[发明专利]基于K边缘成像的优化阈值方法、装置、设备和介质

权利要求书

1.一种基于K边缘成像的优化阈值方法，其特征在于，所述优化阈值方法包括：

光子计数探测器根据预设阈值组预扫描待探测物体，得到第一探测数据；

依据所述第一探测数据，确定每条射线中基函数组合的分解系数的线积分值，所述每条射线均是固定的基函数组合；

在所述每条射线中基函数组合的分解系数的线积分值中，筛选出所述固定的基函数组合的造影剂材料基函数的线积分值大于预设线积分阈值的射线；

将筛选得到的每条射线对应的探测数据输入预训练神经网络模型中，得到筛选得到的每条射线的局部最优化阈值组；

依据所述局部最优化阈值组，确定所述光子计数探测器的K边缘成像的整体最优化阈值组。

2.根据权利要求1所述的优化阈值方法，其特征在于，所述预设阈值组包括固定阈值和待优化阈值，所述待优化阈值是由能量均分的方式得到的阈值。

3.根据权利要求2所述的优化阈值方法，其特征在于，所述依据所述局部最优化阈值组，确定所述光子计数探测器的K边缘成像的整体最优化阈值组之后，还包括：

以所述整体最优化阈值组替换所述待优化阈值，所述光子计数探测器对所述待探测物体进行扫描，得到第二探测数据；

依据所述第二探测数据，分解和/或重建所述待探测物体的图像。

4.根据权利要求1所述的优化阈值方法，其特征在于，所述依据所述局部最优化阈值组，确定所述光子计数探测器的K边缘成像的整体最优化阈值组，包括：

统计相同的所述局部最优化阈值组中所述射线的条数，将条数最多的所述局部最优化阈值组作为所述整体最优化阈值组。

5.根据权利要求1所述的优化阈值方法，其特征在于，所述预扫描包括：稀疏角度扫描和/或低剂量扫描。

6.根据权利要求1所述的优化阈值方法，其特征在于，所述依据所述第一探测数据，确定每条射线中每个基函数的分解系数的线积分值，包括：

通过最大似然分解法计算所述第一探测数据，确定每条射线中每个基函数的分解系数的线积分值。

7.根据权利要求1所述的优化阈值方法，其特征在于，所述基函数组合包括：光电系数基函数和康普顿系数基函数。

8.根据权利要求1所述的优化阈值方法，其特征在于，所述预训练神经网络模型是通过以所述局部最优化阈值组作为神经网络模型的输出，以及以所述筛选得到的每条射线对应的探测数据作为神经网络模型的输入训练得到的模型，

其中，所述局部最优化阈值组是根据枚举法确定在所述造影剂材料基函数的噪声下限最小值时所述光子计数探测器的K边缘成像的阈值，所述造影剂材料基函数的噪声下限是通过Cramer-Rao下界理论确定的。

9.一种基于K边缘成像的优化阈值装置，其特征在于，所述优化阈值装置包括：

确定线积分值模块、筛选模块、预训练神经网络模型模块和整合模块；

所述确定线积分值模块，用于依据第一探测数据，确定每条射线中基函数组合的分解系数的线积分值，每条射线均是固定的基函数组合；其中所述第一探测数据是由光子计数探测器根据预设阈值组预扫描待探测物体得到的；

所述筛选模块，用于在所述每条射线中基函数组合的分解系数的线积分值中，筛选出所述固定的基函数组合的造影剂材料基函数的线积分值大于预设线积分阈值的射线；

所述预训练神经网络模型模块，用于将筛选得到的每条射线对应的探测数据输入预训练神经网络模型中，得到筛选得到的每条射线的局部最优化阈值组；

所述整合模块，用于依据所述局部最优化阈值组，确定所述光子计数探测器的K边缘成像的整体最优化阈值组。

10.根据权利要求9所述的优化阈值装置，其特征在于，所述预设阈值组包括固定阈值和待优化阈值，所述待优化阈值是由能量均分的方式得到的。