[发明专利]一种基于深度学习的多材料基物质分解方法

权利要求书

1.一种基于深度学习的多材料基物质分解方法，其特征在于：具体步骤如下：

步骤一：根据具有优先级的三元基物质组列表对双能CT影像数据集的一部分数据进行逐像素分解，获得一系列对应的多基物质分解图像；

步骤二：将步骤一得到的基物质分解图像作为分解的标签，用基物质分解网络进行监督学习；

步骤三：使用全部双能CT影像数据对分解网络进行自监督训练，提高网络的基物质分解效果。

2.根据权利要求1所述的一种基于深度学习的多材料基物质分解方法，其特征在于：在步骤一中，从双能CT数据集中随机选择一部分数据，选定分解的基物质数量与种类，以基物质衰减特性的差异作为排序依据构建具有优先级的三元基物质组列表；然后对CT图像的每个像素按三元基物质组排列顺序依次进行基物质分解，最终输出多张基物质图像。

3.根据权利要求1或2所述的一种基于深度学习的多材料基物质分解方法，其特征在于：在步骤一中，具体为：

S11、构建三元基物质组列表；选定分解的基物质数量与种类，列举出所有可能的三元基物质组，然后从NIST库中查找出选定的基物质在不同能量下的线性衰减系数；对于每一个三元基物质组，计算组中基物质之间的衰减特性差异；根据衰减特性差异对三元基物质组进行排列，从而输出具有优先级的三元基物质组列表；

S12、进行多基物质分解；对CT影像的每个像素按三元基物质组排列顺序依次进行基物质分解，当存在一组具有物理意义的解时停止求解，该组解即为对于该像素进行基物质分解的结果；如果使用所有的三元基物质组均都无法得到一组全部取值在0-1范围内的解，则选择绝对值之和最接近于1的一组解；统计每个像素的基物质分解情况后得到整张影像的基物质分解图像。

4.根据权利要求1所述的一种基于深度学习的多材料基物质分解方法，其特征在于：在步骤二中，构建基物质分解网络，将双能CT图像作为网络的输入，以步骤一得到的基物质分解图像作为标签对分解网络进行预训练；分解网络通过编码器对网络输入编码深度特征，其后采用解码器对深度特征解码，并引入共同学习模块融合来自不同能量CT图像的信息，得到对输入双能CT影像的初步分解，基于网络分解结果与标签之间的均方误差损失函数和多尺度感知损失函数对分解网络参数进行优化，最终输出预训练的分解网络参数。