基于X射线吸收图像生成相位衬度图像和暗场图像的方法、装置、计算设备和存储介质制造方法及图纸

本发明专利技术公开了一种基于X射线吸收图像生成相位衬度图像和暗场图像的方法、装置、计算设备和存储介质，包括：获取测试样品的X射线吸收图像、相位衬度图像以及暗场图像，组成训练样本；基于深度学习网络构建用于将输入的X射线吸收图像分别转换为相位衬度图像和暗场图像的两个图像转换模型，并利用训练样本优化图像转换模型的网络参数；利用参数优化的两个图像转换模型分别对输入的X射线吸收图像进行计算，以生成相位衬度图像和暗场图像。以解决利用测试仪器测量测试样品的相位衬度图像以及暗场图像存在测试时间长，复杂，效率低的问题。效率低的问题。效率低的问题。

【技术实现步骤摘要】
基于X射线吸收图像生成相位衬度图像和暗场图像的方法、装置、计算设备和存储介质


[0001]本专利技术涉及医学工程
，具体涉及一种基于X射线吸收图像生成相位衬度图像和暗场图像的方法、装置、计算设备和存储介质。

技术介绍

[0002]相位衬度成像是一种基于X射线的新技术，可以提供传统吸收成像无法区分的材料和组织信息，尤其是在软组织的对比度增强和改善癌症结构的可视化等方面。目前，相位衬度成像主要分为：晶体干涉法、衍射增强法、同轴传播法、光栅相衬成像法、散斑成像法和多色远场干涉法。其中，基于光栅的X射线干涉成像法是相位衬度成像中最有潜力的一种方法。基于X射线干涉测量数据的计算机断层重建(CT)不仅可以获得物体的衰减系数，还可以获得折射角和超小角散射的信息，分别对应于吸收图像、相位衬度和暗场图像。这种信息的获取是以更长的测量时间为代价的，基于投影信号的提取算法不仅需要对每个投影角度进行一次测量，而且需要在相位步进扫描时进行精确的光栅运动。同时，加入光栅结构后，对于系统的转动稳定性和精度要求很高，对系统的硬件水平提出了非常大的挑战，如文献Tapfer,A.,et al.,Experimental results from a preclinical X
‑
ray phase
‑
contrast CT scanner.2012.109(39):p.15691
‑
15696。这些瓶颈阻碍了基于光栅的X射线干涉成像法在连续转动的CT装置中的应用，如von Teuffenbach,M.,et al.,Grating
‑
based phase
‑
contrast and dark
‑
field computed tomography:a single
‑
shot method.2017.7(1):p.1
‑
8。对于这些问题科学家们已经提出了一些解决方案，但都存在较大的缺陷。

技术实现思路

[0003]鉴于上述，本专利技术提供了一种基于X射线吸收图像生成相位衬度图像和暗场图像的方法、装置、计算设备和存储介质，不依靠仪器测量，即可以根据X射线吸收图像生成相位衬度图像和暗场图像。
[0004]第一方面，实施例提供的一种基于X射线吸收图像生成相位衬度图像和暗场图像的方法，包括以下步骤：
[0005]获取测试样品的X射线吸收图像、相位衬度图像以及暗场图像，组成训练样本；
[0006]基于深度学习网络构建用于将输入的X射线吸收图像分别转换为相位衬度图像和暗场图像的两个图像转换模型，并利用训练样本优化图像转换模型的网络参数；
[0007]利用参数优化的两个图像转换模型分别对输入的X射线吸收图像进行计算，以生成相位衬度图像和暗场图像。
[0008]在一个实施例中，采用同步辐射光源成像站获取测试样品的X射线吸收图像、相位衬度图像以及暗场图像，测试时，测试样品被置于相位光栅之后，由Talbot效应产生的莫尔条纹因测试样品的吸收、折射和散射而改变，通过分析莫尔条纹来获得测试样品的X射线吸收图像、相位衬度图像以及暗场图像。
[0009]在一个实施例中，构建每个图像转换模型的深度学习网络采用Pixel2Pixel或Pixel2Pixel HD算法。
[0010]在一个实施例中，在利用Pixel2Pixel或Pixel2Pixel HD算法构建图像转换模型时，包含生成器组和判别器组组成的GAN，其中，生成器组包含全局生成器和n个局域增强器，分别用于依据输入的X射线吸收图像全局生成相位衬度图像或暗场图像，局域增强相位衬度图像或暗场图像中的像素点，判别器组包含n+1个判别器，分别与生成器组中的全局生成器与局域增强器对应，用于对全局生成器与局域增强器生成的特征与真实图像提取的特征做匹配，以得到匹配损失，该匹配损失与GAN损失组成总损失，以优化GAN的网络参数，提取参数优化的生成器组作为图像转换模型。
[0011]在一个实施例中，所述全局生成器与局域增强器均包含依次连接的卷积模块、残差模块以及转置卷积模块，用于提取图像特征并映射生成相位衬度图像或暗场图像。
[0012]在一个实施例中，对生成相位衬度图像和暗场图像为投影图，对投影图进行重建，以得到相位衬度CT图像和暗场CT图像。
[0013]第二方面，实施例提供的一种基于X射线吸收图像生成相位衬度图像和暗场图像的装置，包括：
[0014]采集模块，用于获取测试样品的X射线吸收图像、相位衬度图像以及暗场图像，组成训练样本；
[0015]构建模块，用于基于深度学习网络构建用于将输入的X射线吸收图像分别转换为相位衬度图像和暗场图像的两个图像转换模型，并利用训练样本优化图像转换模型的网络参数；
[0016]生成模块，用于利用参数优化的两个图像转换模型分别对输入的X射线吸收图像进行计算，以生成相位衬度图像和暗场图像。
[0017]第三方面，实施例提供的一种计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上执行的计算机程序，所述存储器中存储有利用上述基于X射线吸收图像生成相位衬度图像和暗场图像的方法构建的两个图像转换模型；所述处理器执行所述计算机程序时实现以下步骤：
[0018]利用两个图像转换模型分别对输入的X射线吸收图像进行计算，以生成相位衬度图像和暗场图像。
[0019]第四方面，实施例提供的一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理执行时实现以下步骤：
[0020]基于深度学习网络构建用于将输入的X射线吸收图像分别转换为相位衬度图像和暗场图像的两个图像转换模型，并利用训练样本优化图像转换模型的网络参数；
[0021]利用参数优化的两个图像转换模型分别对输入的X射线吸收图像进行计算，以生成相位衬度图像和暗场图像。
[0022]上述实施例提供的技术方案，具有的有益效果至少包括：
[0023]通过对测试样品进行同步处理获得的X射线吸收图像、相位衬度图像以及暗场图像来构建训练样本，并利用训练样本来训练深度学习网络来构建图像转换模型，然后利用图像转换模型基于X射线吸收图像，生成相位衬度图像以及暗场图像，这样可以不利用测试仪器，直接可以根据X射线吸收图像上快速、准确和鲁棒地获得相位衬度图像或暗场图像，
增强低吸收成像区域的对比度，满足临床的需求。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动前提下，还可以根据这些附图获得其他附图。
[0025]图1是一实施例提供的基于X射线吸收图像生成相位衬度图像和暗场图像的方法的流程图；
[0026]图2是一实施例提供的全局生成器和局域增强器的结构示意图；...

【技术保护点】

【技术特征摘要】
1.一种基于X射线吸收图像生成相位衬度图像和暗场图像的方法，其特征在于，包括以下步骤：获取测试样品的X射线吸收图像、相位衬度图像以及暗场图像，组成训练样本；基于深度学习网络构建用于将输入的X射线吸收图像分别转换为相位衬度图像和暗场图像的两个图像转换模型，并利用训练样本优化图像转换模型的网络参数；利用参数优化的两个图像转换模型分别对输入的X射线吸收图像进行计算，以生成相位衬度图像和暗场图像。2.如权利要求1所述的基于X射线吸收图像生成相位衬度图像和暗场图像的方法，其特征在于，采用同步辐射光源成像站获取测试样品的X射线吸收图像、相位衬度图像以及暗场图像，测试时，测试样品被置于相位光栅之后，由Talbot效应产生的莫尔条纹因测试样品的吸收、折射和散射而改变，通过分析莫尔条纹来获得测试样品的X射线吸收图像、相位衬度图像以及暗场图像。3.如权利要求1所述的基于X射线吸收图像生成相位衬度图像和暗场图像的方法，其特征在于，构建每个图像转换模型的深度学习网络采用Pixel2Pixel或Pixel2Pixel HD算法。4.如权利要求3所述的基于X射线吸收图像生成相位衬度图像和暗场图像的方法，其特征在于，在利用Pixel2Pixel或Pixel2Pixel HD算法构建图像转换模型时，包含生成器组和判别器组组成的GAN，其中，生成器组包含全局生成器和n个局域增强器，分别用于依据输入的X射线吸收图像全局生成相位衬度图像或暗场图像，局域增强相位衬度图像或暗场图像中的像素点，判别器组包含n+1个判别器，分别与生成器组中的全局生成器与局域增强器对应，用于对全局生成器与局域增强器生成的特征与真实图像提取的特征做匹配，以得到匹配损失，该匹配损失与GAN损失组成总损失，以优化GAN的网络参数，提取参数优化的生成器组作为图像转换模型。5.如...

【专利技术属性】
技术研发人员：牛田野，葛昕，罗辰，杨鹏飞，
申请(专利权)人：深圳湾实验室，
类型：发明
国别省市：