extendeddateoutdynamicrandomaccessmemory，简称为edodram)、同步动态随机存取内存(synchronousdynamicrandom-accessmemory，简称sdram)等。
存储器212可以用来存储或者缓存需要处理和/或通信使用的各种数据文件(例如医学图像、操作系统、预设知识库数据、机器学习模型等)，以及处理器211所执行的可能的计算机程序指令。
处理器211通过读取并执行存储器212中存储的计算机程序指令，以实现本申请实施例的骨硬化伪影校正方法。
在其中一些实施例中，计算机设备还可包括通信接口213和总线210。其中，如图2所示，处理器211、存储器212、通信接口213、显示设备214通过总线210连接并完成相互间的通信。
通信接口213用于实现本实施例中各模块、装置、单元和/或设备之间的通信。通信接口213还可以实现与其他部件例如：外接设备、医学影像扫描设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线210包括硬件、软件或两者，将计算机设备的部件彼此耦接在一起。总线210包括但不限于以下至少之一：数据总线(databus)、地址总线(addressbus)、控制总线(controlbus)、扩展总线(expansionbus)、局部总线(localbus)。举例来说而非限制，总线210可包括图形加速接口(acceleratedgraphicsport，简称为agp)或其他图形总线、增强工业标准架构(extendedindustrystandardarchitecture，简称为eisa)总线、前端总线(frontsidebus，简称为fsb)、超传输(hypertransport，简称为ht)互连、工业标准架构(industrystandardarchitecture，简称为isa)总线、无线带宽(infiniband)互连、低引脚数(lowpincount，简称为lpc)总线、存储器总线、微信道架构(microchannelarchitecture，简称为mca)总线、外围组件互连(peripheralcomponentinterconnect，简称为pci)总线、pci-express(pci-x)总线、串行高级技术附件(serialadvancedtechnologyattachment，简称为sata)总线、视频电子标准协会局部(videoelectronicsstandardsassociationlocalbus，简称为vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线210可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
该计算机设备可以基于获取到的第一扫描图像的第一投影数据，执行本实施例提供的骨硬化伪影校正方法。
另外，本申请实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现本实施例提供的骨硬化伪影校正方法。
本实施例还提供了一种骨硬化伪影校正方法。图3是根据本申请实施例的骨硬化伪影校正方法的流程图，如图3所示，该流程包括如下步骤：
步骤s301，获取第一扫描图像的第一投影数据。
在本实施例中获取到的第一扫描图像可以是从ct系统实时获取的扫描图像，也可以是从扫描图像数据库中获取的扫描图像。优选地，第一扫描图像为有伪影或者伪影明显的扫描图像。
步骤s302，使用骨硬化伪影校正模型处理第一投影数据，得到第二投影数据，其中，骨硬化伪影校正模型包括已训练的人工神经网络，已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据或者骨硬化伪影图像的投影数据。
需要说明的是，本步骤中的人工神经网络可以运动任一种当前存在的网络结构变种，例如图像分割网络(简称unet)、残差网络(简称resnet)、密集卷积网络(简称densenet)、生成对抗网络(简称gan)。
步骤s303，根据第二投影数据，重建得到第二扫描图像。
在步骤s302通过骨硬化伪影校正模型对第一投影数据的骨硬化伪影校正，得到的第二投影数据，然后根据第二投影数据重建，得到第二扫描图像是没有伪影或者非常接近于没有伪影的图像，实现了对骨硬化伪影图像的校正。
与现有技术相比，本实施例提供的上述步骤中引入神经网络，以通过获取扫描图像的投影数据预测不具有骨硬化伪影的扫描图像的投影数据或者骨硬化伪影图像的投影数据，并根据获取的预测不具有骨硬化伪影的扫描图像的投影数据或者骨硬化伪影图像的投影数据控制磁共振扫描仪进行图像重建的方式，实现了对图像伪影的校正，同时本实例中通过采用人工神经网络，简化了骨硬化伪影校正的过程，进一步减少了骨硬化伪影的校正过程的时间，解决了相关技术中骨硬化伪影校正过程复杂的问题。
在本实施例中，已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据或者骨硬化伪影图像的投影数据，其使用骨硬化伪影校正模型处理第一投影数据，得到第二投影数据的过程是不同的，以及对应的骨硬化伪影校正模型的训练过程也是不一样的。以下通过一些实施例来对本实施例进行描述说明。
例如，在其中一些实施例中，使用骨硬化伪影校正模型处理第一投影数据，得到第二投影数据包括：使用已训练的人工神经网络处理第一投影数据，得到骨硬化伪影图像的第三投影数据；根据第一投影数据与第三投影数据，确定第二投影数据，其中，已训练的人工神经网络被训练为预测骨硬化伪影图像的投影数据。
在本实施例中，通过被训练为预测骨硬化伪影图像的投影数据的人工神经网络，来训练第一投影数据，得到的差异投影数据即第三投影数据，也就是带有骨硬化伪影的第一扫描图像的第一投影数据中需要去除的部分，因此，可以将带有骨硬化伪影的第一扫描图像的第一投影数据减去骨硬化伪影校正模型输出的第三投影数据，进而得到第二投影数据的方式，可以实现骨硬化伪影的降低或者消除。
需要说明的是，本实施例中，根据第一投影数据与第三投影数据，确定第二投影数据的方式可以是直接将第一投影数据与第三投影数据作差，得到第二投影数据，也可以是对第三投影数据进行一些处理然后再确定第二投影数据，例如可以先对第三投影数据进行加权，然后再将第一投影数据与第三投影数据作差，得到第二投影数据，本申请确定第二投影数据的方式并不仅限于以上方式，也可以是其他能够确定第二投影数据的方式。
又例如，在其中一些实施例中，使用骨硬化伪影校正模型处理第一投影数据，得到第二投影数据包括：使用已训练的人工神经网络处理第一投影数据，得到第二投影数据，其中，已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据。
在本实施例中，通过被训练为预测不具有骨硬化伪影的扫描图像的投影数据的人工神经网络，来训练第一投影数据，得到第二投影数据的方式，也能够直接将带有骨硬化伪影的第一扫描图像中的骨硬化伪影降低或者消除。
在上述实施例中，对骨硬化伪影校正模型的人工神经网络的训练方式可以分为：
方式1：获取训练样本和未训练的人工神经网络，训练样本包括：具有骨硬化伪影的扫描图像的第四投影数据，以及对应的骨硬化伪影图像的第五投影数据；以第四投影数据作为输入，以第五投影数据作为监督，训练未训练的人工神经网络，直至未训练的人工神经网络参数收敛，得到已训练的人工神经网络。
方式2：获取训练样本和未训练的人工神经网络，训练样本包括：具有骨硬化伪影的扫描图像的第六投影数据，以及对应的不具有骨硬化伪影的扫描图像的第七投影数据；以第六投影数据作为输入，以第七投影数据作为监督，训练未训练的人工神经网络，直至未训练的人工神经网络参数收敛，得到已训练的人工神经网络。
方式1训练得到的人工神经网络在训练完备后，得到的差异投影数据，也就是带有骨硬化伪影的扫描图像的投影数据中需要去除的部分，因此，将带有骨硬化伪影的扫描图像的投影数据减去骨硬化伪影校正模型输出的差异投影数据，可以实现骨硬化伪影的降低或者消除。方式2训练得到的人工神经网络在训练完备后，能够根据训练完备的人工神经网络输出的投影数据重建扫描图像，从而可以实现将带有骨硬化的扫描图像中的骨硬化伪影降低或者去除。
在上述实施例中，由于大多数材料的线性衰减系数和能量相关，一种典型的材料对于低能光子具有较高的衰减系数，对高能光子具有低衰减系数。而x光管产生的x射线束覆盖了一个很宽的谱。当多色x射线束穿过某材料，导致高能光子的比例增多，产生“射束硬化”。
需要说明的是，射束硬化是由x射线束能谱的多能性和衰减系数与能量的相关性造成的。多能x射线穿过物体时，能量较低的x光子由于光电效应优先被吸收，使得穿透物质的x射线高能成分比例增加，表现为平均能量升高，从而使射线随贯穿长度增加，变得更易穿透，频谱分布的峰值向较高的能量方向移动，这就是射束硬化效应。它会导致密度均匀的被测物体切片在重建ct图像上表现为亮度不一，图像上的像素值分布呈中间黑边缘亮的“茶杯状”，即“杯状”伪影。
因此，为了避免密度均匀的被测物体切片在重建ct图像上表现为亮度不一，在其中一些实施例中，上述方式2中的第七投影数据的生成过程可以包括：将第六投影数据对应的扫描图像进行图像分割，得到水图像和骨图像；投影水图像得到水图像投影数据，以及投影骨图像得到骨图像投影数据；根据水图像投影数据和骨图像投影数据进行射束硬化校正，得到第七投影数据。
在本实施例中，通过水图像投影数据和骨图像投影数据进行射束硬化校正得到第七投影数据的方式，可以将第六投影数据中的x射线硬化现象消除或者降低。
在上述实施例中的射束硬化校正可以根据以下公式进行校正：
上述公式表示射束硬化校正过程，其中，pc为非线性曲线，p为射束校正之后的线性曲线，ai表示第i个多项式的系数。其中，多项式的系数可以是用户在线配置的，也可以用户预先配置的，还可以是通过预设的特定算法计算得出的。采用该方法进行校正，可以减少或者消除射束硬化伪影。
除了上述射束硬化校正方法，在本实施例中，在条件允许的情况下，射束硬化校正方法还可以采取相关技术中的单能法、双能法或者其他能够实现射束硬化校正方法。以下通过实施例来对本实施例中的射束硬化方法进行描述和说明。
在本实施例中，射束硬化校正还可以采用单能法，其中，单能法是早期研究比较多的一种方法。nalcioglu提出的单能法是假设x射线的衰减系数要么与骨的衰减系数相同，要么与水的衰减系数相同。在此基础上先经过一次重建得到对应每一条投影线上的物质分布情况，然后对每一条射线进行处理获得处理后的投影数据，重建后得到校正后图像。
本实施例中的单能法可以通过以下公式进校正：
其中，
上述公式中的右边是一个关于单能投影m的单调递增函数。因此，可以利用单能投影和多能投影的关系曲线来进行射束硬化校正，利用多能投影p的函数f(p)来估计单色投影m，从而得到一个近似单能的重建结果。
在本实施例中，射束硬化校正还可以采用双能法，双能法的校正思想为：假设多能x射线主要由两种能量(e1、e2，e1<e2)的射线所组成，则投影数据为：
其中，上式中，μ1、μ2均为物质在能量分别为e1和e2的单能射线下的线性衰减系数，d为线经过物体的距离，a为拟合参数。主要实现步骤为：
(1)选择两种不同的射线管电压进行扫描待测量物体；
(2)在选定的两种射线管电压下分别测得不同物质(标准物体)厚度所对应i和i0的值，计算多能射线投影值；
(3)根据所得数据，利用最小二乘法估计参数μ1、μ2、a；
(4)由通过拟和参数所计算出的数据进行重建。
需要说明的是，上述实施例中的第一投影数据、第四投影数据、第六投影数据均通过水硬化预校正。
下面结合附图和优选实施例来对本申请进行描述和说明。
图4是根据本申请实施例的基于人工神经网络降低骨硬化伪影的示意图一，如图4所示，本实施例通过对获取的第六扫描图像进行图像分割，得到该第六扫描图像对应的水图像和骨图像，对骨图像和水图像进行正投影，获取骨图像的投影数据以及水图像的投影数据，再将水图像投影数据和骨图像投影数据进行射束硬化校正，得到预测不具有骨硬化伪影的扫描图像的投影数据。
之后再将获取到的第一扫描图像进行投影得到第一扫描图像的投影数据，将第一扫描图像的投影数据作为神经网络的输入，以预测不具有骨硬化伪影的扫描图像的投影数据作为人工神经网络的金标准进行训练，直至网络收敛，输出预测不具有骨硬化伪影的扫描图像的投影数据，或者还可以将第六扫描图像的投影数据与预测不具有骨硬化伪影的扫描图像的投影数据作差得到差异投影数据，以差异投影数据作为人工神经网络的金标准进行训练，直至网络收敛，输出差异投影数据，最后再将第一扫描图像的投影数据与差异投影数据作差，得到预测不具有骨硬化伪影的扫描图像的投影数据。最后根据该预测不具有骨硬化伪影的扫描图像的投影数据进行重建，得到骨硬化伪影校正之后的图像。
图5是根据本申请实施例的基于人工神经网络降低骨硬化伪影的示意图二，如图5所示，图5中的a、d是传统物理骨硬化校正方法处理图像，图5中的b、e是通过本申请实施例中的方法处理的图像，图5中的c、f是未做骨硬化校正的图像。通过图5中的方框位置所对应的图像进行对比，本申请实施例中通过利用神经网络具有非常好的泛化能力的性质，进而来去除扫描图像的伪影的方式，要优于传统物理方法，可以更好的去除扫描图像中的骨硬化伪影。
本实施例还提供了一种骨硬化伪影校正装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本申请实施例的骨硬化伪影校正装置的结构框图，如图6所示，该装置包括：
第一获取模块610，用于获取第一扫描图像的第一投影数据；
第一处理模块620，耦合至第一获取模块610，用于使用骨硬化伪影校正模型处理第一投影数据，得到第二投影数据，其中，骨硬化伪影校正模型包括已训练的人工神经网络，已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据或者骨硬化伪影图像的投影数据；
重建模块630，耦合至第一处理模块620，用于根据第二投影数据，重建得到第二扫描图像。
在其中一些实施例中，该装置还包括，第二处理模块，用于使用已训练的人工神经网络处理第一投影数据，得到骨硬化伪影图像的第三投影数据；确定模块，用于根据第一投影数据与第三投影数据，确定第二投影数据，其中，已训练的人工神经网络被训练为预测骨硬化伪影图像的投影数据。
在其中一些实施例中，该装置还包括：第二获取模块，用于获取训练样本和未训练的人工神经网络，训练样本包括：具有骨硬化伪影的扫描图像的第四投影数据，以及对应的骨硬化伪影图像的第五投影数据；第一训练模块，用于以第四投影数据作为输入，以第五投影数据作为监督，训练未训练的人工神经网络，直至未训练的人工神经网络参数收敛，得到已训练的人工神经网络。
在其中一些实施例中，该装置还包括：第三处理模块，用于使用已训练的人工神经网络处理第一投影数据，得到第二投影数据，其中，已训练的人工神经网络被训练为预测不具有骨硬化伪影的扫描图像的投影数据。
在其中一些实施例中，该装置还包括：第三获取模块，用于获取训练样本和未训练的人工神经网络，训练样本包括：具有骨硬化伪影的扫描图像的第六投影数据，以及对应的不具有骨硬化伪影的扫描图像的第七投影数据；第二训练模块，用于以第六投影数据作为输入，以第七投影数据作为监督，训练未训练的人工神经网络，直至未训练的人工神经网络参数收敛，得到已训练的人工神经网络。
在其中一些实施例中，该装置还包括：分割模块，用于将第六投影数据对应的扫描图像进行图像分割，得到水图像和骨图像；投影模块，用于投影水图像得到水图像投影数据，以及投影骨图像得到骨图像投影数据；校正模块，用于根据水图像投影数据和骨图像投影数据进行射束硬化校正，得到第七投影数据。
在其中一些实施例中，第一投影数据、第四投影数据、第六投影数据均通过水硬化预校正。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
- 还没有人留言评论。精彩留言会获得点赞！