CN111292386B - 一种基于U-net的CT投影金属迹线补全金属伪影校正方法 - Google Patents
一种基于U-net的CT投影金属迹线补全金属伪影校正方法 Download PDFInfo
- Publication number
- CN111292386B CN111292386B CN202010042635.3A CN202010042635A CN111292386B CN 111292386 B CN111292386 B CN 111292386B CN 202010042635 A CN202010042635 A CN 202010042635A CN 111292386 B CN111292386 B CN 111292386B
- Authority
- CN
- China
- Prior art keywords
- projection
- metal
- loss
- loss function
- sinogram
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明属于计算机医学成像技术领域,公开一种基于U‑net的CT投影金属迹线补全金属伪影校正方法,包括:基于CT投影图像特性,制作CT投影图像样本数据集;优化U‑net网络结构,为优化的U‑net网络设计损失函数,所述损失函数由L2损失函数、投影图像幅度损失函数及各个角度的投影和的差值损失函数组成;基于所述CT投影图像样本数据集及损失函数训练优化的U‑net网络;将CT投影图像样本数据集输入训练好的优化的U‑net网络中,输出CT投影金属迹线补全后的图像。本发明可以有效消除金属引起的伪影。
Description
技术领域
本发明属于计算机医学成像技术领域,尤其涉及一种基于U-net的CT投影金属迹线补全金属伪影校正方法。
背景技术
计算机断层扫描(CT)作为无损检测的主要手段之一,在医学、工业等众多领域得到广泛应用。X射线在穿过物体后强度会发生改变,我们可以获得包含物体内部材料信息的投影数据。投影数据出现污染时,利用FBP或其他迭代类算法,直接重建会产生伪影。伪影会严重降低图像的质量并影响对图像内部结构的识别。特别是当待测物体中存在金属等高密度结构时,会导致X射线的强烈衰减甚至X射线不能穿透,这将导致相应的重建结果中出现严重的金属伪影(R.V.Olsen,P.L.Munk,M.J.Lee,D.L.Janzen,A.L.MacKay,Q.S.Xiang,andB.Masri,"Metal artifact reduction sequence:early clinical applications,"Radiographics 20,699-712(2000).)。金属伪影严重降低了图像质量,其在图像域和投影域中都有显著地特征。随着CT技术的发展,研究人员开展了针对金属伪影校正的研究。然而,经过40多年的发展,仍然没有一般的处理方法来校正金属伪影。金属伪影校正仍是当前CT伪影校正研究的热点和难点(L.Gjesteby,B.D.Man,Y.Jin,H.Paganetti,J.Verburg,D.Giantsoudi,and W.Ge,"Metal Artifact Reduction in CT:Where Are We After FourDecades?,"IEEE Access 4,5826-5849(2016).)。
金属伪影的校正方法主要分为投影插值法、迭代法两类(Y.H.Jessie,R.K.James,L.N.Jessica,L.Xinming,A.B.Peter,C.S.Francesco,S.F.David,M.Dragan,M.H.Rebecca,and F.K.Stephen,“An evaluation of three commercially available metal artifactreduction methods for CT imaging,”Physics in Medicine&Biology,vol.60,no.3,pp.1047–1067,2015.)(A.Mouton,N.Megherbi,K.Van Slambrouck,J.Nuyts,andT.P.Breckon,“An experimental survey of metal artefact reduction in computedtomography,”Journal of X-ray Science and Technology,vol.21,no.2,pp.193–226,2013.)。插值法通过利用附近的有效值加权来代替被金属破坏的数据,迭代重建方法通常使用基于模型的方法来最小化定义良好的目标函数(受定义的约束)。已有初步的工作将深度学习方法用于投影域数据补全,但这些现有的工作仅限于较小的植入物和高度约束的场景。
发明内容
本发明针仍然没有一般的处理方法来校正金属伪影的问题,提出一种基于U-net的CT投影金属迹线补全金属伪影校正方法。
为了实现上述目的,本发明采用以下技术方案:
一种基于U-net的CT投影金属迹线补全金属伪影校正方法,包括:
步骤1:基于CT投影图像特性,制作CT投影图像样本数据集;
步骤2:优化U-net网络结构,为优化的U-net网络设计损失函数,所述损失函数由L2损失函数、投影图像幅度损失函数及各个角度的投影和的差值损失函数组成;基于所述CT投影图像样本数据集及损失函数训练优化的U-net网络;
步骤3:将CT投影图像样本数据集输入训练好的优化的U-net网络中,输出CT投影金属迹线补全后的图像。
进一步地,在所述步骤3之后还包括:
利用FBP对输出的CT投影金属迹线补全后的图像进行重建,对重建结果进行定量评价。
进一步地,所述步骤1包括:
对照无金属场景的投影,生成一个仅包含金属的场景,使用X射线扫描仪模型计算获得无金属场景的投影正弦图,将无金属场景的投影正弦图中对应于金属场景投影数据置为零,即去除金属迹线的正弦图,从而获得不完整的正弦图,通过上述方式创建由不完整正弦图和标签正弦图组成的训练对,构成CT投影图像样本数据集。
进一步地,所述步骤2包括:
步骤2.1:优化U-net网络结构:去除U-net网络中的池化层,利用步长为2的卷积操作完成降维操作;
步骤2.2:为优化的U-net网络设计损失函数:
Loss=λ1·L2loss+λ2·Amploss+λ3·Sumloss
其中L2loss表示L2损失函数,f和分别代表网络输出正弦图和标签正弦图,M表示包含金属投影区域的蒙版矩阵,/>表示逐元素乘法,(x,θ)表示正弦图中的像素位置,x表示检测器元件的位置,θ表示投影角度,Amploss表示投影图像幅度损失函数,Sumloss表示各个角度的投影和的差值损失函数,λ1,λ2,λ3分别表示L2损失、投影图像幅度损失及各个角度的投影和的差值损失的权重;
步骤2.3:基于所述CT投影图像样本数据集及损失函数训练优化的U-net网络。
进一步地,所述优化的U-net网络的卷积层数不大于512。
与现有技术相比,本发明具有的有益效果:
本发明将对应于金属对象的投影数据视为缺失数据,并使用深度网络的图像补全能力来完成投影域中缺失数据的补全。针对投影正弦图中大量的有效数据,施加了图像修补区域的约束,使得网络仅补全受损数据,保证大量未受影响数据的稳定和可靠;针对投影正弦图各角度投影数据的一致性和投影数据的连续性,加入了图像幅值方差损失约束,进一步增强了补充数据的准确性和补充数据分布的有效性;本发明可有效的恢复图像细节并加快神经网络的训练速度。实验结果表明,本发明可以有效消除金属引起的伪影。
附图说明
图1为本发明实施例一种基于U-net的CT投影金属迹线补全金属伪影校正方法的基本流程图;
图2为本发明实施例一种基于U-net的CT投影金属迹线补全金属伪影校正方法优化的U-net网络结构图;
图3为本发明实施例一种基于U-net的CT投影金属迹线补全金属伪影校正方法胸腔仿真结果图;
图4为本发明实施例一种基于U-net的CT投影金属迹线补全金属伪影校正方法头部实际结果图;
图5为本发明实施例一种基于U-net的CT投影金属迹线补全金属伪影校正方法图4中不同网络输出的重建结果的RMSE和NMAD图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明:
如图1所示,一种基于U-net的CT投影金属迹线补全金属伪影校正方法,包括:
步骤S101:基于CT投影图像特性,制作CT投影图像样本数据集;
步骤S102:优化U-net网络结构,为优化的U-net网络设计损失函数,所述损失函数由L2损失函数、投影图像幅度损失函数及各个角度的投影和的差值损失函数组成;基于所述CT投影图像样本数据集及损失函数训练优化的U-net网络;
步骤S103:将CT投影图像样本数据集输入训练好的优化的U-net网络中,输出CT投影金属迹线补全后的图像。
具体地,所述步骤S101包括:
理论上在实际扫描中获取标签图像,必须将金属去除,按照相应的条件再次扫描。这样操作复杂难度较大,处理过程中可能存在偏差导致结果不准确。金属伪影在投影中存在的主要是由于金属投影迹线上的数值变化,其他的散射和光子饥饿等影响相对较弱可以忽略。因此我们在不含金属的投影中去除仿真的金属迹线,以生成匹配的训练数据。
在数据集的制作过程中,本方法采用了512×360的标准尺寸。对照无金属场景的投影,生成一个仅包含金属的场景,使用X射线扫描仪模型计算获得无金属场景的投影正弦图,将无金属场景的投影正弦图中对应于金属场景投影数据置为零,即去除金属迹线的正弦图,从而获得不完整的正弦图,通过上述方式创建由不完整正弦图和标签正弦图组成的训练对,构成CT投影图像样本数据集(仿真数据集)。具体地,X射线扫描仪模型是仿真模型,基于现有的X射线扫描设备,实现与实际扫描相同的功能。
具体地,所述步骤S102包括:
步骤S102.1:优化U-net网络结构:去除U-net网络中的池化层,利用步长为2的卷积操作完成降维操作;
为了充分利用图像各像素之间的特征相关性,本发明去除了原始U-net网络中的池化层,利用步长为2的卷积操作完成降维操作。网络对特征图集进行映射,通过多层次的非线性映射逐步提取伪影信息对应的特征图,然后对特征图进行融合获得补全后的投影图像。作为一种可实施方式,优化后的U-net网络包含10个降维块,1个卷积连接块和10个升维块;每个降维块包含2个卷积核大小为3×3,步长为1的卷积操作,和一个卷积核大小为3×3,步长为2的卷积降维操作,如图2所示。为了充分利用图像信息,升维块中第一部分为特征层拼接,与来自下采样的对应的特征层拼接在一起,然后通过2次卷积,再进行上采样操作。每一层中都利用了Relu激活函数,为了保持图像的尺寸不变,加入了Padding操作。由于GPU的硬件限制,所提出的网络很难保持卷积层的翻倍,因此,本方法减少了改进U-net的卷积层数。与此同时,还需要保留足够数量的卷积层,以便进行良好的重建。因此我们在前几层保持卷积层数的增加,当卷积层数到达512后便保持了这一数量。
步骤S102.2:为优化的U-net网络设计损失函数:
CT图像反映的是被扫组织对X线的衰减系数,衰减系数的变化具有连续性。在医学CT中,人体组织内部结构稳定,其衰减系数的变化的连续性更强。这种连续性反映在扫描得到的CT图像上,表现为较强的局部相关性。而投影数据是CT图像进行滤波反投影之前的数据,相当于对CT图像按角度进行积分,即拉登(Radon)变换的结果。积分变换后的图像更加连续,局部相关性更强。由此可以得出,CT投影数据具有很强的局部相关性。本方法将这种局部强相关性作为理想CT投影数据的主要特点来加以应用。
HL一致性原理是描述投影数据中的一个重要等量关系。用f(x,y)表示二维空间里的任意一个物体,其投影为g(θ,l),θ表示投影角度,l为射线穿透的物体长度。定义g(θ,l)的k阶动量为
定义图像几何动量为
mi,j=∫∫xiyjf(x,y)dxdy
Vk(θ)=mi,j
从式中可以看出,任意一个扫描角度下的投影数据与原始图像之间都存在着定量关系,反映了CT投影数据固有的内在特性。
本方法仅限制金属损坏的迹线区域,以使输出图像与金属损坏的迹线区域中的标签图像一致。由于正弦图分布均匀,因此不存在较大的偏差值,因此此处使用L2损失作为约束。L2损失对较大的误差有更严厉的惩罚,可以在整个补偿过程中防止较大的离群值,以确保完整图像的可靠性。为了确保互补区域边缘的连续性,引入了投影图像幅度损失。为了进一步提高补全数据的准确性以满足投影一致性条件,引入了各个角度的投影和的差值损失约束。每种损失的相应计算公式如下:
优化的U-net网络的损失函数为:
Loss=λ1·L2loss+λ2·Amploss+λ3·Sumloss
其中L2loss表示L2损失函数,f和分别代表网络输出正弦图和标签正弦图,M表示包含金属投影区域的蒙版矩阵,M由0和1组成,/>表示逐元素乘法,(x,θ)表示正弦图中的像素位置,x表示检测器元件的位置,θ表示投影角度,Amploss表示投影图像幅度损失函数,Sumloss表示各个角度的投影和的差值损失函数,λ1,λ2,λ3分别表示L2损失、投影图像幅度损失及各个角度的投影和的差值损失的权重;
步骤S102.3:基于所述CT投影图像样本数据集及损失函数训练优化的U-net网络。
具体地,在所述步骤S103之后还包括:
针对实际数据进行训练和测试。作为一种可实施方式,在AMAX工作站上的TensorFlow(版本1.4.0)进行网络的训练和测试。该工作站具有两个Intel Xeon E5-2640v4 CPU 2.4GHz和64GB内存。本实施例使用了一个GeForce GTX 1080 Ti GPU(NVIDIACorporation),内存为11GB进行训练和测试。
利用FBP对仿真数据和实际数据的测试结果(CT投影金属迹线补全后的图像)进行重建。为了量化分析校正图像的质量,在投影域引入了平均绝对误差(Mean AbsoluteError,MAE)作为评价指标,MAE是得到的是绝对误差的平均值,可以很好地反应网络结果和标签的偏差。在图像域引入了均方根误差(RMSE)和归一化平均绝对距离(NMAD)作为重建质量的评价指标,对重建结果进行定量评价。
为验证本发明效果,进行如下实验:
利用公开的医学CT图像集Grassroots DICOM Library数据库构建仿真的实验数据CT图。通过反投影操作获得投影域图像,通过随机生成的金属迹线去除操作,在投影图上除去金属区作为待训练图像。利用12个人的图像集,其中10个人的图像用于网络训练,剩下的2个人的数据用于测试。最终获得了3000对训练数据。共进行了10万轮的训练,整个训练过程约为24个小时。在网络训练完成后,在测试过程中,一幅图像的处理时间不到一秒钟。
经过10万轮的训练获得了如下的结果:第一列显示了标签的正弦图像和其对应的标准FBP重建结果,第二列显示未经处理的结果,第三列显示了U-net的结果,第四列给出了U-net加入幅值损失的结果,第五列显示了加深后U-net的结果,第六列给出了加深后U-net加入幅值损失的结果。
图3给出了仿真实验中胸腔的FBP重建结果,其中第一行为Sinogram(正弦图),第二行为FBP重建结果,第三行为ROI放大图,Sinogram的显示窗口是[0,1],CT和ROI的显示窗口为[-0.1,0.25];第一列(a)列)显示了标签的正弦图像和其对应的标准FBP重建结果,第二列(b)列)显示未经处理的结果,第三列(c)列)显示了U-net的结果,第四列(d)列)给出了U-net加入幅值损失的结果,第五列(e)列)显示了加深后U-net的结果,第六列(f)列)给出了加深后U-net加入幅值损失的结果。由图中b)列可知,直接对未校正投影图进行FBP重建获得的CT图像中可以观察到严重的条纹伪影。从c)到f)可以看出,四个网络(原始U-net、U-net加入幅值损失、加深后U-net、加深后U-net加入幅值损失(优化的U-net网络))都实现了对金属迹线缺失区域的补全,不同方法对条纹伪影的抑制程度不同,通过MAE指标可以看出,本发明方法(f)列)很好的完成了金属迹线缺失区域的修补。
图3,a)中矩形框标记的放大区域,通过细节可以看出相较于其他方法,本发明方法减少了全局的放射状条纹伪影,基本消去了金属结构本身。本发明方法很好的恢复出了原始的组织信息。与其他方法相比,本发明方法生成的图像边界更清晰,细节更多。结果展示出在原始的U-net网络基础上,通过加入特征损失和加深网络都可以提升修补图像后的重建结果。
为了验证本发明方法在实际条件下的应用效果,我们针对真实采集数据进行了实验。实际扫描的CT系统由Thales Hawkeye130微焦斑射线源、Varian 4030E平板探测器和高精度4轴联动载物台组成。实验中采用圆轨迹扇束扫描方式,在360度扫描范围内均匀采样360个角度投影数据,为了验证本网络的适应性,在不同的电压电流下获得了多个样品的投影数据。对投影数据进行了分层提取,共采集了3100对图像,将其中的3000对用于网络的训练,剩下的100对用于网络效果测试。
在AMAX工作站上的TensorFlow(版本1.4.0)进行网络的训练和测试,该工作站具有两个Intel Xeon E5-2640 v4 CPU 2.4GHz和64GB内存。使用了一个GeForce GTX 1080TiGPU(NVIDIA Corporation),内存为11GB进行培训和测试。共进行了10万轮的训练,整个训练过程约为24个小时。在网络训练完成后,在测试过程中,一幅图像的处理时间不到一秒钟。
图4给出了实际实验中头部的FBP重建结果,其中第一行为Sinogram,第二行为FBP重建结果,第三行为ROI放大图,Sinogram的显示窗口是[0,1],CT和ROI的显示窗口为[-0.01,0.025];第一列(a)列)显示了标签的正弦图像和其对应的标准FBP重建结果,第二列(b)列)显示未经处理的结果,第三列(c)列)显示了U-net的结果,第四列(d)列)给出了U-net加入幅值损失的结果,第五列(e)列)显示了加深后U-net的结果,第六列(f)列)给出了加深后U-net加入幅值损失的结果。由图中b)列可知,直接对未校正投影图进行FBP重建获得的CT图像中可以观察到严重的条纹伪影。从c)到f)可以看出,四个网络(原始U-net、U-net加入幅值损失、加深后U-net、加深后U-net加入幅值损失(优化的U-net网络))都实现了对金属迹线缺失区域的补全,不同方法对条纹伪影的抑制程度不同,通过MAE指标可以看出,本发明方法(f)列)很好的完成了金属迹线缺失区域的修补。
图4,a)中矩形框标记的放大区域,通过细节可以看出相较于其他方法,本发明方法减少了全局的放射状条纹伪影,基本消去了金属结构本身。本发明方法很好的恢复出了原始的组织信息。与其他方法相比,本发明方法生成的图像边界更清晰,细节更多。结果展示出在原始的U-net网络基础上,通过加入特征损失和加深网络都可以提升修补图像后的重建结果。
图5中的指标给出了图4中c)、d)、e)、f)列重建结果的RMSE和NMAD值,由图5可知,本发明方法(f)列)具有最低的RMSE和NMAD值,可以有效消除金属引起的伪影。
通过上述实验可以看出,本发明方法在金属迹线缺失区域的修补更为准确,且在重建出的图像上很好的消除了金属伪影的影响。通过图像之差和对应的评价指标可以看出,本发明方法在校正效果上取得了一定的提升。通过对感兴趣区域进行放大,可以更好的观察到各个方法的重建效果的细节信息,奔放方法很好的实现了对辐射状条纹伪影的去除,尤其是当金属植入物较多时,本发明方法的处理效果更明显。
综上,在本发明方法中,投影域图像特征损失和金属迹线区域约束在网络训练中起着重要作用。金属迹线区域约束使得网络的注意力更加集中,投影域图像特征损失使得网络的输出更加具有投影图像的特点。通过二者的约束,使得网络的针对性更强,对伪影迹线的修补更加精准。常规的投影域技术,例如LI投影补全方法。这些方法可以有效地改善金属伪影,但是它们会丢弃部分信息,因此它们在计算机医学成像中的适用性有限。深度学习可以学习金属伪影区域的非线性回归,可以有效地利用CT图像和伪影的先验知识。通过对金属迹线污染区进行直接舍弃后在进行投影域补全,可以很好的保证重建图形的结构信息不被放射状的金属伪影掩盖,可以更好地保留原始信息。通过约束仅对金属迹线区进行补全,进一步保证了原始信息的准确。通过加深网络深度,充分的利用了投影图中原始未被污染的有效信息,通过特征图的拼接将特征更好的融合在一起。针对同一CT系统的扫描特点,在多个电压电流下的投影数据集可以很好的训练出一个适合本系统的投影域金属伪影校正网络。因为医用CT设备的型号较为固定,且扫描的病人部位相对一致,数据集更容易制作,因此本方法在医学问题上将更为适用。
以上所示仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于U-net的CT投影金属迹线补全金属伪影校正方法,其特征在于,包括:
步骤1:基于CT投影图像特性,制作CT投影图像样本数据集;
所述步骤1包括:
对照无金属场景的投影,生成一个仅包含金属的场景,使用X射线扫描仪模型计算获得无金属场景的投影正弦图,将无金属场景的投影正弦图中对应于金属场景投影数据置为零,即去除金属迹线的正弦图,从而获得不完整的正弦图,通过上述方式创建由不完整正弦图和标签正弦图组成的训练对,构成CT投影图像样本数据集;
步骤2:优化U-net网络结构,为优化的U-net网络设计损失函数,所述损失函数由L2损失函数、投影图像幅度损失函数及各个角度的投影和的差值损失函数组成;基于所述CT投影图像样本数据集及损失函数训练优化的U-net网络;
所述步骤2包括:
步骤2.1:优化U-net网络结构:去除U-net网络中的池化层,利用步长为2的卷积操作完成降维操作;
步骤2.2:为优化的U-net网络设计损失函数:
Loss=λ1·L2loss+λ2·Amploss+λ3·Sumloss
其中L2loss表示L2损失函数,f和分别代表网络输出正弦图和标签正弦图,M表示包含金属投影区域的蒙版矩阵,/>表示逐元素乘法,(x,θ)表示正弦图中的像素位置,x表示检测器元件的位置,θ表示投影角度,Amploss表示投影图像幅度损失函数,Sumloss表示各个角度的投影和的差值损失函数,λ1,λ2,λ3分别表示L2损失、投影图像幅度损失及各个角度的投影和的差值损失的权重;
步骤2.3:基于所述CT投影图像样本数据集及损失函数训练优化的U-net网络;
步骤3:将CT投影图像样本数据集输入训练好的优化的U-net网络中,输出CT投影金属迹线补全后的图像。
2.根据权利要求1所述的一种基于U-net的CT投影金属迹线补全金属伪影校正方法,其特征在于,在所述步骤3之后还包括:
利用FBP对输出的CT投影金属迹线补全后的图像进行重建,对重建结果进行定量评价。
3.根据权利要求1所述的一种基于U-net的CT投影金属迹线补全金属伪影校正方法,其特征在于,所述优化的U-net网络的卷积层数不大于512。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010042635.3A CN111292386B (zh) | 2020-01-15 | 2020-01-15 | 一种基于U-net的CT投影金属迹线补全金属伪影校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010042635.3A CN111292386B (zh) | 2020-01-15 | 2020-01-15 | 一种基于U-net的CT投影金属迹线补全金属伪影校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111292386A CN111292386A (zh) | 2020-06-16 |
CN111292386B true CN111292386B (zh) | 2023-05-23 |
Family
ID=71029114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010042635.3A Active CN111292386B (zh) | 2020-01-15 | 2020-01-15 | 一种基于U-net的CT投影金属迹线补全金属伪影校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292386B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111862258B (zh) * | 2020-07-23 | 2024-06-28 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像金属伪影抑制方法 |
CN112308863B (zh) * | 2020-10-27 | 2023-06-06 | 苏州大学 | 基于改进u型网络的oct图像近视性黄斑病变分割方法 |
CN112381741B (zh) * | 2020-11-24 | 2021-07-16 | 佛山读图科技有限公司 | 基于spect数据采样与噪声特性的断层图像重建方法 |
CN112508808B (zh) * | 2020-11-26 | 2023-08-01 | 中国人民解放军战略支援部队信息工程大学 | 基于生成对抗网络的ct双域联合金属伪影校正方法 |
US20230011759A1 (en) * | 2021-07-07 | 2023-01-12 | Canon Medical Systems Corporation | Apparatus, method, and non-transitory computer-readable storage medium for improving image quality of a medical image volume |
CN114298920B (zh) * | 2021-12-06 | 2023-04-07 | 北京朗视仪器股份有限公司 | 一种超视野ct图像重建模型训练和超视野ct图像重建方法 |
CN114494498B (zh) * | 2022-01-28 | 2023-04-18 | 复旦大学 | 一种基于双域傅里叶神经网络的金属伪影去除方法 |
CN117409100A (zh) * | 2023-12-15 | 2024-01-16 | 山东师范大学 | 基于卷积神经网络的cbct图像伪影矫正系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090074278A1 (en) * | 2004-10-12 | 2009-03-19 | Universite Laval | Method and apparatus for metal artifact reduction in computed tomography |
KR101591381B1 (ko) * | 2014-10-30 | 2016-02-04 | 기초과학연구원 | Ct 촬영에서의 금속에 의한 잡음 및 오류 감쇄방법 |
CN110675461A (zh) * | 2019-09-03 | 2020-01-10 | 天津大学 | 一种基于无监督学习的ct图像恢复方法 |
-
2020
- 2020-01-15 CN CN202010042635.3A patent/CN111292386B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111292386A (zh) | 2020-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111292386B (zh) | 一种基于U-net的CT投影金属迹线补全金属伪影校正方法 | |
JP7202302B2 (ja) | 断層撮影再構成に使用するためのデータのディープラーニングに基づく推定 | |
CN111492406B (zh) | 训练机器学习算法的方法、图像处理系统和图像重建方法 | |
CN110807737B (zh) | 迭代图像重建框架 | |
Nomura et al. | Projection‐domain scatter correction for cone beam computed tomography using a residual convolutional neural network | |
Jin et al. | A model-based image reconstruction algorithm with simultaneous beam hardening correction for X-ray CT | |
Brooks et al. | Theory of image reconstruction in computed tomography | |
Rückert et al. | Neat: Neural adaptive tomography | |
Wang et al. | FBP-Net for direct reconstruction of dynamic PET images | |
US10628973B2 (en) | Hierarchical tomographic reconstruction | |
Xu et al. | Deep residual learning enabled metal artifact reduction in CT | |
Staub et al. | A digitally reconstructed radiograph algorithm calculated from first principles | |
Dutta et al. | Deep learning framework to synthesize high-count preclinical PET images from low-count preclinical PET images | |
JP2017221339A (ja) | X線ct画像再構成方法およびコンピュータプログラム | |
Friot et al. | Iterative tomographic reconstruction with TV prior for low-dose CBCT dental imaging | |
Olasz et al. | Beam hardening artifact removal by the fusion of FBP and deep neural networks | |
Wang et al. | Two-stage deep learning network-based few-view image reconstruction for parallel-beam projection tomography | |
Zhu et al. | Sinogram domain metal artifact correction of CT via deep learning | |
Gao et al. | Self-Absorption Correction in X-Ray Fluorescence-Computed Tomography With Deep Convolutional Neural Network | |
Liu et al. | Cooperative data fusion of transmission and surface scan for improving limited-angle computed tomography reconstruction | |
Boudjelal et al. | PDEs on graphs for image reconstruction on positron emission tomography | |
Juang | X-ray chest image reconstruction by Radon transform simulation with fan-beam geometry | |
Liang et al. | High quality low-dose SPECT reconstruction using CGAN-based transformer network with geometric tight framelet | |
CN114494498B (zh) | 一种基于双域傅里叶神经网络的金属伪影去除方法 | |
Gunjan et al. | Computational methods in molecular imaging technologies |
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 |