CN113744155B - 一种基于三重卷积网络的岩矿样ct图像金属伪影校正方法 - Google Patents
一种基于三重卷积网络的岩矿样ct图像金属伪影校正方法 Download PDFInfo
- Publication number
- CN113744155B CN113744155B CN202111034944.7A CN202111034944A CN113744155B CN 113744155 B CN113744155 B CN 113744155B CN 202111034944 A CN202111034944 A CN 202111034944A CN 113744155 B CN113744155 B CN 113744155B
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- network
- image
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012937 correction Methods 0.000 title claims abstract description 9
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims description 5
- 239000011707 mineral Substances 0.000 title claims description 5
- 230000006870 function Effects 0.000 claims description 69
- 238000012549 training Methods 0.000 claims description 25
- 230000004913 activation Effects 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013170 computed tomography imaging Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000009977 dual effect Effects 0.000 description 6
- 239000011435 rock Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 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
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提出一种基于三重卷积网络的岩矿样CT图像金属伪影校正方法，网络模型包括正弦图增强网络(SE‑Net)、可变形卷积网络、反演层(RIL)和图像增强网络(IE‑Net)，即在双域网络的基础上，通过添加一个可变形子网络，仅增加很少的模型复杂度和计算量，就显著提高识别精度，解决双域网络在对线性插值的正弦曲线和相应的重建CT进行对偶域增强过程经常导致不良的二次伪影的问题。
Description
技术领域
本发明涉及金属伪影去除和CT无损检测技术，具体涉及CT重建像金属伪影去除技术。
背景技术
岩芯或地质样品的CT无损检测研究，对于地质学有着极其重要的意义。CT无损检测生成的三维切片成像，不仅可以形象、直观、清晰地显示岩矿样内部的、无损的、原位的二维或三维(立体)信息，而且还能刻画岩矿样内部的精细结构。但是岩矿样本内部的高密度金属物质对x射线的削弱作用极强，会在成像图里造成金属伪影的情况，因此，如何消除金属伪影成为一个需要去重点研究的课题。
传统的MAR(Metal Artifact Reduction)金属伪影去除算法会试图减少X射线投影域的金属伪影(sinogram)，以此来达到消除金属伪影的效果，(但是MAR的这种方法不可避免地会由于sinogram的不一致性导致二次伪影。深度学习的图像去除金属伪影的算法是最近新兴的一种方法。但是工业CT成像生成的三维切片种类繁多，产生的金属伪影分布随机性较大，并且MAR算法容易引发二次伪影，因此，如何解决常规深度学习的金属伪影去除方法是本论文研究的目的和意义。
目前方法采用的双域网络(Dual Domain Network,DuDoNet)对线性插值的正弦曲线和相应的重建CT进行了对偶域增强，这一过程经常导致不良的二次伪影。
中国专利文献CN112508808A一种基于生成对抗网络的CT双域联合金属伪影校正方法，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。但是这种方法在去除属伪影的同时，也会去除金属伪影部分覆盖的原有图像信息。
发明内容
为了解决现有技术的缺陷，改善常规深度学习方法无法有效去除金属伪影，导致工业CT重建图无法正确表示岩矿内部结构，本发明提出一种基于三重卷积网络的金属伪影校正方法，改进双域网络的不足，添加一个可变形子网络，增加识别精度，尽可能地保留图片信息的同时提高金属伪影的去除效果。
本发明的技术方案如下：
一种基于三重卷积网络的金属伪影校正方法，包括如下步骤：
步骤1，构建三重卷积去噪网络模型，所述网络模型包括正弦图增强网络(SE-Net)、可变形卷积网络、反演层(RIL)和图像增强网络(IE-Net)。
步骤2，训练网络：
步骤2.1，准备数据集，将具有金属伪影的工业CT重建图裁剪为合适的尺寸，设定损失函数阈值以及最大训练次数，并初始化训练参数。
步骤2.2，把金属伪影的正弦图Y和金属掩膜投影二值化Mt线性插值运算后的YL1和金属掩膜投影二值化Mt输入正弦图增强网络(SE-Net)，输出增强的金属伪影正弦图Yout。
步骤2.3，将金属伪影正弦图Yout输入可变形网络，输出增强后金属伪影正弦图Zout。
步骤2.4，将增强后金属伪影正弦图Zout和YL1分别输入反演层(RIL)反投影成金属伪影图像XL1以及X。
步骤2.5，将XL1以及X同时输入图像增强网络(IE-Net)，输出增强的金属伪影的图像Xout。
步骤2.6，计算正弦图增强网络和图像增强网络求损失函数，损失函数为输入图像与干净图像的二范数，若两者的损失函数值大于初始设定的损失函数阈值或未达到最大训练次数，则重复步骤2.2至2.5。
步骤3，更新网络参数。
步骤4，向构建好的网络模型中输入含有金属伪影的工业CT成像Y，网络输出为金属伪影校正后的图像Xout。
作为本发明方法的优选，所述正弦图增强网络(SE-Net)的输入层是由金属伪影的正弦图Y和金属掩膜投影二值化Mt线性插值运算后的YL1和金属掩膜投影二值化Mt组成；隐藏层使用U-net网络结构：输出层输出的是增强的金属伪影的正弦图Yout。
作为本发明方法的优选，所述可变形卷积网络具有输入层、隐藏层、输出层三个网络层，输入的是正弦图增强网络输出的金属伪影增强图像Yout，隐藏层分为可变形卷积训练层与卷积层；所述可变形卷积层使用一个具有当前变性卷积层相同的空间分辨率和扩张的卷积，激活函数为线性整流函数，输出的是金属伪影增强网络的偏移量卷积；所述卷积层使用的卷积是可变形卷积训练层计算出来的偏移量卷积；输出层是经过可变形卷积网络的金属伪影增强网络Zout。
作为本发明方法的优选，所述反演层是使用滤波反投影算法(FBP)构建，其将SE-Net的输出Yout反投影到图像域成X^和将YLI反投影到图像域成金属伪影图像XL1，重建CT图像。
作为本发明方法的优选，所述图像增强网络(IE-Net)的输入层是由SE-Net的输出Yout反投影到图像域的X^和YLI反投影到图像域的XLI组成，隐藏层使用U-net网络结构，通过残差学习精炼CT图像，输出层输出的是增强的金属伪影的图像域图像的Xout。
作为本发明方法的优选，所述正弦图增强网络(SE-Net)和图像增强网络(IE-Net)的隐藏层均分为8个部分：第一部分为两个卷积层，每个卷积层包含64个卷积核，激活函数为线性整流函数；第二、三、四部分均分别包含一个下采样层和两个卷积层，下采样层包含一个池化层，同一部分的每个卷积层包含的卷积核个数相同，不同部分的每个卷积层包含的卷积核依次递增，分别为128个、256个和512个，激活函数均为线性整流函数；第五、六、七部分均分别一个上采样层和两个卷积层，每个上采样层包含了一个反卷积层，同一部分的每个卷积层包含的卷积核个数相同，不同部分的每个卷积层包含的卷积核依次递减，分别为256个、128个和64个，激活函数均为线性整流函数；第八部分是一个卷积层，包含一个卷积核；所述线性整流函数的表达式为f(x)＝max(0，x)，x取值为任意实数。
作为本发明方法的优选，所述步骤3的网络参数更新是使用Adam算法Adagrad算法或随机梯度下降Stochastic Gradient Descent(SGD)等进行优化。
本发明采用以上方法，在双域网络的基础上，通过添加一个可变形子网络，可变型卷积网络相对于普通的卷积网络，在每个卷积核的参数中添加了一个方向向量，使得卷积核可以变为任意形状。相传统卷积核的尺寸固定，大小固定，对于未知的变化适应性差，泛化能力不足。相对而言，可变形卷积核的大小和位置可以根据当前需要识别的图像内容进行动态调整，其直观效果就是不同位置的卷积核采样点位置会根据图像内容发生自适应的变化，从而适应不同物体的形状、大小等几何形变。改进后的三重卷积网络仅增加了很少的模型复杂度和计算量，且显著提高了识别精度，解决了双域网络(Dual Domain Network，DuDoNet)在对线性插值的正弦曲线和相应的重建CT进行对偶域增强过程经常导致不良的二次伪影的问题。
附图说明
图1是三重卷积去噪网络模型框架图；
图2是可变形卷积网络框架图。
具体实施方式
以下结合附图和实施例进一步详细说明本发明的技术细节，但是本发明的保护范围不局限于所述实施例。
本实施例针对双域网络在CT重建图过程中会出现不良的二次伪影，导致无法正确表示岩矿内部结构的问题提出一种基于三重卷积网络的金属伪影校正方法，具体通过以下步骤实现：
步骤1.构建三重卷积去噪网络模型，模型参见图1：
1、构建正弦图增强网络(SE-Net)，对金属伪影正弦图部分进行处理，在尽可能消除金属伪影的情况下保留原有的图片信息。
该网络构建有三个网络层，分别是输入层，隐藏层和输出层。其中，输入层是由金属伪影的正弦图Y和金属掩膜投影二值化Mt线性插值运算后的YL1和金属掩膜投影二值化Mt组成。
隐藏层是使用U-net网络结构，具体分为八个部分，第一部分到第七部分一一对应，主要是4个下采样和3个上采样层，形成一个U-Net网络结构，下采样部分和上采样部分均可添加，先进行下采样再进行上采样，每一级的下采样的卷积核数量是上一个采样层的两倍，每一级的上采样层的卷积核数量是上一个采样层的一半。
八个部分具体如下
第一部分为两个卷积层，每个卷积层包含了64个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数；
第二部分为一个下采样层，两个卷积层，下采样层包含了一个池化层，尺寸为2*2，步长为2，填充为0，每个卷积层包含了128个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第三部分为一个下采样层，两个卷积层，下采样层包含了一个池化层，尺寸为2*2，步长为2，填充为0，每个卷积层包含了256个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第四部分为一个下采样层，两个卷积层，下采样层包含了一个池化层，尺寸为2*2，步长为2，填充为0，每个卷积层包含了512个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第五部分为一个上采样层，两个卷积层，上采样层包含了一个反卷积层，尺寸为2*2，每个卷积层包含了256个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第六部分为一个上采样层，两个卷积层，上采样层包含了一个反卷积层，尺寸为2*2，每个卷积层包含了128个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第七部分为一个上采样层，两个卷积层，上采样层包含了一个反卷积层，尺寸为2*2，每个卷积层包含了64个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第八部分是一个卷积层，包含了一个卷积核，尺寸为1*1，步长为1，填充为1。
以上的线性整流函数的表达式为f(x)＝max(0，x)，x取值为任意实数。
最后，输出层输出的是增强的金属伪影的正弦图Yout。
2、构建图像增强网络(IE-Net)。
该网络也包括三个网络层，分别是输入层，隐藏层，输出层。
输入层是由SE-Net的输出Yout反投影到图像域的X^和YLI反投影到图像域的XLI组成，
隐藏层也是使用U-net网络结构，分为8个部分：
第一部分为两个卷积层，每个卷积层包含了64个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第二部分为一个下采样层，两个卷积层，下采样层包含了一个池化层，尺寸为2*2，步长为2，填充为0，每个卷积层包含了128个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第三部分为一个下采样层，两个卷积层，下采样层包含了一个池化层，尺寸为2*2，步长为2，填充为0，每个卷积层包含了256个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第四部分为一个下采样层，两个卷积层，下采样层包含了一个池化层，尺寸为2*2，步长为2，填充为0，每个卷积层包含了512个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第五部分为一个上采样层，两个卷积层，上采样层包含了一个反卷积层，尺寸为2*2，每个卷积层包含了256个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第六部分为一个上采样层，两个卷积层，上采样层包含了一个反卷积层，尺寸为2*2，每个卷积层包含了128个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第七部分为一个上采样层，两个卷积层，上采样层包含了一个反卷积层，尺寸为2*2，每个卷积层包含了64个卷积核，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数。
第八部分是一个卷积层，包含了一个卷积核，尺寸为1*1，步长为1，填充为1。
以上线性整流函数的表达式为f(x)＝max(0，x)，x取值为任意实数。
最后，输出层输出的是增强的金属伪影的图像域图像的Xout，IE-Net通过残差学习精炼CT图像。
3、构建反演层(RIL)，将正弦图变换成反投影图。
本实施例使用滤波反投影算法(FBP)构建反演层，使其能够重建CT图像。
4、构建可变形卷积网络，参见图2：
该网络包括三个网络层，分别是输入层，隐藏层和输出层。
输入层输入的是正弦图增强网络输出的金属伪影增强图像Yout。
隐藏层分为两个卷积层分别是可变形卷积训练层与卷积层；可变形卷积层使用一个具有当前变性卷积层相同的空间分辨率和扩张的卷积，尺寸为3*3，步长为1，填充为1，激活函数为线性整流函数，输出的是金属伪影增强网络的偏移量卷积；卷积层使用的卷积就是可变形卷积训练层计算出来的偏移量卷积。
输出层是经过可变形卷积网络的金属伪影增强网络Zout。
步骤2、训练网络
第一步，准备数据集，将具有金属伪影的工业CT重建图裁剪为合适的尺寸，尺寸为图片的自适应大小，设定损失函数阈值以及最大训练次数，并初始化训练参数。
第二步，把金属伪影的正弦图Y(指原输入图经过投影之后的图像)和金属掩膜投影二值化Mt线性插值运算后的YL1和金属掩膜投影二值化Mt输入正弦图增强网络(SE-Net)，输出增强的金属伪影正弦图Yout。
第三步，将金属伪影正弦图Yout输入可变形网络，输出增强后金属伪影正弦图Zout。
第四步，将增强后金属伪影正弦图Zout和YL1分别输入反演层(RIL)反投影成金属伪影图像XL1以及Zout的反投影图像X。
第五步，将XL1以及X同时输入图像增强网络(IE-Net)，输出增强的金属伪影的图像Xout。
第六步，计算正弦图增强网络和图像增强网络求损失函数，损失函数为输入图像与干净图像的二范数，若两者的损失函数值大于初始设定的损失函数阈值或未达到最大训练次数，则重复第二步至第五步；
步骤3，进行三重卷积金属伪影校正网络的参数更新
网络参数使用Adam算法进行优化，优化方法如下：
设定噪声目标函数ft(θ)，是参数θ在第t次训练的随机函数。计算目标函数关于参数θ的梯度
第t次训练的指数移动均值mt和平方梯度vt的表达式分别为：
mt＝β1mt-1+(1-β1)gt；
其中参数β1、β2∈[0，1)代表移动均值指数的衰减率。为了消除初始化偏差，需要在衰减过程中对指数移动均值，平方梯度分别做偏差修正，修正后的指数移动均值和平方梯度/>的表达式分别为：
即为信噪比，表示系统中目标图像与金属伪影的比例。令初始化平方梯度均值为0，则平方梯度均值在第t次训练中的表达式为：
θ的更新表达式为：
其中μ为学习率，表示参数空间有效步长的量级；ε＝10-8为一个常数参量。通过参数更新，实现算法迭代，使得目标函数逐步向最优取值。
步骤4，实践输入
向构建好的网络模型中输入含有金属伪影的工业CT成像Y，网络输出为金属伪影校正后的图像Xout。
Claims (7)
1.一种基于三重卷积网络的岩矿样CT图像金属伪影校正方法，包括如下步骤：
步骤1，构建三重卷积去噪网络模型，所述网络模型包括正弦图增强网络(SE-Net)、可变形卷积网络、反演层(RIL)和图像增强网络(IE-Net)；
步骤2，训练网络：
步骤2.1，准备数据集，将具有金属伪影的工业CT重建图裁剪为合适尺寸，设定损失函数阈值以及最大训练次数，并初始化训练参数；
步骤2.2，把金属伪影的正弦图Y和金属掩膜投影二值化Mt线性插值运算后的YL1和金属掩膜投影二值化Mt输入正弦图增强网络(SE-Net)，输出增强的金属伪影正弦图Yout；
步骤2.3，将金属伪影正弦图Yout输入可变形卷积网络，输出增强后金属伪影正弦图Zout；
步骤2.4，将增强后金属伪影正弦图Zout和YL1分别输入反演层(RIL)反投影成金属伪影图像XL1以及X；
步骤2.5，将XL1以及X同时输入图像增强网络(IE-Net)，输出增强的金属伪影的图像Xout；
步骤2.6，计算正弦图增强网络和图像增强网络求损失函数，损失函数为输入图像与干净图像的二范数，若两者的损失函数值大于初始设定的损失函数阈值或未达到最大训练次数，则重复步骤2.2至2.5；
步骤3，更新网络参数：
步骤4，向构建好的网络模型中输入含有金属伪影的工业CT成像Y，网络输出为金属伪影校正后的图像Xout。
2.根据权利要求1所述的金属伪影校正方法，其特征在于，所述正弦图增强网络(SE-Net)的输入层是由金属伪影的正弦图Y和金属掩膜投影二值化Mt线性插值运算后的YL1和金属掩膜投影二值化Mt组成；隐藏层使用U-net网络结构：输出层输出的是增强的金属伪影的正弦图Yout。
3.根据权利要求1所述的金属伪影校正方法，其特征在于，所述可变形卷积网络具有输入层、隐藏层、输出层三个网络层，输入的是金属伪影增强图像Yout，隐藏层分为可变形卷积训练层与卷积层；所述可变形卷积层使用一个具有当前变性卷积层相同的空间分辨率和扩张的卷积，激活函数为线性整流函数，输出的是金属伪影增强网络的偏移量卷积；所述卷积层使用的卷积是可变形卷积训练层计算出来的偏移量卷积；输出层是经过可变形卷积网络的金属伪影增强网络Zout。
4.根据权利要求1所述的金属伪影校正方法，其特征在于，所述反演层是使用滤波反投影算法(FBP)构建，其将SE-Net的输出Yout反投影到图像域成和将YLI反投影到图像域成金属伪影图像XL1，重建CT图像。
5.根据权利要求1所述的金属伪影校正方法，其特征在于，所述图像增强网络(IE-Net)的输入层是由SE-Net的输出Yout反投影到图像域的和YLI反投影到图像域的XLI组成，隐藏层使用U-net网络结构，通过残差学习精炼CT图像，输出层输出的是增强的金属伪影的图像域图像的Xout。
6.根据权利要求1所述的金属伪影校正方法，其特征在于，所述正弦图增强网络(SE-Net)和图像增强网络(IE-Net)的隐藏层均分为8个部分：第一部分为两个卷积层，每个卷积层包含64个卷积核，激活函数为线性整流函数；第二、三、四部分均分别包含一个下采样层和两个卷积层，下采样层包含一个池化层，同一部分的每个卷积层包含的卷积核个数相同，不同部分的每个卷积层包含的卷积核依次递增，分别为128个、256个和512个，激活函数均为线性整流函数；第五、六、七部分均分别一个上采样层和两个卷积层，每个上采样层包含了一个反卷积层，同一部分的每个卷积层包含的卷积核个数相同，不同部分的每个卷积层包含的卷积核依次递减，分别为256个、128个和64个，激活函数均为线性整流函数；第八部分是一个卷积层，包含一个卷积核；所述线性整流函数的表达式为f(x)＝max(0，x)，x取值为任意实数。
7.根据权利要求1所述的金属伪影校正方法，其特征在于，步骤3的网络参数更新是使用Adam算法、Adagrad算法或随机梯度下降Stochastic Gradient Descent(SGD)进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111034944.7A CN113744155B (zh) | 2021-09-04 | 2021-09-04 | 一种基于三重卷积网络的岩矿样ct图像金属伪影校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111034944.7A CN113744155B (zh) | 2021-09-04 | 2021-09-04 | 一种基于三重卷积网络的岩矿样ct图像金属伪影校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113744155A CN113744155A (zh) | 2021-12-03 |
| CN113744155B true CN113744155B (zh) | 2023-09-26 |
Family
ID=78735683
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111034944.7A Active CN113744155B (zh) | 2021-09-04 | 2021-09-04 | 一种基于三重卷积网络的岩矿样ct图像金属伪影校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113744155B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116012478B (zh) * | 2022-12-27 | 2023-08-18 | 哈尔滨工业大学 | 一种基于收敛型扩散模型的ct金属伪影去除方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567958A (zh) * | 2010-12-31 | 2012-07-11 | 东软飞利浦医疗设备系统有限责任公司 | 一种去除ct图像中金属伪影的图像后处理方法 |
| CN102590243A (zh) * | 2012-02-17 | 2012-07-18 | 重庆大学 | 一种铁路铸件全身ct扫描成像方法 |
| US10149958B1 (en) * | 2015-07-17 | 2018-12-11 | Bao Tran | Systems and methods for computer assisted operation |
| CN109816747A (zh) * | 2019-02-25 | 2019-05-28 | 南京邮电大学 | 一种头部ct图像的金属伪影校正方法 |
-
2021
- 2021-09-04 CN CN202111034944.7A patent/CN113744155B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102567958A (zh) * | 2010-12-31 | 2012-07-11 | 东软飞利浦医疗设备系统有限责任公司 | 一种去除ct图像中金属伪影的图像后处理方法 |
| CN102590243A (zh) * | 2012-02-17 | 2012-07-18 | 重庆大学 | 一种铁路铸件全身ct扫描成像方法 |
| US10149958B1 (en) * | 2015-07-17 | 2018-12-11 | Bao Tran | Systems and methods for computer assisted operation |
| CN109816747A (zh) * | 2019-02-25 | 2019-05-28 | 南京邮电大学 | 一种头部ct图像的金属伪影校正方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113744155A (zh) | 2021-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898642B (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
| CN113744155B (zh) | 一种基于三重卷积网络的岩矿样ct图像金属伪影校正方法 | |
| CN111081354B (zh) | 用于通过深度学习网络对医疗图像进行去噪的系统和方法 | |
| US7929746B2 (en) | System and method for processing imaging data | |
| Li et al. | Universal HMT based super resolution for remote sensing images | |
| CN105761216B (zh) | 一种图像去噪处理方法及装置 | |
| CN111553858B (zh) | 基于生成对抗网络的图像修复方法、系统及其应用 | |
| CN110060315B (zh) | 一种基于人工智能的图像运动伪影消除方法及系统 | |
| Ponomaryov | Real-time 2D–3D filtering using order statistics based algorithms | |
| Hjouj et al. | Computed tomography reconstruction using only one projection angle | |
| JP2021065707A (ja) | 医用画像処理装置、学習済みモデルおよび医用画像処理方法 | |
| Wang et al. | Fast convergence strategy for multi-image superresolution via adaptive line search | |
| Bose et al. | A second‐generation wavelet framework for super‐resolution with noise filtering | |
| Yang et al. | Iterative excitation with noise rejection techniques for X-ray computed tomography of hollow turbine blades | |
| Stolojescu-Crisan et al. | Denoising and inpainting SONAR images | |
| Shin et al. | Image denoiser using convolutional neural network with deconvolution and modified residual network | |
| Dapp et al. | 3D refraction-corrected transmission reconstruction for 3D ultrasound computer tomography | |
| Ruikar et al. | Image Denoising using Tri Nonlinear and Nearest Neighbour Interpolation with Wavelet Transform | |
| Nawaz et al. | Variational regularization for multi-channel image denoising | |
| KR102225043B1 (ko) | 3차원 산업용 컴퓨터 단층 영상 기법에서 금속으로 인한 인공음영 제거 방법 및 장치 | |
| Bosch et al. | Multiscale and multidirectional tight frames for image analysis | |
| Sangeetha et al. | Performance analysis of exemplar based image inpainting algorithms for natural scene image completion | |
| Valat et al. | Sinogram Enhancement with Generative Adversarial Networks using Shape Priors | |
| Ngocho et al. | Single image super resolution with improved wavelet interpolation and iterative back-projection | |
| Bellens | Deep learning based sinogram interpolation applied to X-ray CT measurements of polymer additive manufacturing parts |
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 |