X射线成像质量的BP神经网络预测*

周继松,雷 威

(东南大学电子科学与工程学院,南京 210096)

X射线成像质量的BP神经网络预测*

周继松,雷 威*

(东南大学电子科学与工程学院,南京 210096)

研究X射线成像的影响因素如X射线管电压等,并对成像质量进行较为科学的评估预测,对于X射线成像质量的优化控制具有重要意义。我们首先确立了BP神经网络模型的基本框架,之后搭建实验平台获取样本数据并对该网络进行训练,得到X射线成像质量和其影响因素之间的大致关系。实验结果表明,利用该模型得到的预测数据和实际值的平均误差在2%左右。因此,该模型对X射线成像质量的预测是相当有效的。

X射线成像;模型预测;BP神经网络;影响因素

X射线强大的穿透能力,使得无损伤探测物体内部结构成为现实。通过X射线不仅可以获得物体内部结构的二维投影图像,还可借助投影重建理论获得物体内部三维结构图像。近年来,随着X射线成像技术日益发展并渐趋成熟,人们对X光成像质量的提高也愈发关注,而成像质量的改善离不开对成像影响参数的控制与优化[1],因此,分析X射线成像的影响因素并对X射线成像质量进行评估和预测具有重要的意义。

目前关于X射线成像质量影响因素的研究层出不穷,有的文献对于相关参数的变化导致成像性能改变的原因给出了合理的解释[2];有的文献通过实验分析了相关参数与X射线成像质量的关系[3],并给出了一些成像规律;有的文献则具体分析了某个因素对X射线成像质量的影响[4]。

基于以上文献研究,我们提出了一种研究X射线成像质量影响因素的新方法。根据X射线成像的原理和特点,在三层BP神经网络的框架下,采用粒子群算法对X射线成像的影响参数进行学习与训练,得到最终的预测模型,该模型能够用来预测多参数组合对X射线成像质量的影响结果。由于本文所建立的预测模型能够定量并科学地反映成像质量与相关影响因素的关系,因而为之后的参数优化与成像控制提供必要的条件。

1 预测方法的选择和总体思路

常用的预测方法有非线性回归预测法、灰色预测法、Markov预测法、模糊推理预测法等。非线性回归预测法对历史数据的质量要求较高;Markov预测方法太依赖模型的概率转移矩阵估计;在数据灰度较大时灰色预测法效果较差且稳定性不能保证;模糊推理预测法则因依靠专家经验推理带有一定的主观性。总之,这些预测方法都有一定的局限性,因此均不适合应用在X光成像研究。

神经网络相比于前述方法有很强的自适应学习能力、非线性逼近能力和较高的预测精度,特别适合处理需要同时考虑许多因素和条件不精确、模糊的问题。BP神经网络是一种基于误差反向传播的神经网络模型,具有依据可靠、推导过程严谨、精度较高等优点,是迄今为止应用最为普遍的神经网络。Hornik K[5]证明了采用Sigmoid响应函数作为三层BP神经网络的传递函数能够以任意精度模拟任何复杂的非线性关系。

由于X射线成像影响因素对成像质量的影响显然是非线性的,因此本文拟采用BP神经网络模型研究X射线成像影响因素和成像质量之间的关系。

BP神经网络模型的建立和预测流程如图1所示,本文之后的工作将严格按照该流程进行。

图1 BP神经网络建立和测试流程

2 预测模型框架的确定

建立BP神经网络的预测模型,首先要确定BP神经网络预测模型结构的输入和输出。由于影响最终X射线成像的参数众多且影响程度各不相同,如果把所有参数作为输入变量对该预测模型进行研究,无疑会增加问题的复杂性,实际操作也会变得相当困难,因此必须从众多参数中选取一些对实验结果影响程度较大的关键参数来作为模型的输入变量。

最终,我们选定输入参数为X射线管电压、放大倍率、样品厚度、X射线透照距离、样品倾斜角和曝光时间[6],并将它们放入BP神经网络模型的输入层;成像质量作为输出参数,将其放入BP神经网络的输出层。BP神经网络预测模型各个参数的具体分析如下:

2.1 X射线管电压和管电流

X射线管功率会对图像质量造成很大影响,在较低管功率下,射线强度比较小,因而从样品中透射出来的X光强度较弱,造成成像质量较差;随着管功率的提高,射线能量增大,透射强度也增大,成像质量逐渐提高达到某一最佳值;之后X射线管功率继续升高时,由于线衰减系数和散射比会增大,成像质量反而会降低。由于X射线管功率与其管电压、管电流有关,因此本文选择X射线管电压作为神经网络模型的输入参数之一。

2.2 放大倍率

本文的研究重点是电镜放大倍率,它主要改变了电子枪在试样上X、Y方向的扫描范围。随着放大倍率的增大,电子枪的扫描面积会逐渐减小,当图像充满整个屏幕时,图像的分辨率会增加,因而图像质量亦有所提高。

2.3 样品厚度

当样品很薄时,X射线很容易穿过样品,使得成像的对比度很弱;随着样品厚度的增大,X射线穿过样品更加困难,因此透射过样品到达胶片的射线强度越来越小,成像的清晰度会下降。

2.4 X光透照距离

透照距离过小,会使图像几何不清晰度增大,导致成像质量下降;随着透照距离的增大,几何不清晰度将减小,图像的对比度和清晰度也会逐步提高;透照距离在继续增大的过程中,射线强度衰减变得越来越严重,导致透射过样品到达胶片的射线强度不足,造成成像质量降低。

2.5 样品倾斜角

实验中盛放样品的样品台可以倾斜和转动。随着倾斜角的变化,X光的透过率以及透射强度均有可能发生改变,当倾斜角过大时,会导致影像的畸变,图像显示细节的能力将大大减弱。

2.6 曝光时间

曝光是整个X射线成像过程中最为重要的一个环节,因此在一定变化范围内,曝光时间的长短直接决定X射线成像质量的好坏。

2.7 成像质量

成像质量包括成像的清晰度和对比度,由于实验中是用胶片对物体进行成像的,因此清晰度和对比度无法自动数字化。为了解决这个问题,本文用0～1之间的某个数值来评价成像质量,越接近1表示成像质量越高,反之越低,由人综合给出成像质量的评估分数。

确定了以上的输入和输出参数之后,本实验选择三层BP神经网络作为成像质量评估的预测模型框架[7],如图2所示。

图2 预测模型结构图

经过X射线成像实验的检验和对隐含层神经元个数的不断调整,可最终确定隐含层节点的个数为H=4。

3 搭建实验平台获取样本数据

确定了BP神经网络模型的输入、隐含、输出层之后,我们需要对其进行训练,因此,下一步工作即为搭建实验平台,从而获得足够多的样本数据。

如图3所示,电子发射装置中阴极和阳极灯丝间的高压产生高能量的电子束,该电子束经过X射线管里的电压加速后,穿过2个～3个电磁透镜,形成很细的电子束斑。末级透镜上装有扫描线圈,电子束在它的作用下于样品台上的试样表面扫描。聚焦后的电子束与样品相互作用,可以形成二次电子信号,该信号由探测器转换成电讯号,经过比较放大器放大后输送到显像管栅极,从而得到反映样品形貌的二次电子像。

图3 实验平台原理图

本实验对样品的导电性要求较高,另外样品的体积和厚度不能过大,因此实验中我们主要将锡箔包裹的芯片作为样品。此外,本实验还考虑将胶片放置于样品旁,以便将扫描后的图像显示在胶片上。

经过实验,可以获得大量样本数据,表1给出了其中的200组数据。这200组数据主要研究在样品倾斜角30°、透射距离25 cm、样品厚度0.15 cm、曝光时间5 min的情况下,X射线管电压和电镜放大倍率的变化对成像质量评估结果的影响。

表1 X射线成像实验部分样本数据表

4 预测模型参数的训练和测试

获得样本数据后,我们需要用这些数据对模型进行训练,从而确定最终的预测模型。为了克服传统BP算法收敛速度慢和易陷入局部极值的缺点,综合考虑提高BP网络的学习能力与泛化能力,本文拟采用粒子群算法对参数进行训练以确定最终的BP神经网络预测模型[9]。其本质是将BP神经网络中各个层的权值和阀值映射为粒子,这些粒子均具有记忆功能,可以通过迭代算法不断对自身的速度和位置进行调整,找到最优解,从而实现训练。

为了使粒子群算法的结果更加精确,我们首先归一化BP神经网络的输入层参数,接着初始化输入层到隐含层、隐含层到输出层的权值矩阵以及隐含层、输出层的阀值。之后,我们设置粒子群算法的目标误差为e,最大迭代次数为S。

在每一次迭代循环之前,都要更新粒子跟踪的两个极值,其中一个极值为局部极值,即粒子本身所找到的最优解;另一个极值为全局极值,即整个种群找到的最优解。

为方便计算,我们设置了一个N维坐标系,使粒子群中第i个粒子的位置坐标为si=(si1;si2;si3;……;siN),它的速度向量为vi=(vi1;vi2;……;viN),假设当前粒子群中的个体最优粒子的位置坐标用pi=(pi1;pi2;……;piN)来表示,全局最优粒子的位置坐标用g=(g1;g2;……gN)来表示,则粒子群中的所有粒子下一时刻的速度和位置可分别由式(1)、式(2)来表示[10]:

vij=ωvij+c1l1(pij-sij)+c2l2(gj-sij)

(1)

sij=sij+vij

(2)

式(1)中:l1和l2均为大于0小于1的随机数值,c1和c2均为控制粒子速度的学习因子;ω为惯性权重,用于平衡粒子的局部搜索能力和 全局搜索能力。vij在迭代过程中,可能超出既定的最大速度,这时要对其进行限制,方法是取其上下限值,以避免其超出范围。

图4为粒子群算法的流程图,在初始化完成进入迭代过程后,先对粒子个体、全局极值进行更新,接着判断误差是否小于目标误差或者迭代次数是否达到最大值,若不是则继续更新粒子的速度与位置、计算相应的迭代误差、使迭代次数加一,并重新更新个体极值和全局极值;若是则结束算法,此时粒子所处位置就是最终解。

图4 粒子群算法的流程

表1中,我们已获得了200组样本数据。从这些数据中选择前190组数据按照图4的流程对BP神经网络模型进行训练,得到其各个层的权值和阀值[11]。在用粒子群算法进行训练的过程中,我们取学习因子c1=2.5、c2=0.5,惯性权重ω=0.4,目标误差e=0.001以及最大迭代次数S=1 000。

学习训练完成之后,得到完整的BP神经网络三层模型。利用最后10组样本数据对该模型进行评估预测,将前6列输入参数按组导入BP神经网络模型,该模型将自动算出预测的评估结果。此外,我们给出了实际实验过程中得到的其中的两组实际成像效果图,分别如图5、图6所示。

图5 电压25 kV、放大倍率12 000条件下的成像

图6 电压27 kV、放大倍率18 000条件下的成像

根据这些实际评估结果以及通过BP神经网络模型得到的预测结果,我们将这两者进行对比,得到的对比结果如表2所示。

表2 成像预测结果和实际结果对比表格

由表2可以发现,在一定的误差允许范围内,成像质量的实际结果和预测结果相差不大,平均误差为0.019 94,即2%左右。这也证明了该BP神经网络模型能够比较准确地预测X射线成像的质量。

5 结论

本文的BP神经网络模型通过定量分析X射线成像质量与影响因素的关系,可以为X射线成像质量提供一个智能化的、可靠的预测途径,从而辅助人们进行之后的优化参数操作,得到质量更高的X射线图像。

从实验评估出来的成像质量实际结果和经过BP神经网络模型训练得到的预测结果的对比中可以看出,基于粒子群算法的BP神经网络分析法不但能够解决评估X射线成像质量这类非线性预测问题,而且预测结果比较准确,因此,该方法具有较大的实用价值。通过设计合适的BP神经网络结构并训练该网络模型,即可比较精确地预测相关参数的成像结果。

[1] 苟量,王绪本,曹辉. X射线成像技术的发展现状和趋势[J]. 成都理工学院学报,2002,1(2):29-30.

[2] 史建军. X射线实时成像图像质量的影响因素[J]. 无损探伤NDT,2009,33(2):34-35.

[3] 潘俊杰,赵宝升,赛小锋,等. 影响X射线像增强器分辨率的因素分析[J]. 光子学报,2008,37(6):1116-1118.

[4] 张永兴. 闪烁体厚度对X射线成像探测器成像质量影响的研究[D]. 中国科学院上海应用物理研究所,2014.

[5] Basheer A,Hajmeer M. Artificial Neural Networks:Fundamentals,Computing,Design,and Application[J]. Neural Computting in Microbiology,2000,2(1):3-31.

[6] 刘有银. X射线成像影响因素及图像处理技术研究[D]. 长春:长春理工大学,2014.

[7] Li Hui,Wang Xuesong,Ding Shifei,et al. Research of multi-sided multi-granular neural network ensemble optimization method[J]. Neurocomputing,2016,2(1):13-18.

[8] Zhang Le,Suganthan P N. A Survey of Randomized Algorithms for Training Neural Networks[J]. Information Sciences,2016,1(1);39-45.

[9] 赵庆祯. 粒子群算法的研究与利用[D]. 山东师范大学,2011.

[10] 刘志雄,梁华. 粒子群算法中随机数参数的设置与实验分析[J]. 控制理论与应用,2010,27(11):23-28.

[11] 周永华,周黄斌,朱丽娟,等. 基于MATLAB的改进BP神经网络的实现与比较[J]. 计算技术与自动化,2008,27(1):28-35.

Prediction to the Quality of X-Ray Imaging on BP Neural Network Model*

ZHOUJisong,LEIWei*

(University of Electronic and Science Engineering,Southeast University,Nanjing 210096,China)

Scientific assessment and prediction of the quality of X-ray imaging by doing research on influencing factors,such as X-ray tube voltage and so on,achieves great significance in improving and controlling X-ray imaging. Firstly we propose and set up a basic framework of BP neural network,then perform an experimental platform to obtain the sample used to train the network,thus obtain the approximate relationship between the influencing factors and the quality of X-ray imaging. Experimental results show that the average error between predicted data and actual data is about 2%. Therefore,this model can predict the quality of X-ray imaging effectively.

X-ray imaging;prediction of model;BP neural network;influencing factors

项目来源:江苏省高校品牌专业建设工程项目

2016-04-15 修改日期:2016-05-07

TB811.12

A

1005-9490(2017)03-0540-05

C:7450

10.3969/j.issn.1005-9490.2017.03.005