[发明专利]一种基于深度学习的多材料基物质分解方法

说明书

本发明为一种基于深度学习的多材料基物质分解方法，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：基于步骤二的预训练网络权重，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。本发明针对多基物质分解的特点设计了对应的网络结构、损失函数与训练策略，解决了基物质分解缺少真值的问题，保证了分解结果的准确性与可靠性。本发明可以生成不同物质的分布信息，能够对待测组织的化学组成进行精确评估，弥补了常规CT图像无法区别相似密度物质的缺陷。

技术领域

本发明涉及一种基于深度学习的多材料基物质分解方法，属于医学影像处理、模式识别和计算机视觉领域。它主要涉及双能CT成像原理、基物质分解、自监督学习以及深度卷积网络，在物质组成分析、虚拟成像等相关领域具有广阔的应用前景。

背景技术

双能CT主要利用两种不同能量的X射线扫描同一物体，可以有效排除组织密度的影响，对组织的化学组成进行合理评估，获得不同物质的分布信息。

双能CT最重要的用途之一便是进行基物质分解。基物质图像可以显示出不同物质的分布情况，提供一些常规CT图像无法展现的信息，具有重要的临床意义。但双能CT在物理原理上只能分解出两种基物质图像，而在临床应用中医生通常需要获得多种物质的含量分布，所以需要分解出多种基物质图像。

针对多基物质分解问题，学者们进行了一定的研究，目前常见的有以下方法：Kuijk等人在两种基物质分解的基础上添加了体积守恒的假设，从而实现了三种基物质的分解(参见文献，库伊克,格拉舒伊,斯蒂恩贝克等,定量CT后处理双能量方法的评估：第1部分.理论思考.放射学研究,876-881,1990.(CV.Kuijk,J.Grashuis,J.Steenbeek,et al,“Evaluation of postprocessing dual-energy methods in quantitative computedtomography:Part 1.Theoretical considerations”.Investigative Radiology,876-881,1990))。等人则在此基础上实现了多种基物质的分解。他们提出了具有优先级的三元基物质组列表，通过对图像的每个像素进行迭代，求解出每个像素对应的最佳三元基物质组，从而实现基物质分解(参见文献，门登萨,兰姆,萨哈尼,一种灵活的双能量CT图像多材料分解方法.IEEE医学成像学报,99-116,2013.(P R S.P.Lamb,D VSahani,“A flexible method for multi-material decomposition of dual-energy CTimages”.IEEE Transactions on Medical Imaging,99-116,2013))。但上述方法都是直接求解矩阵方程，这种直接反演的方法容易放大图像中的噪声，产生较多伪影。Long等人针对该缺点提出了一种基于统计图像重建的方法。该方法通过最小化惩罚似然代价函数来得到准确的基物质图像，并使用边缘保持正则化项来降低图像噪声的干扰(参见文献，朗,费斯勒,基于统计图像重建的光谱CT多材料分解.IEEE医学成像学报,1614-1626,2014.(Y.Long,JA.Fessler,“Multi-material decomposition using statistical imagereconstruction for spectral CT”.IEEE Transactions on Medical Imaging,1614-1626,2014))。Xue等人设计了使用双能CT图像进行多材料基物质分解的迭代方法。他们利用材料稀疏性作为约束，并添加最小二乘数据保真项、全变分项、体积守恒约束共同组成分解目标函数，其中全变分项的约束可以有效抑制图像的噪声(参见文献，薛,秦,罗等,基于材料稀疏性约束的单能CT多材料分解.IEEE医学成像学报,1303-1318,2021.(Y.Xue,W.Qin,C.Luo,et al,“Multi-Material Decomposition for Single Energy CT Usingaterial Sparsity Constraint”.IEEE Transactions on Medical Imaging,1303-1318,2021))。