CN111833410A - 基于深度学习的x射线散射抑制方法 - Google Patents
基于深度学习的x射线散射抑制方法 Download PDFInfo
- Publication number
- CN111833410A CN111833410A CN202010646786.XA CN202010646786A CN111833410A CN 111833410 A CN111833410 A CN 111833410A CN 202010646786 A CN202010646786 A CN 202010646786A CN 111833410 A CN111833410 A CN 111833410A
- Authority
- CN
- China
- Prior art keywords
- data
- scattering
- deep learning
- chest
- pixels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013135 deep learning Methods 0.000 title claims abstract description 25
- 238000000333 X-ray scattering Methods 0.000 title claims abstract description 16
- 230000001629 suppression Effects 0.000 title claims abstract description 16
- 210000000038 chest Anatomy 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000013185 thoracic computed tomography Methods 0.000 claims abstract description 12
- 239000002184 metal Substances 0.000 claims abstract description 8
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000012360 testing method Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 210000000988 bone and bone Anatomy 0.000 claims description 3
- 210000000115 thoracic cavity Anatomy 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 abstract description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 6
- 230000005855 radiation Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000002601 radiography Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及图像处理技术领域，且公开了一种基于深度学习的X射线散射抑制方法，包括以下步骤：S1：对胸腔CT数据进行降采样；S2：根据区域生长算法，将降采样后的数据，去除掉胸腔CT数据的金属伪影；S3：将去除金属伪影后的数据，根据阈值进行像素的划分，对划分后的胸腔CT重新标记像素；S4：重复上述处理方式，预处理大量的胸腔CT数据；S5：将预处理后的数据作为训练集和测试集用于进行深度学习训练，获取最优的网络模型。本发明的X射线散射抑制方法在数据处理过程中，前置条件较少，不需要病人拍摄两次CT以获取含有散射的DR图像和不含有散射的DR图像，对硬件的依赖程度较小，在显卡GPU加速的情况下，处理速度较快。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于深度学习的X射线散射抑制方法。
背景技术
数字化X射线摄影，是计算机数字图像处理技术与X-射线放射技术结合而形成的一种先进的X线摄影技术。DR因辐射剂量小、灵敏度高、图像分辨率高、处理速度快等优点，越来越受到医疗人员的推崇，已经被广泛应用在医学影像领域。但是，在拍摄DR的过程中，会不可避免地产生一些影响图像成像质量的散射射线。因此，有效地抑制DR图像中的散射射线将可以提高DR图像的成像质量。
目前常用的DR散射抑制方法有基于硬件和基于软件的散射抑制方法。
基于硬件的散射抑制方法应用最为广泛的是滤线器，这种散射抑制方法是在被照射物体和探测板之间添加一个滤线栅板。这种滤线栅板是由铅条和填充物组成的，当X射线通过滤线栅板的时候，发生散射射线的方向已经发生了改变，所以将会打在铅条上，从而大幅度衰减信号，而那些没有发生散射的射线，将会正常通过滤线栅板，形成图像信号。通过这种吸收散射射线的方式，将可以有效地控制散射射线对图像的影响。这种基于硬件散射抑制的方式被集成在X-射线成像设备中，硬件造价成本高，可扩展性差。
基于软件的散射抑制方法常有：卷积法、反卷积法、蒙特卡罗法和图像分解法。其中卷积法和反卷积法都需要提前进行散射模型的估计，但是模型的估计需要一定的先验知识，因此这种方式限制了其应用的广度和精度。蒙特卡罗仿真方法中要将实际被探测物体的各个组织的材质作为已知条件，因此需要准确的图像分割、高效的计算平台等其他条件作为后盾，故而很难推广到实际应用中去。图像分解方法的难点在于如何从图像中提取出散射的高低频部分，因此该方法的发展也受到了极大的限制，因此我们提出了基于深度学习的X射线散射抑制方法用于解决上述问题。
发明内容
本发明的目的是为了解决现有技术的缺点，而提出的基于深度学习的X射线散射抑制方法。
为了实现上述目的，本发明采用了如下技术方案：
基于深度学习的X射线散射抑制方法，包括以下步骤：
步骤S1：对胸腔CT数据进行降采样；
步骤S2：根据区域生长算法，将降采样后的数据，去除掉胸腔CT数据的金属伪影；
步骤S3：将步骤S2中所述的去除金属伪影后的数据，根据阈值进行像素的划分，并对划分后的胸腔CT重新标记像素；
步骤S4：重复上述处理方式，预处理大量的胸腔CT数据；
步骤S5：将步骤S4中所述的预处理后的数据作为训练集和测试集用于进行深度学习训练，以获取最优的网络模型；
步骤S6：使用步骤S5中所述的训练得到的网络模型来进行散射的预测，用含有散射的DR图像作为模型的输入，得到输出的散射分布图像；
步骤S7：使用含有散射的DR图像过滤掉预测的散射分布图，得到过滤散射后的DR图像。
优选的，所述步骤S1中，所述的胸腔CT数据的源数据像素为512*512pixel。
优选的，所述步骤S1中，所述的胸腔CT数据降采样到像素为128*128pixel。
优选的，所述步骤S3中，所述的胸腔CT数据最终根据阈值划分为两种不同的像素值。
优选的，所述的胸腔CT数据中划分为骨骼的部分标记为像素6pixel。
优选的，所述的胸腔CT数据中划分为脂肪的部分标记为像素9pixel。
优选的，所述所述步骤S5中，所述的深度学习训练包括多次调整学习率、卷积核、激活函数和损失函数。
与现有技术相比，本发明中提供了基于深度学习的X射线散射抑制方法，具备以下有益效果：
(1)本发明设计首先采用图像分割等算法将人体CT数据处理成蒙特卡罗模拟所需的输入数据，在这个过程中，主要使用了图像分割、降采样等算法将原始的CT数据，处理成了实验所需的格式；
(2)本发明设计在蒙特卡罗实验中根据现实场景模拟出含有散射的DR图像和对应的散射分布，在本过程的实验中，主要根据真实拍摄场景，设置了实验所需的各种参数；
(3)本发明设计利用深度学习训练出的模型预测DR图像的散射分布，在本过程中，先用大量的数据集和测试集进行训练，然后选择损失函数较小的模型，再利用该模型去预测含有散射DR图像的散射分布，最终再用该含有散射的DR图像过滤掉预测出来的散射分布；
本发明设计的X射线散射抑制方法在数据处理过程中，前置条件较少，不需要病人拍摄两次CT以获取含有散射的DR图像和不含有散射的DR图像，对硬件的依赖程度较小，在显卡GPU加速的情况下，处理速度较快。
附图说明
图1为本发明提出的基于深度学习的X射线散射抑制方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
参照图1，基于深度学习的X射线散射抑制方法，包括以下步骤：
步骤S1：对胸腔CT数据进行降采样；
步骤S2：根据区域生长算法，将降采样后的数据，去除掉胸腔CT数据的金属伪影；
步骤S3：将步骤S2中所述的去除金属伪影后的数据，根据阈值进行像素的划分，并对划分后的胸腔CT重新标记像素；
步骤S4：重复上述处理方式，预处理大量的胸腔CT数据；
步骤S5：将步骤S4中所述的预处理后的数据作为训练集和测试集用于进行深度学习训练，以获取最优的网络模型；
步骤S6：使用步骤S5中所述的训练得到的网络模型来进行散射的预测，用含有散射的DR图像作为模型的输入，得到输出的散射分布图像；
步骤S7：使用含有散射的DR图像过滤掉预测的散射分布图，得到过滤散射后的DR图像。
本实施例中，步骤S1中，胸腔CT数据的源数据像素为512*512pixel，步骤S1中，胸腔CT数据降采样到像素为128*128pixel。
本实施例中，步骤S3中，胸腔CT数据最终根据阈值划分为两种不同的像素值，胸腔CT数据中划分为骨骼的部分标记为像素6pixel，胸腔CT数据中划分为脂肪的部分标记为像素9pixel。
本实施例中，步骤S5中，深度学习训练包括多次调整学习率、卷积核、激活函数和损失函数。
本实施例中，首先对采集的人体胸腔CT数据进行预处理，然后用蒙特卡罗方法模拟出大量含有散射的DR图像和对应的散射分布，再将这些数据作为深度学习的训练集进行模型的训练并得到一个较好的模型，最后再用这个模型去进行散射的估计与抑制。该方法首先按照真实环境使用蒙特卡罗方法模拟出大量的数据，解决了真实数据不充足的问题；然后使用利用深度学习网络进行模型的训练，并用得到的模型进行散射的估计，解决了散射分布预测的问题。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (7)
1.基于深度学习的X射线散射抑制方法，其特征在于，包括以下步骤：
步骤S1：对胸腔CT数据进行降采样；
步骤S2：根据区域生长算法，将降采样后的数据，去除掉胸腔CT数据的金属伪影；
步骤S3：将步骤S2中所述的去除金属伪影后的数据，根据阈值进行像素的划分，并对划分后的胸腔CT重新标记像素；
步骤S4：重复上述处理方式，预处理大量的胸腔CT数据；
步骤S5：将步骤S4中所述的预处理后的数据作为训练集和测试集用于进行深度学习训练，以获取最优的网络模型；
步骤S6：使用步骤S5中所述的训练得到的网络模型来进行散射的预测，用含有散射的DR图像作为模型的输入，得到输出的散射分布图像；
步骤S7：使用含有散射的DR图像过滤掉预测的散射分布图，得到过滤散射后的DR图像。
2.根据权利要求1所述的基于深度学习的X射线散射抑制方法，其特征在于，所述步骤S1中，所述的胸腔CT数据的源数据像素为512*512pixel。
3.根据权利要求1所述的基于深度学习的X射线散射抑制方法，其特征在于，所述步骤S1中，所述的胸腔CT数据降采样到像素为128*128pixel。
4.根据权利要求1所述的基于深度学习的X射线散射抑制方法，其特征在于，所述步骤S3中，所述的胸腔CT数据最终根据阈值划分为两种不同的像素值。
5.根据权利要求4所述的基于深度学习的X射线散射抑制方法，其特征在于，所述的胸腔CT数据中划分为骨骼的部分标记为像素6pixel。
6.根据权利要求4所述的基于深度学习的X射线散射抑制方法，其特征在于，所述的胸腔CT数据中划分为脂肪的部分标记为像素9pixel。
7.根据权利要求1所述的基于深度学习的X射线散射抑制方法，其特征在于，所述所述步骤S5中，所述的深度学习训练包括多次调整学习率、卷积核、激活函数和损失函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646786.XA CN111833410A (zh) | 2020-07-07 | 2020-07-07 | 基于深度学习的x射线散射抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010646786.XA CN111833410A (zh) | 2020-07-07 | 2020-07-07 | 基于深度学习的x射线散射抑制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111833410A true CN111833410A (zh) | 2020-10-27 |
Family
ID=72900417
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010646786.XA Pending CN111833410A (zh) | 2020-07-07 | 2020-07-07 | 基于深度学习的x射线散射抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111833410A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103987320A (zh) * | 2011-12-12 | 2014-08-13 | 株式会社日立医疗器械 | X线ct装置以及散射x线校正方法 |
| CN106163403A (zh) * | 2013-12-18 | 2016-11-23 | 伊利克塔股份有限公司 | Ct图像中的目标特定剂量和散射估计 |
| 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 |
| CN109064521A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 一种使用深度学习的cbct去伪影方法 |
| CN109717891A (zh) * | 2018-12-29 | 2019-05-07 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的pet散射校正方法 |
| CN110660111A (zh) * | 2019-09-18 | 2020-01-07 | 东软医疗系统股份有限公司 | Pet散射校正及图像重建方法、装置及设备 |
-
2020
- 2020-07-07 CN CN202010646786.XA patent/CN111833410A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103987320A (zh) * | 2011-12-12 | 2014-08-13 | 株式会社日立医疗器械 | X线ct装置以及散射x线校正方法 |
| CN106163403A (zh) * | 2013-12-18 | 2016-11-23 | 伊利克塔股份有限公司 | Ct图像中的目标特定剂量和散射估计 |
| 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 |
| CN109064521A (zh) * | 2018-07-25 | 2018-12-21 | 南京邮电大学 | 一种使用深度学习的cbct去伪影方法 |
| CN109717891A (zh) * | 2018-12-29 | 2019-05-07 | 浙江明峰智能医疗科技有限公司 | 一种基于深度学习的pet散射校正方法 |
| CN110660111A (zh) * | 2019-09-18 | 2020-01-07 | 东软医疗系统股份有限公司 | Pet散射校正及图像重建方法、装置及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Metal artifact reduction in CT using fusion based prior image | |
| EP3224800B1 (en) | Simulating dose increase by noise model based multi scale noise reduction | |
| JP2001238870A (ja) | 器官の厚みを補償する方法および装置 | |
| WO2017193122A1 (en) | System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information | |
| 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 | |
| CN106530236B (zh) | 一种医学图像处理方法及系统 | |
| EP3072105B1 (en) | Processing dual energy spectral mammography images | |
| Gao et al. | Deep convolutional neural network with adversarial training for denoising digital breast tomosynthesis images | |
| JP7080025B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
| US20230097849A1 (en) | Creation method of trained model, image generation method, and image processing device | |
| Nykänen et al. | X‐ray scattering in full‐field digital mammography | |
| Frosio et al. | Enhancing digital cephalic radiography with mixture models and local gamma correction | |
| CN107464219A (zh) | 连续图像的运动检测及降噪方法 | |
| MATSUBARA et al. | Generation of pseudo chest X-ray images from computed tomographic images by nonlinear transformation and bone enhancement | |
| EP1520255A2 (en) | Methods of anisotropic diffusion and foveal segmentation of digital images | |
| CN111325758A (zh) | 肺部图像分割方法及装置、图像分割模型的训练方法 | |
| CN111080736A (zh) | 一种基于稀疏变换的低剂量ct图像重建方法 | |
| CN111833410A (zh) | 基于深度学习的x射线散射抑制方法 | |
| CN113313649B (zh) | 图像重建方法及装置 | |
| CN113570586A (zh) | 神经网络系统的创建、处理ct图像的方法及其装置 | |
| JP2000209501A (ja) | 器官の厚さを補償する方法 | |
| Ishida | Image processing | |
| de Barros Vimieiro et al. | Assessment of training strategies for convolutional neural network to restore low-dose digital breast tomosynthesis projections | |
| Aidoo et al. | Chest radiograph image enhancement with wavelet decomposition and morphological operations | |
| Saifudin et al. | A comparative study of unsharp masking filters for enhancement of digital breast tomosynthesis images |
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 |