CN107945132B - 一种基于神经网络的ct图像的伪影校正方法及装置 - Google Patents
一种基于神经网络的ct图像的伪影校正方法及装置 Download PDFInfo
- Publication number
- CN107945132B CN107945132B CN201711227226.5A CN201711227226A CN107945132B CN 107945132 B CN107945132 B CN 107945132B CN 201711227226 A CN201711227226 A CN 201711227226A CN 107945132 B CN107945132 B CN 107945132B
- Authority
- CN
- China
- Prior art keywords
- artifact
- neural network
- image
- error
- atmk
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 104
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012937 correction Methods 0.000 title claims abstract description 38
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000003550 marker Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 4
- 238000002591 computed tomography Methods 0.000 description 82
- 230000008569 process Effects 0.000 description 7
- 238000003384 imaging method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000000701 chemical imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于神经网络的CT图像的伪影校正方法及装置,所述方法包括:对CT数据进行预处理以生成携带至少一种伪影的输入样本的数据库;构建用于校正至少一种伪影的神经网络;将所述输入样本输入所述神经网络,并通过预设目标函数对神经网络进行训练,以得到训练好的神经网络;将待处理的CT图像输入训练好的神经网络进行伪影识别及校正,并输出校正后的CT图像以及识别到的伪影图像。本发明以深度学习为基础,通过神经网络对包含多种伪影的CT图像进行处理,改善CT图像的质量。
Description
技术领域
本发明涉及医疗技术领域,特别涉及一种基于神经网络的CT图像的伪影校正方法及装置。
背景技术
CT(计算机断层扫描成像系统)利用X射线扫描物体,获得投影数据,并通过断层重建算法来处理这些投影数据,获得物体的断层和三维的密度信息,达到无损检测的目的。在医学诊断、工业无损检测等领域都有着重要的应用。在医学诊断领域,CT自从1970年问世以来,与磁共振(MRI)、正电子发射计算机断层成像和CT组合系统(PET/CT)一起成为医用三大关键成像系统。相比其他成像手段,CT重建能够快速得到高分辨率的图像,重建结果的对比度精度可以控制在1%以内,能分辨0.5mm的级别的物体。因成像物理过程的复杂性,即使最先进的CT系统也要应对各种图像伪影对最终图像质量的影响。理论上的CT重建把CT扫描的成像过程理想化成单一能量的指数衰减。但实际成像过程中存在很多非理想化的因素,如系统的机械、电子、X射线的非单能特性等。这些近似都会带来各种各样的伪影,如环状伪影、条带状伪影、噪声、射线硬化伪影、散射伪影、运动伪影、风车伪影等等。
目前对于诸多伪影的解决方案是按产生原因的不同采用不同的方法进行校正。例如,环状伪影通常由探测器的不一致性导致,必须精确校准每个CT系统探测器的一致性;带状伪影多由探测器空间上不一致引起,可通过校准或更换探测器消除;针对图像噪声,在尽可能降低整个CT系统的本底噪声的前提下,通过软件(应用各种算法,如迭代重建)或硬件(如增加X射线管的管电流)方法减少;射线硬化伪影则是采用近似矫正估计骨头引起的硬化伪影的算法模型或利用能谱成像技术来消除。但是,由于CT重建结果中伪影产生的原因相当复杂,CT图像中可以携带一种或者多种伪影,并且每一种伪影常会由一种或多种原因导致,这使得CT图像中的伪影无法准确校正。
因而现有技术还有待改进和提高。
发明内容
针对现有技术的不足,本发明的目的是要提供一种基于神经网络的CT图像的伪影校正方法及装置。
为了解决上述技术问题,本发明所采用的技术方案如下:
一种基于神经网络的CT图像的伪影校正方法,其包括:
对CT数据进行预处理以生成携带至少一种伪影的输入样本的数据库;
构建用于校正至少一种伪影的神经网络;
将所述输入样本输入所述神经网络,并通过预设目标函数对神经网络进行训练,以得到训练好的神经网络;
将待处理的CT图像输入训练好的神经网络进行伪影识别及校正,并输出校正后的CT图像以及识别到的伪影图像。
所述基于神经网络的CT图像的伪影校正方法,其中,所述输入样本包括携带至少一种伪影的输入图像以及输入图像对应的目标样本。
所述基于神经网络的CT图像的伪影校正方法,其中,所述对CT图像进行预处理以生成输入样本的数据库具体包括:
采用仿真或采集的投影数据生成CT图像的目标样本,其中,所述目标样本为未携带伪影的CT图像;
向所述目标样本随机加入误差以生成误差图像,以生成输入图像;
根据所述输入图像以及目标样本生成输入样本的数据库。
所述基于神经网络的CT图像的伪影校正方法,其中,所述输出样本包括修正后的输入图像以及目标样本。
所述基于神经网络的CT图像的伪影校正方法,其中,所述将所述输入样本输入所述神经网络,并通过预设目标函数对神经网络进行训练,以得到训练好的神经网络具体包括:
将所述输入样本输入所述神经网络,并输出修正后的第一输出样本;
通过目标函数确定所述第一输出样本与所述目标样本的误差;
根据所述误差确定所述神经网络各层参数,以完成对所述神经网络的训练。
所述基于神经网络的CT图像的伪影校正方法,其中,所述目标函数为:
Loss([Img,BgMk,AtMk1,...,AtMkn],[Imgtarg,BgMktarg,AtMk1targ,…,AtMkntarg])=w0ImgErr+wbMkErr+w1AtMk1Err+,...,+wnAtMknErr
BgkErr=∑k∈bg(AtMkk-AtMktarg,k)2
其中,ImgErr为神经网络输出图像和目标图像的误差,BgMkErr为背景标记区域的误差,AtMkErr为各伪影标记区域的误差;w0,wb,w1,...,wn为权重系统,[Img,BgMk,AtMk1,...,AtMk]为输出样本,[Imgtarg,BgMktarg,AtMk1targ,…,AtMkntarg]为目标样本;Img为输入图像,BgMk为背景区域标记,AtMkj是第j种伪影的区域标记。
所述基于神经网络的CT图像的伪影校正方法,其中,所述根据所述误差确定所述神经网络各层参数,以完成对所述神经网络的训练具体为:
将所述误差与预设误差阈值进行比较;
当所述误差大于所述预设误差阈值时,根据所述误差确定所述神经网络各层参数,并重复输入样本输入以及误差获取步骤直至所述误差小于等于所述预设误差阈值;
当所述误差小于等于所述预设误差阈值时,完成对所述神经网络的训练。
基于神经网络的CT图像的伪影校正方法,其中,所述神经网络的网络框架包括:多个卷积层、池化层以及过采样层。
一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任意一项所述的基于神经网络的CT图像的伪影校正方法中的步骤。
一种基于神经网络的CT图像的伪影校正装置,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如上任意一项所述的基于神经网络的CT图像的伪影校正方法中的步骤。
有益效果:与现有技术相比,本发明提供了一种基于神经网络的CT图像的伪影校正方法及装置,所述方法包括:对CT数据进行预处理以生成携带至少一种伪影的输入样本的数据库;构建用于校正至少一种伪影的神经网络;将所述输入样本输入所述神经网络,并通过预设目标函数对神经网络进行训练,以得到训练好的神经网络;将待处理的CT图像输入训练好的神经网络进行伪影识别及校正,并输出校正后的CT图像以及识别到的伪影图像。本发明以深度学习为基础,通过神经网络对包含多种伪影的CT图像进行处理,改善CT图像的质量。同时,对于伪影的原因不敏感的CT图像,通过预设模拟伪影图像并进行深度学习就可以实现伪影的校正,提高了伪影校正的准确性以及全面性。
附图说明
图1为本发明提供的基于神经网络的CT图像的伪影校正方法较佳实施例的流程图。
图2为本发明提供的基于神经网络的CT图像的伪影校正方法中引发环状伪影的示意图。
图3为本发明提供的基于神经网络的CT图像的伪影校正方法中引发条状伪影的示意图。
图4为本发明提供的基于神经网络的CT图像的伪影校正方法中通过图像处理去除伪影的对比图。
图5为本发明提供的基于神经网络的CT图像的伪影校正装置的结构原理图。
具体实施方式
本发明提供一种基于神经网络的CT图像的伪影校正方法及装置,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
下面结合附图,通过对实施例的描述,对发明内容作进一步说明。
请参照图1,图1为本发明提供的基于神经网络的CT图像的伪影校正方法的较佳实施例的流程图。所述方法包括:
S10、对CT图像进行预处理以生成携带至少一种伪影的输入样本的数据库。
具体地,所述CT图像可以为通过CT系统采集或仿真系统仿真得到的真实CT图像,并且所述CT图像未携带伪影,将其作为目标样本。所述对CT扫描数据或图像进行预处理为向所述CT图像内添加误差以生成携带伪影的第一CT图像,再对所述第一CT图像进行识别以得到第一CT图像包含的输入图像、第一伪影区域标记以及第一背景区域标记,并根据识别得到的输入图像、第一伪影区域标记以及第一背景区域标记以及目标样本相互关联以生成输入样本,进而得到输入样本数据库。也就是说,所述输入样本数据库包含一个或者一个以上的输入样本,并且各输入样本均包括携带至少一种伪影的输入图像、未携带伪影的目标图像、第一背景区域标记以及第一伪影区域标记。此外,值得说明的,当所述输入图像携带多种伪影时,所述第一伪影区域标记其包括每种伪影的区域标记。
同时在本实施例中,向所述CT图像内添加误差以生成携带伪影的第一CT图像可以为向所述图像图像内加入随机误差以产生伪影,从而将所述CT图像转化为携带伪影的第一CT图像。其中,所述第一CT图像携带至少一种伪影,优选的,所述第一图像携带多个伪影,例如,环状伪影、条带状伪影、散射伪影、运动伪影以及风车伪影等等。
所述随机误差幅度的选择主要是为了保证最终图像上模拟的伪影和实际的伪影的幅度相似,例如,随机误差幅度在5-10HU这个量级。此外,对于不同类型的伪影,可以通过不同的方式加入误差,这里不一一说明,仅给出例子加以说明。例如,如图2和3所示,对于发条/带状伪影以及环状伪影,可以通过在投影数据加入误差以引发。此外,还可以通过在反投影矩阵引入误差以引发运动伪影,以及通过改变扫描焦点的大小和层厚以引发风车伪影等等。
此外,在本实施例的变形实施例中,所述CT图像可以携带伪影的CT图像。再通过采用手动或半自动的方法对第一CT图像进行数据处理以及参数调整,而得到未携带伪影的目标样本。其中,如图4所示,所述手动或半自动的方法可以为通过图像处理工具实现的自动/半自动/手动处理伪影数据,例如,通过Photoshop实现伪影数据的处理。此外,在通过图像处理得到目标样本之后,再对所述目标样本进行如上述实施例所述的预处理过程以得到输入样本。
示例性的,所述对CT图像进行预处理以生成输入样本的数据库具体包括:
S11、采用仿真投影数据生成CT图像的目标样本,其中,所述目标样本为未携带伪影的CT图像;
S12、向所述目标样本随机加入误差以生成误差图像,以生成输入图像;
S13、根据所述输入图像及目标样本生成输入样本的数据库。
具体地,所述输入图像为携带至少一种伪影的CT图像,所述目标样本为未携带伪影的CT图像。所述误差图像为输入图像,并且在生成输入图像后,可以对所述输入图像进行分割,分别提取CT图像所处的区域、伪影所处的区域以及背景所处的区域。再将分离得到的各区域映射到目标样本中,得到目标样本的图像区域、伪影区域以及背景区域,这里将目标样本的图像区域记为目标图像,伪影区域记为第一伪影区域标记,以及背景区域记为第一背景区域标记。因此,所述输入样本可以包括输入图像、目标样本、目标样本的目标图像、目标样本的第一伪影区域标记以及目标样的第一背景区域标记,以便后续在计算输出样本与目标样本的误差时,可以将伪影区域以及背景区域的误差添加进去,从而提高误差的准确。此外,所述第一伪影区域标记可以包含一个或者多个伪影区域标记,即所述第一伪影区域标记所包含的伪影区域标记与输入图像携带的伪影个数相同。
进一步,为了详细说明误差图像的生成过程,在本实施例以所述误差图像包含环状伪影以及条状伪影为例加以说明。对于环状伪影,所述误差采用的是平均值是0.1、方差是0.01的均匀随机分布,并在同一个扫描中对于同一个探测器像素位置,引入相同的偏差,也就是说,所有扫描投影中的偏差都不变。对于条状伪影,当前像素和相邻像素通过一定的非刚体平移,像素的位移是0.1-0.05个像素的均匀随机分布。相应的,通过上述误差生成过程,可以生成输入样本数据库。所述数据库里每一个输入样本(例如,512x512图像矩阵)包括携带条状伪影以及环状伪影的输入图像Img,目标图像Imgtarg,第一背景区域标记BgMk、条状伪影区域标记AtMk1以及环状伪影标记AtMk2。此外,伪影区域标记可以用通过手动标记生成,其中,区域标记都是二值化的图像,1代表在这个区域,0代表不在。
S20、构建用于校正至少一种伪影的神经网络。
具体地,所述神经网络可以采用改进的UNet方法构建的,其中,所述神经网络的网络框架可以包括多个卷积层、池化层以及过采样层。例如,所述多个卷积层后接池化层,所述池化层后接过采样层。此外,所述改进的UNet方法是在标准的UNet方法的基础上将输入样本以及输入样本进行改变。标准的UNet方法输入对象为一副2D图像,输出一副2D图像。在本实施例中,通过改进的UNet方法构建的神经网络的输出对象为修正后的输入图像、第二背景区域标记以及第二伪影区域标记。此外,所述伪影标记区域的数量根据输入样本携带的伪影数量而确定。例如,输入样本包括环状伪影和条状伪影,那么输出样本的伪影标记区域包括环状伪影区域标记图和条状伪影区域标记图。也就是说,所述输出对象包括输出图像、背景区域标记、环状伪影区域标记以及条状伪影区域标记四幅图像。
S30、将所述输入样本输入所述神经网络,并通过预设目标函数对神经网络进行训练,以得到训练好的神经网络。
具体地,所述目标函数为预先设置,通过所述目标函数计算神经网络输出样本与目标样本之间的误差,并根据所述误差来调整所述神经网络的参数以对所述神经网络进行训练。其中,所述目标函数可以为:
Loss([Img,BgMk,AtMk1,...,AtMkn],[Imgt arg,BgMkt arg,AtMk1t arg,…,AtMKnt arg])=w0ImgErr+wbMkErr+w1AtMk1Err+,...,+wnAtMknErr
BgkErr=∑k∈bg(AtMkk-AtMkt arg,k)2
其中,ImgErr为为神经网络输出样本的输出图像和目标样本内的目标图像误差,BgMkErr为背景标记区域的误差,AtMkErr为各伪影标记区域的误差;w0,wb,w1,…,wn为权重系统,[Img,BgMk,AtMk1,...,AtMkn]为输出样本,[Imgtarg,BgMktarg,AtMk1t arg,…,AtMknt arg]为目标样本;Img为输入图像,BgMk为背景区域标记,AtMkj是第j种伪影的区域标记,k指的是像素。
同时在本实施例中,所述目标函数包含的各误差是通过其所处区域的像素误差得到的,即所述输出图像与目标图像的误差是通过逐像素的方差和得到的。此外,为了进一步说明所述目标函数,这里以输入样本携带环状伪影和条状伪影为例对所述目标函数做进一步说明。当所述输入样本携带环状伪影和条状伪影时,所述目标函数包括四部分的总和,分别为输入图像ImgErr误差,背景区域标记BgMkErr的误差,环状伪影区域标记AtMk1Err的误差以及条状伪影区域标记AtMk2Err的误差。其中,所述四部分误差的权重系数分别为w0,wb,w1和w2(例如,w0=1,wb=1,w1=100,w2=100等)。相应的,所述目标函数可以表示为:
Loss([Img,BgMk,AtMk1,AtMk2],[Im gt arg,BgMkt arg,AtMk1t arg,AtMk2targ])=w0ImgErr+wbMkErr+w1AtMk1Err+w2AtMk2Err
BgkErr=∑k∈bg(AtMkk-AtMkt arg,k)2
进一步,在本实施例中,所述将所述输入样本输入所述神经网络,并通过预设目标函数对神经网络进行训练,以得到训练好的神经网络具体包括:
S31、将所述输入样本输入所述神经网络,并输出修正后的第一输出样本;
S32、通过目标函数确定所述第一输出样本与所述目标样本的误差;
S33、根据所述误差确定所述神经网络各层参数,以完成对所述神经网络的训练。
具体地,所述通过目标函数确定所述第一输出样本与所述目标样本的误差为通过所述目标函数计算第一输出样本与目标样本之间的误差,再根据所述误差确定所述第一输出样本是否满足预设条件,当满足预设条件时,完成神经网络的深度学习;当不满足预设条件时,对所述神经网络的各层参数进行修正,并重复输入输出以及输出样本与目标样本的误差的确定,以完成对所述神经网络的训练。
示例性的,所述根据所述误差确定所述神经网络各层参数,以完成对所述神经网络的训练具体为:
S331、将所述误差与预设误差阈值进行比较;
S332、当所述误差大于所述预设误差阈值时,根据所述误差确定所述神经网络各层参数,并重复输入样本输入以及误差获取步骤直至所述误差小于等于所述预设误差阈值;
S333、当所述误差小于等于所述预设误差阈值时,完成对所述神经网络的训练。
具体地,所述误差阈值为预先设置,例如,0.01等。
S40、将待处理的CT图像输入训练好的神经网络进行伪影识别及校正,并输出校正后的CT图像以及识别到的伪影图像。
具体地,将待处理的CT图像输入训练好的神经网络,通过所述训练好的神经网络对待处理的CT图像进行校正,以得到校正后的CT图像以及识别到的伪影图像。
基于上述的基于神经网络的CT图像的伪影校正方法,本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任意一项所述的基于神经网络的CT图像的伪影校正方法中的步骤。
基于上述的基于神经网络的CT图像的伪影校正方法,本发明还提供了一种基于神经网络的CT图像的伪影校正装置,如图5所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及移动终端中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于神经网络的CT图像的伪影校正方法,其特征在于,其包括:
S10、对CT数据进行预处理以生成携带至少一种伪影的输入样本的数据库;具体包括:
采用仿真或采集的投影数据生成CT图像的目标样本,其中,所述目标样本为未携带伪影的CT图像;
向所述目标样本随机加入误差以生成误差图像,以生成输入图像,误差选取幅度处于5-10HU量级范围内的随机误差;输入图像为携带至少一种伪影的CT图像,伪影包括条带状伪影、环状伪影、散射伪影、运动伪影或风车伪影中的任一种或几种的组合;对所述输入图像进行分割,分别提取CT图像所处的区域、伪影所处的区域以及背景所处的区域,将分离得到的各区域映射到目标样本中,得到目标样本的目标图像、第一伪影区域标记、第一背景区域标记,第一伪影区域标记包含一个或者多个伪影区域标记,所述第一伪影区域标记和第一背景区域标记均为二值化的图像;
根据所述输入图像以及目标样本生成输入样本的数据库,数据库包含一个或者一个以上的输入样本,输入样本包括携带至少一种伪影的输入图像、未携带伪影的目标图像、第一伪影区域标记和第一背景区域标记;
S20、构建用于校正至少一种伪影的神经网络;
所述神经网络的输出图像为修正后的输入图像、第二背景区域标记以及第二伪影区域标记,第二伪影区域标记的数量根据输入样本携带的伪影数量而确定;
S30、将所述输入样本输入所述神经网络,并通过预设目标函数对神经网络进行训练,以得到训练好的神经网络;所述目标函数为:
Loss([Img,BgMk,AtMk1,...,AtMkn],[Imgtarg,BgMktarg,AtMk1targ,...,AtMkntarg])=w0ImgErr+wbMkErr+w1AtMk1Err+,...,+wnAtMknErr
BgkErr=∑k∈bg(AtMkk-AtMktarg,k)2
其中,ImgErr为神经网络输出图像和目标图像的误差,BgMkErr为背景标记区域的误差,AtMkErr为各伪影标记区域的误差;w0,wb,w1,...,wn为权重系统,[Img,BgMk,AtMk1,...,AtMkn]为输出样本,[Imgtarg,BgMktarg,AtMk1targ,...,AtMkntarg]为目标样本;Img为输入图像,BgMk为背景区域标记,AtMkj是第j种伪影的区域标记,k为像素;
S40、将待处理的CT图像输入训练好的神经网络进行伪影识别及校正,并输出校正后的CT图像以及识别到的伪影图像。
2.根据权利要求1所述基于神经网络的CT图像的伪影校正方法,其特征在于,所述输出样本包括修正后的输入图像以及目标样本,步骤S30具体包括:
将所述输入样本输入所述神经网络,并输出修正后的第一输出样本;
通过目标函数确定所述第一输出样本与所述目标样本的误差;
根据所述误差确定所述神经网络各层参数,以完成对所述神经网络的训练。
3.根据权利要求2所述基于神经网络的CT图像的伪影校正方法,其特征在于,所述根据所述误差确定所述神经网络各层参数,以完成对所述神经网络的训练具体为:
将所述误差与预设误差阈值进行比较;
当所述误差大于所述预设误差阈值时,根据所述误差确定所述神经网络各层参数,并重复输入样本输入以及误差获取步骤直至所述误差小于等于所述预设误差阈值;
当所述误差小于等于所述预设误差阈值时,完成对所述神经网络的训练。
4.根据权利要求1-3任意一项所述基于神经网络的CT图像的伪影校正方法,其特征在于,所述神经网络的网络框架包括:多个卷积层、池化层以及过采样层。
5.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1~4任意一项所述的基于神经网络的CT图像的伪影校正方法中的步骤。
6.一种基于神经网络的CT图像的伪影校正装置,其特征在于,包括:处理器、存储器及通信总线;所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述通信总线实现处理器和存储器之间的连接通信;
所述处理器执行所述计算机可读程序时实现如权利要求1-4任意一项所述的基于神经网络的CT图像的伪影校正方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711227226.5A CN107945132B (zh) | 2017-11-29 | 2017-11-29 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711227226.5A CN107945132B (zh) | 2017-11-29 | 2017-11-29 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945132A CN107945132A (zh) | 2018-04-20 |
CN107945132B true CN107945132B (zh) | 2022-10-04 |
Family
ID=61947651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711227226.5A Active CN107945132B (zh) | 2017-11-29 | 2017-11-29 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945132B (zh) |
Families Citing this family (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596861A (zh) * | 2018-05-14 | 2018-09-28 | 南方医科大学 | 一种基于深度残差学习的ct图像金属伪影去除方法 |
US11842427B2 (en) * | 2018-05-15 | 2023-12-12 | Monash University | Method and system of motion correction for magnetic resonance imaging |
CN108961237B (zh) * | 2018-06-28 | 2020-08-21 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
CN109214992B (zh) * | 2018-07-27 | 2022-04-05 | 中国科学院深圳先进技术研究院 | Mri图像的伪影去除方法、装置、医疗设备及存储介质 |
CN109171792B (zh) * | 2018-09-29 | 2022-06-07 | 江苏一影医疗设备有限公司 | 成像方法及使用该成像方法的ct成像系统 |
EP3633622A1 (en) * | 2018-10-02 | 2020-04-08 | Koninklijke Philips N.V. | Generation of pseudo radiographic images from optical images |
US10915990B2 (en) * | 2018-10-18 | 2021-02-09 | General Electric Company | Systems and methods for denoising medical images with deep learning network |
JP7144292B2 (ja) * | 2018-11-27 | 2022-09-29 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置および医用画像処理方法 |
JP7309988B2 (ja) * | 2018-11-27 | 2023-07-18 | キヤノンメディカルシステムズ株式会社 | 医用画像処理装置および医用画像処理方法 |
DE102018221943A1 (de) * | 2018-12-17 | 2020-06-18 | Siemens Healthcare Gmbh | Verfahren zur Artefaktkorrektur von dreidimensionalen Volumenbilddaten |
CN111325675B (zh) * | 2018-12-17 | 2023-12-26 | 中国科学院深圳先进技术研究院 | 图像处理方法、装置、设备和存储介质 |
CN110060313B (zh) * | 2019-04-19 | 2023-12-19 | 上海联影医疗科技股份有限公司 | 一种图像伪影校正方法和系统 |
CN110060315B (zh) * | 2019-04-22 | 2023-07-21 | 深圳安科高技术股份有限公司 | 一种基于人工智能的图像运动伪影消除方法及系统 |
CN110390701B (zh) * | 2019-07-08 | 2023-04-25 | 东软医疗系统股份有限公司 | 一种伪影的校正方法、伪影校正系数的仿真方法及装置 |
US11100684B2 (en) | 2019-07-11 | 2021-08-24 | Canon Medical Systems Corporation | Apparatus and method for artifact detection and correction using deep learning |
CN110517194A (zh) * | 2019-07-19 | 2019-11-29 | 深圳安科高技术股份有限公司 | 一种物质分解模型的训练方法、物质分解方法及相关设备 |
CN110378982B (zh) * | 2019-07-23 | 2023-09-12 | 上海联影医疗科技股份有限公司 | 重建图像处理方法、装置、设备及存储介质 |
CN110796613B (zh) * | 2019-10-10 | 2023-09-26 | 东软医疗系统股份有限公司 | 一种图像伪影的自动识别方法及装置 |
CN110866880B (zh) * | 2019-11-14 | 2023-04-28 | 上海联影智能医疗科技有限公司 | 图像伪影检测方法、装置、设备和存储介质 |
CN110910465B (zh) * | 2019-11-21 | 2023-12-26 | 上海联影医疗科技股份有限公司 | 一种运动伪影校正方法和系统 |
CN110916708A (zh) * | 2019-12-26 | 2020-03-27 | 南京安科医疗科技有限公司 | 一种ct扫描投影数据伪影校正方法、ct图像重建方法 |
CN111242925B (zh) * | 2020-01-13 | 2023-08-29 | 北京妙医佳健康科技集团有限公司 | 针对ct影像数据的目标检测方法、装置及电子设备 |
CN111462168B (zh) * | 2020-04-22 | 2023-09-19 | 上海联影医疗科技股份有限公司 | 运动参数估计方法和运动伪影校正方法 |
CN111583152B (zh) * | 2020-05-11 | 2023-07-07 | 福建帝视科技集团有限公司 | 基于U-net结构的图像伪影检测与自动去除方法 |
CN111815692B (zh) * | 2020-07-15 | 2023-12-01 | 东软教育科技集团有限公司 | 无伪影数据及有伪影数据的生成方法、系统及存储介质 |
CN114004903A (zh) * | 2020-07-28 | 2022-02-01 | 上海联影医疗科技股份有限公司 | 伪影校正方法、装置、计算机设备和存储介质 |
CN112233030B (zh) * | 2020-10-15 | 2023-01-03 | 上海优医基医疗器械技术有限公司 | 一种基于深度学习的ct投影几何校正方法 |
CN113100802B (zh) * | 2021-04-16 | 2023-07-28 | 上海联影医疗科技股份有限公司 | 一种校正机械偏差的方法和系统 |
CN114241070B (zh) * | 2021-12-01 | 2022-09-16 | 北京长木谷医疗科技有限公司 | Ct图像去金属伪影以及模型训练的方法和装置 |
CN116721045B (zh) * | 2023-08-09 | 2023-12-19 | 经智信息科技(山东)有限公司 | 一种多ct图像融合的方法及装置 |
CN117876279B (zh) * | 2024-03-11 | 2024-05-28 | 浙江荷湖科技有限公司 | 基于扫描光场序列图像的去除运动伪影方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101427121A (zh) * | 2006-04-19 | 2009-05-06 | 惠普开发有限公司 | 在扫描装置中减少带状伪影可见性的装置和方法 |
CN101832954A (zh) * | 2010-03-15 | 2010-09-15 | 中国工程物理研究院应用电子学研究所 | 锥束xct系统用移动组件以及用其进行图像重建坐标系原点标定的方法 |
CN103969269A (zh) * | 2013-01-31 | 2014-08-06 | Ge医疗系统环球技术有限公司 | 用于几何校准ct扫描仪的方法和装置 |
CN104644202A (zh) * | 2013-11-20 | 2015-05-27 | 株式会社东芝 | 医用图像数据处理装置、医用图像数据处理方法以及医用图像数据处理程序 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5995682A (en) * | 1997-03-19 | 1999-11-30 | Eastman Kodak Company | Method for resizing of a digital image |
US10789691B2 (en) * | 2016-01-21 | 2020-09-29 | Sony Corporation | Information processing apparatus and information processing method |
CN107038692A (zh) * | 2017-04-16 | 2017-08-11 | 南方医科大学 | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 |
-
2017
- 2017-11-29 CN CN201711227226.5A patent/CN107945132B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101427121A (zh) * | 2006-04-19 | 2009-05-06 | 惠普开发有限公司 | 在扫描装置中减少带状伪影可见性的装置和方法 |
CN101832954A (zh) * | 2010-03-15 | 2010-09-15 | 中国工程物理研究院应用电子学研究所 | 锥束xct系统用移动组件以及用其进行图像重建坐标系原点标定的方法 |
CN103969269A (zh) * | 2013-01-31 | 2014-08-06 | Ge医疗系统环球技术有限公司 | 用于几何校准ct扫描仪的方法和装置 |
CN104644202A (zh) * | 2013-11-20 | 2015-05-27 | 株式会社东芝 | 医用图像数据处理装置、医用图像数据处理方法以及医用图像数据处理程序 |
Also Published As
Publication number | Publication date |
---|---|
CN107945132A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107945132B (zh) | 一种基于神经网络的ct图像的伪影校正方法及装置 | |
Emami et al. | Generating synthetic CTs from magnetic resonance images using generative adversarial networks | |
CN109308728B (zh) | 正电子发射型计算机断层扫描图像处理方法及装置 | |
CN110570426B (zh) | 使用深度学习的图像联合配准和分割 | |
CN107610193A (zh) | 使用深度生成式机器学习模型的图像校正 | |
Stanescu et al. | Investigation of a 3D system distortion correction method for MR images | |
CN111242947B (zh) | 一种ct扫描图像质量评价方法、计算机可读存储介质、ct扫描装置 | |
RU2589383C2 (ru) | Двухрежимное формирование изображения, включающее в себя метрики качества | |
CN113034389B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
CN112037146B (zh) | 医学图像伪影自动校正方法、装置和计算机设备 | |
US20180253624A1 (en) | Defective Pixel Identification Using Machine Learning | |
CN111260647B (zh) | 一种基于图像检测的ct扫描辅助方法、计算机可读存储介质、ct扫描装置 | |
US20140125695A1 (en) | Visualization of image transformation | |
CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
CN110570483A (zh) | 扫描方法、装置、计算机设备和存储介质 | |
CN111161182B (zh) | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 | |
JP2023515367A (ja) | モデルへの入力インスタンスの分布外検出 | |
CN109949288A (zh) | 肿瘤类型确定系统、方法及存储介质 | |
CN110874855B (zh) | 一种协同成像方法、装置、存储介质和协同成像设备 | |
CN117078792A (zh) | 正则项自适应优化的磁粒子图像重建系统、方法及设备 | |
CN116843679B (zh) | 基于深度图像先验框架的pet图像部分容积校正方法 | |
CN112785540A (zh) | 一种扩散加权图像的生成系统及方法 | |
WO2023216720A1 (zh) | 图像重建模型的训练方法、装置、设备、介质及程序产品 | |
US20220292673A1 (en) | On-Site training of a machine-learning algorithm for generating synthetic imaging data | |
CN113838161B (zh) | 一种基于图学习的稀疏投影重建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |