物质分解方法、装置和系统

1.一种物质分解方法，其特征在于，所述物质分解方法包括：采集标定模体在两个或两个以上能窗的投影数据，根据所述投影数据和指定域的物质分解实现方式，确定与所述指定域的物质分解实现方式对应的所述标定模体的多能数据；设置理想单能，通过预设的方法得到所述标定模体在所述理想单能下的理想单能数据；根据所述多能数据训练对应的神经网络，所述训练后的神经网络反映所述多能数据和所述理想单能数据之间的映射关系；基于待分解物质在所述能窗的投影数据和所述训练后的神经网络，分解所述待分解物质；其中，所述设置理想单能包括：选取指定能量作为所述理想单能。 2.根据权利要求1所述的物质分解方法，其特征在于，所述指定域的物质分解实现方式为投影域物质分解，所述多能数据为所述标定模体在所述能窗的投影数据，所述理想单能数据为理想单能投影数据；所述设置理想单能，通过预设的方法得到所述标定模体在所述理想单能下的理想单能数据，包括：使用所述投影数据，通过单能断层影像CT重建方法得到所述标定模体在所述能窗的重建图像；获取设置的所述理想单能，通过图像配准得到所述理想单能下的理想单能重建图像；对所述理想单能重建图像进行投影，得到所述理想单能投影数据，将所述理想单能投影数据作为所述理想单能数据。 3.根据权利要求1所述的物质分解方法，其特征在于，所述多能数据为所述标定模体在所述能窗的投影数据，所述理想单能数据为理想单能投影数据，所述神经网络为投影域神经网络，所述投影域神经网络包括一个输入层、一个输出层和隐含层；所述根据所述多能数据训练对应的神经网络，包括：获取所述标定模体在所述能窗的投影数据中投影点的h×g邻域，将所述h×g邻域中投影点的投影值作为所述投影域神经网络的输入数据，其中，所述h为指定的所述投影点相邻的探测器单元的数量，所述g为指定的所述投影点相邻的投影角度的数量；将所述理想单能投影数据中与所述h×g邻域中中心投影点对应的理想投影值作为所述投影域神经网络的目标值；设置所述投影域神经网络的隐含层层数、隐含层激活函数、输出层激活函数和目标函数，通过预设的神经网络算法和学习速率训练所述投影域神经网络。 4.根据权利要求1所述的物质分解方法，其特征在于，所述神经网络为投影域神经网络；所述基于待分解物质在所述能窗的投影数据和所述训练后的神经网络，分解所述待分解物质，包括：获取所述待分解物质在所述能窗的投影数据中投影点的h×g邻域，将所述待分解物质在所述h×g邻域中投影点的投影值作为所述投影域神经网络的输入数据，使用所述训练后的投影域神经网络，得到所述待分解物质的理想单能投影值，其中，所述h为指定的所述投影点相邻的探测器单元的数量，所述g为指定的所述投影点相邻的投影角度的数量；对所述待分解物质的理想单能投影值进行单能CT重建，得到所述待分解物质的理想单能重建图像。 5.根据权利要求1所述的物质分解方法，其特征在于，所述指定域的物质分解实现方式为图像域物质分解，所述多能数据为所述标定模体在所述能窗的重建图像，所述重建图像是使用所述投影数据通过单能CT重建方法得到的，所述理想单能数据为理想单能重建图像；所述设置理想单能，通过预设的方法得到所述标定模体在所述理想单能下的理想单能数据，包括：获取设置的所述理想单能；根据所述理想单能的能量值，通过查表的方法进行美国国家标准与技术研究所NIST提供的相关衰减系数的查询，得到所述理想单能下的理想单能重建图像，将所述理想单能重建图像作为所述理想单能数据。 6.根据权利要求1所述的物质分解方法，其特征在于，所述多能数据为所述标定模体在所述能窗的重建图像，所述理想单能数据为理想单能重建图像，所述神经网络为图像域神经网络，所述图像域神经网络包括一个输入层、一个输出层和隐含层；所述根据所述多能数据训练对应的神经网络，包括：获取所述标定模体在所述能窗的重建图像中像素点的n×n邻域，将所述n×n邻域中像素点的重建值作为所述图像域神经网络的输入数据，其中，所述n为指定的所述像素点的邻域尺寸；将所述理想单能重建图像中与所述n×n邻域中中心像素点对应的理想重建值作为所述图像域神经网络的目标值；其中，所述理想重建值为理想单能衰减系数，所述理想单能衰减系数通过所述理想单能的能量值查找NIST表得到；设置所述图像域神经网络的隐含层层数、隐含层节点数、隐含层激活函数、输出层激活函数和目标函数，通过预设的神经网络算法和学习速率训练所述图像域神经网络。 7.根据权利要求1所述的物质分解方法，其特征在于，所述神经网络为图像域神经网络；所述基于待分解物质在所述能窗的投影数据和所述训练后的神经网络，分解所述待分解物质，包括：根据所述待分解物质在所述能窗的投影数据，通过单能CT重建方法得到所述待分解物质在所述能窗的重建图像；获取所述待分解物质在所述能窗的重建图像中像素点的n×n邻域，将所述待分解物质在所述n×n邻域中像素点的重建值作为所述图像域神经网络的输入数据，使用所述训练后的图像域神经网络，得到所述待分解物质的理想单能重建值，其中，所述n为指定的所述像素点的邻域尺寸；根据所述待分解物质的理想单能重建值，得到所述待分解物质的理想单能重建图像。 8.根据权利要求1所述的物质分解方法，其特征在于，所述投影数据还包括采集的空气在所述两个或两个以上能窗的投影数据；所述多能数据还包括所述空气在所述能窗的多能数据，所述空气在所述能窗的多能数据是根据所述空气在所述能窗的投影数据和所述指定域的物质分解实现方式确定的。 9.一种物质分解装置，其特征在于，所述物质分解装置包括：多能数据获取模块，用于采集标定模体在两个或两个以上能窗的投影数据，根据所述投影数据和指定域的物质分解实现方式，确定与所述指定域的物质分解实现方式对应的所述标定模体的多能数据；理想单能数据获取模块，用于设置理想单能，通过预设的方法得到所述标定模体在该理想单能下的理想单能数据；神经网络训练模块，用于根据所述多能数据训练对应的神经网络，所述训练后的神经网络反映所述多能数据和所述理想单能数据之间的映射关系；物质分解模块，用于基于待分解物质在所述能窗的投影数据和所述训练后的神经网络，分解所述待分解物质；其中，所述理想单能数据获取模块具体用于：选取指定能量作为所述理想单能。 10.根据权利要求9所述的物质分解装置，其特征在于，所述指定域的物质分解实现方式为投影域物质分解，所述多能数据为所述标定模体在所述能窗的投影数据，所述理想单能数据为理想单能投影数据；所述理想单能数据获取模块包括：重建图像获取单元，用于使用所述投影数据，通过单能断层影像CT重建方法得到所述标定模体在所述能窗的重建图像；图像配准单元，用于获取设置的所述理想单能，通过图像配准得到所述理想单能下的理想单能重建图像；理想单能投影数据获取单元，用于对所述理想单能重建图像进行投影，得到所述理想单能投影数据，将所述理想单能投影数据作为所述理想单能数据。 11.根据权利要求9所述的物质分解装置，其特征在于，所述多能数据为所述标定模体在所述能窗的投影数据，所述理想单能数据为理想单能投影数据，所述神经网络为投影域神经网络，所述投影域神经网络包括一个输入层、一个输出层和隐含层；所述神经网络训练模块包括：投影域神经网络输入数据获取单元，用于获取所述标定模体在所述能窗的投影数据中投影点的h×g邻域，将所述h×g邻域中投影点的投影值作为所述投影域神经网络的输入数据，其中，所述h为指定的所述投影点相邻的探测器单元的数量，所述g为指定的所述投影点相邻的投影角度的数量；投影域神经网络目标值获取单元，用于将所述理想单能投影数据中与所述h×g邻域中中心投影点对应的理想投影值作为所述投影域神经网络的目标值；投影域神经网络构建单元，用于设置所述投影域神经网络的隐含层层数、隐含层激活函数、输出层激活函数和目标函数，通过预设的神经网络算法和学习速率训练所述投影域神经网络。 12.根据权利要求9所述的物质分解装置，其特征在于，所述神经网络为投影域神经网络；所述物质分解模块具体用于：获取所述待分解物质在所述能窗的投影数据中投影点的h×g邻域，将所述待分解物质在所述h×g邻域中投影点的投影值作为所述投影域神经网络的输入数据，使用所述训练后的投影域神经网络，得到所述待分解物质的理想单能投影值，其中，所述h为指定的所述投影点相邻的探测器单元的数量，所述g为指定的所述投影点相邻的投影角度的数量；对所述待分解物质的理想单能投影值进行单能CT重建，得到所述待分解物质的理想单能重建图像。 13.根据权利要求9所述的分解装置，其特征在于，所述指定域的物质分解实现方式为图像域物质分解，所述多能数据为所述标定模体在所述能窗的重建图像，所述重建图像是使用所述投影数据通过单能CT重建方法得到的，所述理想单能数据为理想单能重建图像；所述理想单能数据获取模块包括：理想单能重建图像获取单元，用于获取设置的所述理想单能，根据所述理想单能的能量值，通过查表的方法进行美国国家标准与技术研究所NIST提供的相关衰减系数的查询，得到所述理想单能下的理想单能重建图像，将所述理想单能重建图像作为所述理想单能数据。 14.根据权利要求9所述的分解装置，其特征在于，所述多能数据为所述标定模体在所述能窗的重建图像，所述理想单能数据为理想单能重建图像，所述神经网络为图像域神经网络，所述图像域神经网络包括一个输入层、一个输出层和隐含层；所述神经网络训练模块包括：图像域神经网络输入数据获取单元，用于获取所述标定模体在所述能窗的重建图像中像素点的n×n邻域，将所述n×n邻域中像素点的重建值作为所述图像域神经网络的输入数据，其中，所述n为指定的所述像素点的邻域尺寸；图像域神经网络目标值获取单元，用于将所述理想单能重建图像中与所述n×n邻域中中心像素点对应的理想重建值作为所述图像域神经网络的目标值；其中，所述理想重建值为理想单能衰减系数，所述理想单能衰减系数通过所述理想单能的能量值查找NIST表得到；图像域神经网络构建单元，用于设置所述图像域神经网络的隐含层层数、隐含层节点数、隐含层激活函数、输出层激活函数和目标函数，通过预设的神经网络算法和学习速率训练所述图像域神经网络。 15.根据权利要求9所述的物质分解装置，其特征在于，所述神经网络为图像域神经网络；所述物质分解模块具体用于：根据所述待分解物质在所述能窗的投影数据，通过单能CT重建方法得到所述待分解物质在所述能窗的重建图像；获取所述待分解物质在所述能窗的重建图像中像素点的n×n邻域，将所述待分解物质在所述n×n邻域中像素点的重建值作为所述图像域神经网络的输入数据，使用所述训练后的图像域神经网络，得到所述待分解物质的理想单能重建值，其中，所述n为指定的所述像素点的邻域尺寸；根据所述待分解物质的理想单能重建值，得到所述待分解物质的理想单能重建图像。 16.根据权利要求9所述的物质分解装置，其特征在于，所述投影数据还包括采集的空气在所述两个或两个以上能窗的投影数据；所述多能数据还包括所述空气在所述能窗的多能数据，所述空气在所述能窗的多能数据是根据所述空气在所述能窗的投影数据和所述指定域的物质分解实现方式确定的。 17.一种物质分解系统，其特征在于，所述物质分解系统包括存储器和处理器：所述存储器用于存储可执行程序代码；所述处理器用于通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序，以用于执行权利要求1-8中任一项所述的物质分解方法。