CN108596861A - 一种基于深度残差学习的ct图像金属伪影去除方法 - Google Patents
一种基于深度残差学习的ct图像金属伪影去除方法 Download PDFInfo
- Publication number
- CN108596861A CN108596861A CN201810455197.6A CN201810455197A CN108596861A CN 108596861 A CN108596861 A CN 108596861A CN 201810455197 A CN201810455197 A CN 201810455197A CN 108596861 A CN108596861 A CN 108596861A
- Authority
- CN
- China
- Prior art keywords
- image
- residual error
- depth residual
- training
- study
- 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.)
- Pending
Links
- 239000002184 metal Substances 0.000 title claims abstract description 58
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 58
- 238000005516 engineering process Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 2
- 239000010931 gold Substances 0.000 claims description 2
- 229910052737 gold Inorganic materials 0.000 claims description 2
- 208000019065 cervical carcinoma Diseases 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
一种基于深度残差学习的CT图像金属伪影去除方法,包括如下步骤:S1、采集目标对象的CT图像;S2、根据数值仿真实验,创建金属伪影的数据集;S3、将步骤S2中获得的数据集分为训练集图像和测试集图像;S4、构建深度残差学习网络;S5、将步骤S3中的训练集图像送至步骤S4构建的深度残差学习网络中训练,直至训练结束,获得已训练好的残差模型;S6、将步骤S3中的测试集图像中的每张图像输入至步骤S5中获得的残差模型中,得到每张图像对应的残差图像;S7、将步骤S3中的测试集图像中的每张图像减去步骤S6得到的残差图像,获得去除金属伪影的结果图像。该方法直接在图像域进行,不需要原始数据就能有效的去除CT图像中的金属伪影且不需要后处理。
Description
技术领域
本发明涉及医学CT图像处理技术领域,尤其涉及一种基于深度 残差学习的CT图像金属伪影去除方法。
背景技术
随着医学技术的发展,CT图像已经在临床医学这一领域得到了 广泛的应用,极大地提高了医学诊断水平。然而在医学CT成像中, 如果患者成像部位植入金属,由于金属对X射线具有很高的衰减性, 导致探测器接收到的数据存在严重的测量误差,重建后的CT图像含 有明显的金属伪影。金属伪影使得CT图像质量变差,组织结构难以 判断,可能导致误诊的结果。例如:宫颈癌在放射治疗过程中,需要 将施源器放置在人体内,而施源器中带有金属,因此重建出的CT图 像带有金属伪影,严重影响了医生勾画靶区。
因此,针对上述现有技术不足,提供一种基于深度残差学习的 CT图像金属伪影去除方法以克服现有技术的不足甚为必要。
发明内容
本发明提供了一种基于深度残差学习的CT图像金属伪影去除方 法,通过该方法能有效的去除CT图像中的金属伪影。
本发明的上述目的通过如下技术手段实现。
提供一种基于深度残差学习的CT图像金属伪影去除方法,依次 包括如下步骤:
S1、采集目标对象的CT图像;
S2、根据数值仿真实验,创建金属伪影的数据集;
S3、将步骤S2中获得的数据集分为训练集图像和测试集图像;
S4、构建深度残差学习网络;
S5、将步骤S3中的训练集图像送至步骤S4构建的深度残差学 习网络中训练,直至训练结束,获得已训练好的残差模型;
S6、将步骤S3中的测试集图像中的每张图像输入至步骤S5中 获得的残差模型中,得到每张图像对应的残差图像;
S7、将步骤S3中的测试集图像中的每张图像减去步骤S6得到 的残差图像,获得去除金属伪影的结果图像。
进一步的,步骤S2中,数据集包括含有金属伪影的仿真图像和 不含金属伪影的基准图像。
进一步的,步骤S3中,训练集图像包括仿真图像和残差图像块, 残差图像块为仿真图像减去基准图像所得的残差图像再取块而得;
测试集图像包括仿真图像和步骤S1采集到的CT图像。
进一步的,残差图像块的像素大小为50*50。
进一步的,步骤S4中,深度残差学习网络包括输入层、卷积层、 激活层、BN层和输出层。
进一步的,步骤S5中,训练过程具体为:
S5.1、将仿真图像取块得到仿真图像块并输入深度残差学习网络 的输入层;
S5.2、设定深度残差学习网络的标签为残差图像块,以及设定深 度残差学习网络的目标函数;
S5.3、开始训练直至结束,获得训练好的残差模型。
进一步的,目标函数设置为:
其中,||·||F是弗罗贝尼乌斯 范数,是N对仿真图像块与基准图像块,Yi表示第i个仿 真图像块,Xi表示第i个基准图像块,V(Yi;Θ)表示第i个仿真图像块 训练所得的残差图像块,Θ是训练过程中学习得到的超参数。
本发明的基于深度残差学习的CT图像金属伪影去除方法,直接 在图像域进行,不需要原始数据就能有效的去除CT图像中的金属伪 影且不需要后处理。
附图说明
利用附图对本发明做进一步说明,但附图中的内容不构成对本发 明的任何限制。
图1是本发明的数值仿真的结果图,其中:图1A为参考图像; 图1B为金属的图像;图1C为含金属伪影的仿真图像;图1D为基准 图像;
图2是本发明采用的深度残差学习网络结构图;
图3是仿真图像采用本发明的方法去除金属伪影的前后对比图, 其中:图3A为含金属伪影的仿真图像;图3B为采用本发明的方法 去除金属伪影的结果图像;图3C为基准图像;
图4是实施例2中临床数据1用本发明的方法去除金属伪影的前 后对比图,其中:图4A为含金属伪影的图像;图4B为去除金属伪 影的结果图像;
图5是实施例2中临床数据2用本发明的方法去除金属伪影的前 后对比图,其中:图5A为含金属伪影的图像;图5B为去除金属伪 影的结果图像。
具体实施方式
结合以下实施例对本发明作进一步的描述。
实施例1。
如图1-3所示,一种基于深度残差学习的CT图像金属伪影去除 方法,依次包括如下步骤:
S1、采集目标对象的CT图像;
S2、根据数值仿真实验,创建金属伪影的数据集;
S3、将步骤S2中获得的数据集分为训练集图像和测试集图像;
S4、构建深度残差学习网络;
S5、将步骤S3中的训练集图像送至步骤S4构建的深度残差学 习网络中训练,直至训练结束,获得已训练好的残差模型;
S6、将步骤S3中的测试集图像中的每张图像输入至步骤S5中 获得的残差模型中,得到每张图像对应的残差图像;
S7、将步骤S3中的测试集图像中的每张图像减去步骤S6得到 的的残差图像,获得去除金属伪影的结果图像。
步骤S2中,数据集包括含有金属伪影的仿真图像和不含金属伪 影的基准图像。
步骤S3中,训练集图像包括仿真图像和残差图像块,残差图像 块为仿真图像减去基准图像所得的残差图像再取块而得;残差图像块 的像素大小为50*50。测试集图像包括仿真图像和步骤S1采集到的 CT图像。
步骤S4中,深度残差学习网络包括输入层、卷积层、激活层、 BN层和输出层。
步骤S5中,训练过程具体为:
S5.1、将仿真图像取块得到仿真图像块并输入深度残差学习网络 的输入层;
S5.2、设定深度残差学习网络的标签为残差图像块,以及设定深 度残差学习网络的目标函数;
S5.3、开始训练直至结束,获得训练好的残差模型。
目标函数设置为:
其中,||·||F是弗罗贝尼乌斯 范数,是N对仿真图像块与基准图像块,Yi表示第i个仿 真图像块,Xi表示第i个基准图像块,V(Yi;Θ)表示第i个仿真图像块 训练所得的残差图像块,Θ是训练过程中学习得到的超参数。
本发明的基于深度残差学习的CT图像金属伪影去除方法,直接 在图像域进行,不需要原始数据就能有效的去除CT图像中的金属伪 影且不需要后处理。
实施例2。
结合以下实施例对本发明作进一步的描述。
本实施例提供一种基于深度残差学习的CT图像金属伪影去除方 法并将其应用于宫颈癌CT图像去除金属伪影,其他特征与实施例1 相同,不同之处在于,步骤S1中,采集目标对象的CT图像,CT图 像为宫颈癌CT图像。
取6组数据计算图像的峰值信噪比PSNR值,通过峰值信噪比评 价对比本发明提出的基于深度残差学习网络的方法和传统的基于深 度图像学习网络的方法,结果如表1所示,PSNR值越大,图像失真 越少。如图4-5所示,分别为表1中临床数据1和临床数据2采用本发明的方法去除金属伪影的前后对比图。从图中可明显观察到去除金 属伪影前后图像的差异,无论从表中峰值信噪比大小比较还是从视觉 效果图上均充分说明了本发明的基于深度残差学习的CT图像金属伪 影去除方法能有效地去除临床宫颈癌CT图像中的金属伪影。
本发明的基于深度残差学习的CT图像金属伪影去除方法,直接 在图像域进行,不需要原始数据就能有效的去除CT图像中的金属伪 影且不需要后处理。
表1峰值信噪比PSNR值大小比较
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而 非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细 说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进 行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (7)
1.一种基于深度残差学习的CT图像金属伪影去除方法,其特征在于,依次包括如下步骤:
S1、采集目标对象的CT图像;
S2、利用数值仿真实验,创建金属伪影的数据集;
S3、将步骤S2中获得的数据集分为训练集图像和测试集图像;
S4、构建深度残差学习网络;
S5、将步骤S3中的训练集图像送至步骤S4构建的深度残差学习网络中训练,直至训练结束,获得已训练好的残差模型;
S6、将步骤S3中的测试集图像中的每张图像输入至步骤S5中获得的残差模型中,得到每张图像对应的残差图像;
S7、将步骤S3中的测试集图像中的每张图像减去步骤S6得到的残差图像,获得去除金属伪影的结果图像。
2.根据权利要求1所述的基于深度残差学习的CT图像金属伪影去除方法,其特征在于,步骤S2中,所述数据集包括含有金属伪影的仿真图像和不含金属伪影的基准图像。
3.根据权利要求2所述的基于深度残差学习的CT图像金属伪影去除方法,其特征在于,步骤S3中,所述训练集图像包括仿真图像和残差图像块,所述残差图像块为仿真图像减去基准图像所得的残差图像再取块而得;
所述测试集图像包括仿真图像和步骤S1采集到的CT图像。
4.根据权利要求3所述的基于深度残差学习的CT图像金属伪影去除方法,其特征在于,所述残差图像块的像素大小为50*50。
5.根据权利要求4所述的基于深度残差学习的CT图像金属伪影去除方法,其特征在于,步骤S4中,所述深度残差学习网络包括输入层、卷积层、激活层、BN层和输出层。
6.根据权利要求5所述的基于深度残差学习的CT图像金属伪影去除方法,其特征在于,步骤S5中,所述训练过程具体为:
S5.1、将仿真图像取块得到仿真图像块并输入深度残差学习网络的输入层;
S5.2、设定深度残差学习网络的标签为残差图像块,以及设定深度残差学习网络的目标函数;
S5.3、开始训练直至结束,获得训练好的残差模型。
7.根据权利要求6所述的基于深度残差学习的CT图像金属伪影去除方法,其特征在于,所述目标函数设置为:
其中,||·||F是弗罗贝尼乌斯范数,是N对仿真图像块与基准图像块,Yi表示第i个仿真图像块,Xi表示第i个基准图像块,V(Yi;Θ)表示第i个仿真图像块训练所得的残差图像块,Θ是训练过程中学习得到的超参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810455197.6A CN108596861A (zh) | 2018-05-14 | 2018-05-14 | 一种基于深度残差学习的ct图像金属伪影去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810455197.6A CN108596861A (zh) | 2018-05-14 | 2018-05-14 | 一种基于深度残差学习的ct图像金属伪影去除方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108596861A true CN108596861A (zh) | 2018-09-28 |
Family
ID=63637133
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810455197.6A Pending CN108596861A (zh) | 2018-05-14 | 2018-05-14 | 一种基于深度残差学习的ct图像金属伪影去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596861A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472754A (zh) * | 2018-11-06 | 2019-03-15 | 电子科技大学 | 基于图像修复的ct图像金属伪影消除方法 |
CN111833410A (zh) * | 2020-07-07 | 2020-10-27 | 南京革佳智能科技有限公司 | 基于深度学习的x射线散射抑制方法 |
WO2020238817A1 (en) * | 2019-05-24 | 2020-12-03 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for processing x-ray images |
CN114242212A (zh) * | 2021-12-24 | 2022-03-25 | 四川省肿瘤医院 | 一种用于提高位置精度的施源器重建方法和系统 |
WO2023098136A1 (zh) * | 2021-12-01 | 2023-06-08 | 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 |
CN116993845A (zh) * | 2023-06-09 | 2023-11-03 | 西安交通大学 | 一种基于集成深度网络DnCNN的CT图像去伪影方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574416A (zh) * | 2015-01-27 | 2015-04-29 | 南方医科大学 | 一种低剂量能谱ct图像去噪方法 |
CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
-
2018
- 2018-05-14 CN CN201810455197.6A patent/CN108596861A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104574416A (zh) * | 2015-01-27 | 2015-04-29 | 南方医科大学 | 一种低剂量能谱ct图像去噪方法 |
CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
Non-Patent Citations (2)
Title |
---|
XU,SHIYU 等: ""Deep residual learning enabled metal artifact reduction in CT"", 《MEDICAL IMAGING 2018: PHYSICS OF MEDICAL IMAGING》 * |
YANBO ZHANG 等: ""Reduction of metal artifacts in x-ray CT images using a convolutional neural network"", 《DEVELOPMENTS IN X-RAY TOMOGRAPHY XI》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109472754A (zh) * | 2018-11-06 | 2019-03-15 | 电子科技大学 | 基于图像修复的ct图像金属伪影消除方法 |
WO2020238817A1 (en) * | 2019-05-24 | 2020-12-03 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for processing x-ray images |
EP3958742A4 (en) * | 2019-05-24 | 2022-06-29 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for processing x-ray images |
CN111833410A (zh) * | 2020-07-07 | 2020-10-27 | 南京革佳智能科技有限公司 | 基于深度学习的x射线散射抑制方法 |
WO2023098136A1 (zh) * | 2021-12-01 | 2023-06-08 | 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 |
CN114242212A (zh) * | 2021-12-24 | 2022-03-25 | 四川省肿瘤医院 | 一种用于提高位置精度的施源器重建方法和系统 |
CN116993845A (zh) * | 2023-06-09 | 2023-11-03 | 西安交通大学 | 一种基于集成深度网络DnCNN的CT图像去伪影方法 |
CN116993845B (zh) * | 2023-06-09 | 2024-03-15 | 西安交通大学 | 一种基于集成深度网络DnCNN的CT图像去伪影方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596861A (zh) | 一种基于深度残差学习的ct图像金属伪影去除方法 | |
US11727569B2 (en) | Training a CNN with pseudo ground truth for CT artifact reduction | |
Huang et al. | Metal artifact reduction on cervical CT images by deep residual learning | |
JP7203852B2 (ja) | 深層学習を使用した低線量petイメージングからの全線量pet画像の推定 | |
Pauwels et al. | Artificial intelligence for detection of periapical lesions on intraoral radiographs: Comparison between convolutional neural networks and human observers | |
CN109035169B (zh) | 一种无监督/半监督ct图像重建深度网络训练方法 | |
TW201444534A (zh) | 動態單光子放射電腦斷層攝影或是單光子放射電腦斷層攝影/電腦斷層攝影成像之心肌血流量化系統及方法 | |
CN112822982B (zh) | 图像制作装置、图像制作方法以及学习完毕模型的制作方法 | |
CN105574828B (zh) | 图像散射校正方法、装置及设备 | |
CN111080584A (zh) | 医学图像的质控方法、计算机设备和可读存储介质 | |
CN109961419B (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
CN109064521A (zh) | 一种使用深度学习的cbct去伪影方法 | |
JPH04246982A (ja) | X線フィルム上に形成された光学濃度の測定の補正方法 | |
TW201615152A (zh) | 用於正子斷層影像之衰減修正方法 | |
AU2020101115A4 (en) | Computed Tomography (CT) System and CT Image Reconstruction Method | |
Stayman et al. | Overcoming nonlinear partial volume effects in known-component reconstruction of cochlear implants | |
JP2004340954A (ja) | 脳画像データ処理システム、方法、プログラムおよび記録媒体 | |
TWI547266B (zh) | 核醫單光子影像測量腫瘤標準攝取值的方法及系統 | |
Anhaus et al. | A nonlinear scaling‐based normalized metal artifact reduction to reduce low‐frequency artifacts in energy‐integrating and photon‐counting CT | |
CN111325758A (zh) | 肺部图像分割方法及装置、图像分割模型的训练方法 | |
CN105310712A (zh) | 核医单光子影像测量肿瘤标准摄取值的方法及系统 | |
CN113570586A (zh) | 神经网络系统的创建、处理ct图像的方法及其装置 | |
Portella et al. | Improving accuracy of early dental carious lesions detection using deep learning-based automated method | |
Jin et al. | Virtual and real-world implementation of deep-learning-based image denoising model on projection domain in digital tomosynthesis and cone-beam computed tomography data | |
Liu et al. | Improving diagnostic accuracy of reduced-dose studies with full-dose noise-to-noise learning in cardiac spect |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |
|
RJ01 | Rejection of invention patent application after publication |