用于带堆积的能谱X射线光子计数数据的近最优神经网络估计器
摘要
-目的：一种用于处理来自光子计数探测器的X射线能谱测量中堆积效应的神经网络估计器。该估计器与衰减系数展开式一同使用，该展开式作为能量函数的线性组合乘以依赖于物体内部各点材料成分的系数[R.E. Alvarez and A. Macovski, Phys. Med. Biol., 1976, 733-744]。估计器从不同能谱的测量值计算这些系数的线积分。神经网络估计器使用临床X射线系统对校准体模的测量值进行训练。一个估计器使用低噪声训练数据，另一个网络通过使用向低噪声数据添加随机噪声所计算的数据进行训练。估计器的性能相互比较并与克拉美-罗下界(CRLB)比较。方法：使用蒙特卡洛模拟测量估计器性能，该模拟采用仅包含堆积和量子噪声的光子计数探测器的理想化模型。计算校准体模的透射X射线能谱。透射能谱用于计算具有堆积的光子计数探测器的随机数据。考虑了具有小和大死时间的探测器。通过平均体模大量曝光的带堆积的随机探测数据，计算极低噪声的神经网络训练数据。每次曝光等效于投影图像或计算机断层扫描的一个投影。通过使用一次曝光的数据计算高噪声训练数据。最后，通过向低噪声数据添加随机数据来计算训练数据。添加的随机数据是具有零均值和协方差等于具有适当选择衰减的物体的数据样本协方差的多变量正态分布。为了测试估计器，计算具有不同成分的三个测试物体的不同厚度的随机数据。这些用作神经网络估计器的输入。将神经网络输出与随机物体数据的均方误差(MSE)、方差和偏差平方分别与CRLB比较。结果：对于用低噪声数据和添加噪声训练的网络，在低堆积和高堆积情况下MSE都接近CRLB。用极低噪声数据训练的网络在两种堆积情况下都具有低偏差但大方差。[email protected] 用高噪声数据训练的网络具有大偏差和大方差。结论：通过适当选择添加的的训练数据噪声水平，用于带堆积的光子计数数据的神经网络估计器可以具有接近CRLB的方差且偏差可忽略。
引用
@article{arxiv.1702.01006,
title = {Near optimal neural network estimator for spectral x-ray photon counting data with pileup},
author = {Robert Alvarez},
journal= {arXiv preprint arXiv:1702.01006},
year = {2017}
}