[发明专利]一种基于深度学习的X射线光子计数探测器一致性校准方法

权利要求书

1.一种基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，包括步骤：

坏像素定位：使用聚类算法定位坏像素；

坏像素分类和校准：分析坏像素对应向量与正常像素向量之间的相关性，得出探测器坏点位置并补偿；

量子噪声消除：使用标签数据训练卷积神经网络使其可以消除投影噪声；

所述步骤（1）中使用聚类算法定位坏像素的方法是：利用改进的DBSCAN算法分别对不同能量范围的投影图像的区域方差进行分类，将方差分为正常方差和对应包含坏像素区域的异常方差以确定投影图像中坏像素所在区域，将坏像素区域像素依次与正常像素区域像素交换，若正常像素区域的方差变为异常方差，则认为交换中的坏像素区域像素为坏像素，将在不同能量范围的投影图像中得出的坏像素坐标进行整合防止随机现象对判断结果产生影响，由此得出坏像素坐标位置集合；

所述改进的DBSCAN算法是从方差的最小值建立一个新簇开始聚类，并将满足条件的方差归入正常方差类别，当第一类聚类结束时结束整个聚类过程，剩余的方差即属于异常方差，由此得出坏像素所在区域。

2.如权利要求1所述的基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，所述步骤（2）中分类和校准的方法是：将不同能量范围的投影图像中坏像素所在位置的像素值组合成坏像素向量，随机选取正常像素并根据其坐标以同样方法组合成正常像素向量，计算两者之间的相关系数以将坏像素分为固定坏像素和随机坏像素并分别进行补偿；所述补偿是指以坏像素周围的像素值的平均值作为坏像素点的像素值以完成对坏像素的补偿。

3.如权利要求1所述的基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，所述步骤（3）使用训练后的卷积神经网络消除投影噪声的方法是：分析补偿坏像素后的投影图像，挑取其中一致性较好的区域作为标签数据，将标签数据加上不同强度的投影噪声作为训练数据并输入神经网络，采用残差学习的方法训练卷积神经网络，使训练后的网络模型可在投影图像中量子噪声强度未知的情况下将噪声去除，完成一致性校准。

4. 如权利要求3所述的基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，所述卷积神经网络的学习架构有三种类型层：Conv + ReLU，对于第一层，使用大小为3×3×c的卷积核来生成n个特征图，c表示图像通道的数量，即灰度图像c = 1，彩色图像c = 3；Conv + BN + ReLU，对于2~（D-1）层，D为神经网络总层数，使用大小为3×3×n的卷积核，并且在卷积和ReLU之间添加批量归一化；Conv，最后一层使用尺寸为3×3×n的卷积核来重建输出。

5. 如权利要求3所述的基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，在训练阶段采用添加噪声后的投影图像y = x + v作为输入，其中x为训练过程中的标签数据，v为添加的随机投影噪声，v的强度σ∈[0,45]，由此对噪声水平包含在训练范围的测试数据进行一致性校准而不用估计其强度。

6. 如权利要求5所述的基于深度学习的X射线光子计数探测器一致性校准方法，其特征在于，采用残差学习公式来训练残差映射R（y）≈v，得到x = y - R（y）。