周繼松,雷 威

(東南大學電子科學與工程學院,南京 210096)

X射線成像質(zhì)量的BP神經(jīng)網(wǎng)絡預測*

周繼松,雷 威*

(東南大學電子科學與工程學院,南京 210096)

研究X射線成像的影響因素如X射線管電壓等,并對成像質(zhì)量進行較為科學的評估預測,對于X射線成像質(zhì)量的優(yōu)化控制具有重要意義。我們首先確立了BP神經(jīng)網(wǎng)絡模型的基本框架,之后搭建實驗平臺獲取樣本數(shù)據(jù)并對該網(wǎng)絡進行訓練,得到X射線成像質(zhì)量和其影響因素之間的大致關系。實驗結(jié)果表明,利用該模型得到的預測數(shù)據(jù)和實際值的平均誤差在2%左右。因此,該模型對X射線成像質(zhì)量的預測是相當有效的。

X射線成像;模型預測;BP神經(jīng)網(wǎng)絡;影響因素

X射線強大的穿透能力,使得無損傷探測物體內(nèi)部結(jié)構(gòu)成為現(xiàn)實。通過X射線不僅可以獲得物體內(nèi)部結(jié)構(gòu)的二維投影圖像,還可借助投影重建理論獲得物體內(nèi)部三維結(jié)構(gòu)圖像。近年來,隨著X射線成像技術(shù)日益發(fā)展并漸趨成熟,人們對X光成像質(zhì)量的提高也愈發(fā)關注,而成像質(zhì)量的改善離不開對成像影響參數(shù)的控制與優(yōu)化[1],因此,分析X射線成像的影響因素并對X射線成像質(zhì)量進行評估和預測具有重要的意義。

目前關于X射線成像質(zhì)量影響因素的研究層出不窮,有的文獻對于相關參數(shù)的變化導致成像性能改變的原因給出了合理的解釋[2];有的文獻通過實驗分析了相關參數(shù)與X射線成像質(zhì)量的關系[3],并給出了一些成像規(guī)律;有的文獻則具體分析了某個因素對X射線成像質(zhì)量的影響[4]。

基于以上文獻研究,我們提出了一種研究X射線成像質(zhì)量影響因素的新方法。根據(jù)X射線成像的原理和特點,在三層BP神經(jīng)網(wǎng)絡的框架下,采用粒子群算法對X射線成像的影響參數(shù)進行學習與訓練,得到最終的預測模型,該模型能夠用來預測多參數(shù)組合對X射線成像質(zhì)量的影響結(jié)果。由于本文所建立的預測模型能夠定量并科學地反映成像質(zhì)量與相關影響因素的關系,因而為之后的參數(shù)優(yōu)化與成像控制提供必要的條件。

1 預測方法的選擇和總體思路

常用的預測方法有非線性回歸預測法、灰色預測法、Markov預測法、模糊推理預測法等。非線性回歸預測法對歷史數(shù)據(jù)的質(zhì)量要求較高;Markov預測方法太依賴模型的概率轉(zhuǎn)移矩陣估計;在數(shù)據(jù)灰度較大時灰色預測法效果較差且穩(wěn)定性不能保證;模糊推理預測法則因依靠專家經(jīng)驗推理帶有一定的主觀性?？傊?這些預測方法都有一定的局限性,因此均不適合應用在X光成像研究。

神經(jīng)網(wǎng)絡相比于前述方法有很強的自適應學習能力、非線性逼近能力和較高的預測精度,特別適合處理需要同時考慮許多因素和條件不精確、模糊的問題。BP神經(jīng)網(wǎng)絡是一種基于誤差反向傳播的神經(jīng)網(wǎng)絡模型,具有依據(jù)可靠、推導過程嚴謹、精度較高等優(yōu)點,是迄今為止應用最為普遍的神經(jīng)網(wǎng)絡。Hornik K[5]證明了采用Sigmoid響應函數(shù)作為三層BP神經(jīng)網(wǎng)絡的傳遞函數(shù)能夠以任意精度模擬任何復雜的非線性關系。

由于X射線成像影響因素對成像質(zhì)量的影響顯然是非線性的,因此本文擬采用BP神經(jīng)網(wǎng)絡模型研究X射線成像影響因素和成像質(zhì)量之間的關系。

BP神經(jīng)網(wǎng)絡模型的建立和預測流程如圖1所示,本文之后的工作將嚴格按照該流程進行。

圖1 BP神經(jīng)網(wǎng)絡建立和測試流程

2 預測模型框架的確定

建立BP神經(jīng)網(wǎng)絡的預測模型,首先要確定BP神經(jīng)網(wǎng)絡預測模型結(jié)構(gòu)的輸入和輸出。由于影響最終X射線成像的參數(shù)眾多且影響程度各不相同,如果把所有參數(shù)作為輸入變量對該預測模型進行研究,無疑會增加問題的復雜性,實際操作也會變得相當困難,因此必須從眾多參數(shù)中選取一些對實驗結(jié)果影響程度較大的關鍵參數(shù)來作為模型的輸入變量。

最終,我們選定輸入?yún)?shù)為X射線管電壓、放大倍率、樣品厚度、X射線透照距離、樣品傾斜角和曝光時間[6],并將它們放入BP神經(jīng)網(wǎng)絡模型的輸入層;成像質(zhì)量作為輸出參數(shù),將其放入BP神經(jīng)網(wǎng)絡的輸出層。BP神經(jīng)網(wǎng)絡預測模型各個參數(shù)的具體分析如下:

2.1 X射線管電壓和管電流

X射線管功率會對圖像質(zhì)量造成很大影響,在較低管功率下,射線強度比較小,因而從樣品中透射出來的X光強度較弱,造成成像質(zhì)量較差;隨著管功率的提高,射線能量增大,透射強度也增大,成像質(zhì)量逐漸提高達到某一最佳值;之后X射線管功率繼續(xù)升高時,由于線衰減系數(shù)和散射比會增大,成像質(zhì)量反而會降低。由于X射線管功率與其管電壓、管電流有關,因此本文選擇X射線管電壓作為神經(jīng)網(wǎng)絡模型的輸入?yún)?shù)之一。

2.2 放大倍率

本文的研究重點是電鏡放大倍率,它主要改變了電子槍在試樣上X、Y方向的掃描范圍。隨著放大倍率的增大,電子槍的掃描面積會逐漸減小,當圖像充滿整個屏幕時,圖像的分辨率會增加,因而圖像質(zhì)量亦有所提高。

2.3 樣品厚度

當樣品很薄時,X射線很容易穿過樣品,使得成像的對比度很弱;隨著樣品厚度的增大,X射線穿過樣品更加困難,因此透射過樣品到達膠片的射線強度越來越小,成像的清晰度會下降。

2.4 X光透照距離

透照距離過小,會使圖像幾何不清晰度增大,導致成像質(zhì)量下降;隨著透照距離的增大,幾何不清晰度將減小,圖像的對比度和清晰度也會逐步提高;透照距離在繼續(xù)增大的過程中,射線強度衰減變得越來越嚴重,導致透射過樣品到達膠片的射線強度不足,造成成像質(zhì)量降低。

2.5 樣品傾斜角

實驗中盛放樣品的樣品臺可以傾斜和轉(zhuǎn)動。隨著傾斜角的變化,X光的透過率以及透射強度均有可能發(fā)生改變,當傾斜角過大時,會導致影像的畸變,圖像顯示細節(jié)的能力將大大減弱。

2.6 曝光時間

曝光是整個X射線成像過程中最為重要的一個環(huán)節(jié),因此在一定變化范圍內(nèi),曝光時間的長短直接決定X射線成像質(zhì)量的好壞。

2.7 成像質(zhì)量

成像質(zhì)量包括成像的清晰度和對比度,由于實驗中是用膠片對物體進行成像的,因此清晰度和對比度無法自動數(shù)字化。為了解決這個問題,本文用0～1之間的某個數(shù)值來評價成像質(zhì)量,越接近1表示成像質(zhì)量越高,反之越低,由人綜合給出成像質(zhì)量的評估分數(shù)。

確定了以上的輸入和輸出參數(shù)之后,本實驗選擇三層BP神經(jīng)網(wǎng)絡作為成像質(zhì)量評估的預測模型框架[7],如圖2所示。

圖2 預測模型結(jié)構(gòu)圖

經(jīng)過X射線成像實驗的檢驗和對隱含層神經(jīng)元個數(shù)的不斷調(diào)整,可最終確定隱含層節(jié)點的個數(shù)為H=4。

3 搭建實驗平臺獲取樣本數(shù)據(jù)

確定了BP神經(jīng)網(wǎng)絡模型的輸入、隱含、輸出層之后,我們需要對其進行訓練,因此,下一步工作即為搭建實驗平臺,從而獲得足夠多的樣本數(shù)據(jù)。

如圖3所示,電子發(fā)射裝置中陰極和陽極燈絲間的高壓產(chǎn)生高能量的電子束,該電子束經(jīng)過X射線管里的電壓加速后,穿過2個～3個電磁透鏡,形成很細的電子束斑。末級透鏡上裝有掃描線圈,電子束在它的作用下于樣品臺上的試樣表面掃描。聚焦后的電子束與樣品相互作用,可以形成二次電子信號,該信號由探測器轉(zhuǎn)換成電訊號,經(jīng)過比較放大器放大后輸送到顯像管柵極,從而得到反映樣品形貌的二次電子像。

圖3 實驗平臺原理圖

本實驗對樣品的導電性要求較高,另外樣品的體積和厚度不能過大,因此實驗中我們主要將錫箔包裹的芯片作為樣品。此外,本實驗還考慮將膠片放置于樣品旁,以便將掃描后的圖像顯示在膠片上。

經(jīng)過實驗,可以獲得大量樣本數(shù)據(jù),表1給出了其中的200組數(shù)據(jù)。這200組數(shù)據(jù)主要研究在樣品傾斜角30°、透射距離25 cm、樣品厚度0.15 cm、曝光時間5 min的情況下,X射線管電壓和電鏡放大倍率的變化對成像質(zhì)量評估結(jié)果的影響。

表1 X射線成像實驗部分樣本數(shù)據(jù)表

4 預測模型參數(shù)的訓練和測試

獲得樣本數(shù)據(jù)后,我們需要用這些數(shù)據(jù)對模型進行訓練,從而確定最終的預測模型。為了克服傳統(tǒng)BP算法收斂速度慢和易陷入局部極值的缺點,綜合考慮提高BP網(wǎng)絡的學習能力與泛化能力,本文擬采用粒子群算法對參數(shù)進行訓練以確定最終的BP神經(jīng)網(wǎng)絡預測模型[9]。其本質(zhì)是將BP神經(jīng)網(wǎng)絡中各個層的權(quán)值和閥值映射為粒子,這些粒子均具有記憶功能,可以通過迭代算法不斷對自身的速度和位置進行調(diào)整,找到最優(yōu)解,從而實現(xiàn)訓練。

為了使粒子群算法的結(jié)果更加精確,我們首先歸一化BP神經(jīng)網(wǎng)絡的輸入層參數(shù),接著初始化輸入層到隱含層、隱含層到輸出層的權(quán)值矩陣以及隱含層、輸出層的閥值。之后,我們設置粒子群算法的目標誤差為e,最大迭代次數(shù)為S。

在每一次迭代循環(huán)之前,都要更新粒子跟蹤的兩個極值,其中一個極值為局部極值,即粒子本身所找到的最優(yōu)解;另一個極值為全局極值,即整個種群找到的最優(yōu)解。

為方便計算,我們設置了一個N維坐標系,使粒子群中第i個粒子的位置坐標為si=(si1;si2;si3;……;siN),它的速度向量為vi=(vi1;vi2;……;viN),假設當前粒子群中的個體最優(yōu)粒子的位置坐標用pi=(pi1;pi2;……;piN)來表示,全局最優(yōu)粒子的位置坐標用g=(g1;g2;……gN)來表示,則粒子群中的所有粒子下一時刻的速度和位置可分別由式(1)、式(2)來表示[10]:

vij=ωvij+c1l1(pij-sij)+c2l2(gj-sij)

(1)

sij=sij+vij

(2)

式(1)中:l1和l2均為大于0小于1的隨機數(shù)值,c1和c2均為控制粒子速度的學習因子;ω為慣性權(quán)重,用于平衡粒子的局部搜索能力和 全局搜索能力。vij在迭代過程中,可能超出既定的最大速度,這時要對其進行限制,方法是取其上下限值,以避免其超出范圍。

圖4為粒子群算法的流程圖,在初始化完成進入迭代過程后,先對粒子個體、全局極值進行更新,接著判斷誤差是否小于目標誤差或者迭代次數(shù)是否達到最大值,若不是則繼續(xù)更新粒子的速度與位置、計算相應的迭代誤差、使迭代次數(shù)加一,并重新更新個體極值和全局極值;若是則結(jié)束算法,此時粒子所處位置就是最終解。

圖4 粒子群算法的流程

表1中,我們已獲得了200組樣本數(shù)據(jù)。從這些數(shù)據(jù)中選擇前190組數(shù)據(jù)按照圖4的流程對BP神經(jīng)網(wǎng)絡模型進行訓練,得到其各個層的權(quán)值和閥值[11]。在用粒子群算法進行訓練的過程中,我們?nèi)W習因子c1=2.5、c2=0.5,慣性權(quán)重ω=0.4,目標誤差e=0.001以及最大迭代次數(shù)S=1 000。

學習訓練完成之后,得到完整的BP神經(jīng)網(wǎng)絡三層模型。利用最后10組樣本數(shù)據(jù)對該模型進行評估預測,將前6列輸入?yún)?shù)按組導入BP神經(jīng)網(wǎng)絡模型,該模型將自動算出預測的評估結(jié)果。此外,我們給出了實際實驗過程中得到的其中的兩組實際成像效果圖,分別如圖5、圖6所示。

圖5 電壓25 kV、放大倍率12 000條件下的成像

圖6 電壓27 kV、放大倍率18 000條件下的成像

根據(jù)這些實際評估結(jié)果以及通過BP神經(jīng)網(wǎng)絡模型得到的預測結(jié)果,我們將這兩者進行對比,得到的對比結(jié)果如表2所示。

表2 成像預測結(jié)果和實際結(jié)果對比表格

由表2可以發(fā)現(xiàn),在一定的誤差允許范圍內(nèi),成像質(zhì)量的實際結(jié)果和預測結(jié)果相差不大,平均誤差為0.019 94,即2%左右。這也證明了該BP神經(jīng)網(wǎng)絡模型能夠比較準確地預測X射線成像的質(zhì)量。

5 結(jié)論

本文的BP神經(jīng)網(wǎng)絡模型通過定量分析X射線成像質(zhì)量與影響因素的關系,可以為X射線成像質(zhì)量提供一個智能化的、可靠的預測途徑,從而輔助人們進行之后的優(yōu)化參數(shù)操作,得到質(zhì)量更高的X射線圖像。

從實驗評估出來的成像質(zhì)量實際結(jié)果和經(jīng)過BP神經(jīng)網(wǎng)絡模型訓練得到的預測結(jié)果的對比中可以看出,基于粒子群算法的BP神經(jīng)網(wǎng)絡分析法不但能夠解決評估X射線成像質(zhì)量這類非線性預測問題,而且預測結(jié)果比較準確,因此,該方法具有較大的實用價值。通過設計合適的BP神經(jīng)網(wǎng)絡結(jié)構(gòu)并訓練該網(wǎng)絡模型,即可比較精確地預測相關參數(shù)的成像結(jié)果。

[1] 茍量,王緒本,曹輝. X射線成像技術(shù)的發(fā)展現(xiàn)狀和趨勢[J]. 成都理工學院學報,2002,1(2):29-30.

[2] 史建軍. X射線實時成像圖像質(zhì)量的影響因素[J]. 無損探傷NDT,2009,33(2):34-35.

[3] 潘俊杰,趙寶升,賽小鋒,等. 影響X射線像增強器分辨率的因素分析[J]. 光子學報,2008,37(6):1116-1118.

[4] 張永興. 閃爍體厚度對X射線成像探測器成像質(zhì)量影響的研究[D]. 中國科學院上海應用物理研究所,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] 劉有銀. X射線成像影響因素及圖像處理技術(shù)研究[D]. 長春:長春理工大學,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] 趙慶禎. 粒子群算法的研究與利用[D]. 山東師范大學,2011.

[10] 劉志雄,梁華. 粒子群算法中隨機數(shù)參數(shù)的設置與實驗分析[J]. 控制理論與應用,2010,27(11):23-28.

[11] 周永華,周黃斌,朱麗娟,等. 基于MATLAB的改進BP神經(jīng)網(wǎng)絡的實現(xiàn)與比較[J]. 計算技術(shù)與自動化,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

項目來源:江蘇省高校品牌專業(yè)建設工程項目

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