一种基于深度学习的双域CT图像环状伪影去除方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113554570A(43)申请公布日2021.10.26(21)申请号202110892449.3(22)申请日2021.08.04(71)申请人西安交通大学地址710049陕西省西安市咸宁西路28号(72)发明人陈希马劲常少杰(74)专利代理机构西安通大专利代理有限责任公司61200代理人李红霖(51)Int.Cl.G06T5/00(2006.01)G06T3/40(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书4页附图4页(54)发明名称一种基于深度学习的双域CT图像环状伪影去除方法(57)摘要本发明公开了一种基于深度学习的双域CT图像环状伪影去除方法，针对CT图像的环状伪影，使用投影域和图像域双域混合的校正方法，利用深度神经网络在投影域和图像域分别进行伪影校正，然后将双域校正后的图像组合为双通道的图像集，并分割为图像块，通过一个图像质量评价的深度神经网络来对这些图像块进行质量评价，其中评价高的通道保留下来，最终所有保留下的图像块经过直方图匹配后组成最终的校正图像。本发明使用了深度神经网络在投影域和图像域分别对伪影图像进行处理，这种方法比之传统的后处理算法如正则化迭代算法，提高了处理速度，减少了伪影的引入。CN113554570ACN113554570A权利要求书1/1页1.一种基于深度学习的双域CT图像环状伪影去除方法，其特征在于，包括以下步骤：S1，搭建投影域去伪影的深度神经网络，投影域网络设置为残差学习网络，投影域网络使用最大反池化作为上采样；S2，搭建图像域去伪影的深度神经网络，上采样采用双线性插值法；S3，搭建混合域深度神经网络，使用的是无参考图像质量评价网络来挑选来自双域校正过的图像块，最后组成完整图像；S4，准备图像域、投影域和混合域的训练数据；S5，分别对图像域、投影域和混合域的网络进行训练，并完成验证。2.根据权利要求1所述的一种基于深度学习的双域CT图像环状伪影去除方法，其特征在于，投影域网络和图像域网络的架构均基于U‑net。3.根据权利要求1所述的一种基于深度学习的双域CT图像环状伪影去除方法，其特征在于，S4中，投影域的输入数据是含条形伪影的投影图，标签数据是对应的条形伪影。4.根据权利要求1所述的一种基于深度学习的双域CT图像环状伪影去除方法，其特征在于，S4中，图像域的输入数据是含环状伪影的CT图像，标签数据是对应的参考图像。5.根据权利要求1所述的一种基于深度学习的双域CT图像环状伪影去除方法，其特征在于，S4中，混合域的输入数据是含伪影的图像块，标签数据是图像质量评价的指标数值。6.根据权利要求1所述的一种基于深度学习的双域CT图像环状伪影去除方法，其特征在于，图像域和投影域的训练数据均使用分块方法，将完整的图像分割为多个重叠的图像块，采用结构相似度SSIM作为图像质量评价指标，挑选其中伪影严重的图像块作为训练数据。2CN113554570A说明书1/4页一种基于深度学习的双域CT图像环状伪影去除方法技术领域[0001]本发明属于CT图像环状伪影去除领域，具体涉及一种基于深度学习的双域CT图像环状伪影去除方法。背景技术[0002]目前计算机断层成像技术(CT)在医疗领域得到了广泛的应用。其中，由于CT机器中探测器的物理姿态变化，常常会在成像中引入环状伪影。由于探测器的移位、损坏或被遮挡，在CT扫描之后获得的投影图中，这些探测器方向会形成与其他探测器数据不连续的条形伪影，而这些条形伪影经过滤波反投影重建为CT图像时，就形成了以重建图像中心为圆心的呈环形分布的伪影，即环状伪影。环状伪影的出现会严重降低重建图像的质量，干扰医生诊断。如何抑制环状伪影是CT领域的一大问题。[0003]目前针对环状伪影的传统去伪影方法主要分为平场校正、硬件校正和后处理算法校正三大类，平场校正是去除环状伪影的常用算法，在数据采集前后对背景图像进行无采样测量。由此产生的平坦场，包括入射x射线束的非均匀效应、闪烁体和探测器像素的响应，可用于校正扫描的数据，然后减少伪影。然而，由于不同探测器的响应函数不同，环形伪影无法完全消除。硬件校正方法需要在数据采集过程中调整探测器的位置。这样就可以得到不同探测器的不同响应，然后对所有检测器的特征进行平均以减少伪影。[0004]后处理算法校正主要可以分为投影域算法、图像域算法。环状伪影在投影域呈显出条形伪影的形式，投影域算法利用正弦图中条纹伪影的频率特性，对正弦图进行频域处理。例如小波傅里叶变换方法，其利用二维小波对投影图进行分解，然后对垂直细节带系数进行滤波。由于小波分解的特性，小波傅里叶滤波方法可以有效地去除覆盖整个正弦图的理想条纹伪影。但对于含有