CN114638907B - 基于深度学习的骨硬化伪影校正方法及装置 - Google Patents
基于深度学习的骨硬化伪影校正方法及装置 Download PDFInfo
- Publication number
- CN114638907B CN114638907B CN202210167718.4A CN202210167718A CN114638907B CN 114638907 B CN114638907 B CN 114638907B CN 202210167718 A CN202210167718 A CN 202210167718A CN 114638907 B CN114638907 B CN 114638907B
- Authority
- CN
- China
- Prior art keywords
- image
- bone
- standard
- energy
- neural network
- 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
- 210000000988 bone and bone Anatomy 0.000 title claims abstract description 191
- 238000012937 correction Methods 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title claims abstract description 41
- 208000034189 Sclerosis Diseases 0.000 title claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 238000001228 spectrum Methods 0.000 claims abstract description 34
- 210000004872 soft tissue Anatomy 0.000 claims abstract description 18
- 239000000126 substance Substances 0.000 claims abstract description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 22
- 238000010521 absorption reaction Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 10
- 239000000463 material Substances 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 11
- 230000037182 bone density Effects 0.000 abstract description 8
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- LFQSCWFLJHTTHZ-UHFFFAOYSA-N Ethanol Chemical compound CCO LFQSCWFLJHTTHZ-UHFFFAOYSA-N 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002083 X-ray spectrum Methods 0.000 description 1
- 210000001015 abdomen Anatomy 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 210000003128 head Anatomy 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000003739 neck Anatomy 0.000 description 1
- 210000001331 nose Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000003800 pharynx Anatomy 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- 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
- G06T2207/30008—Bone
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种基于深度学习的骨硬化伪影校正方法及装置，通过构建标准图像，所述标准图像是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的图像样本集；通过能谱正投影将所述标准图像转化为模拟图像；基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络；将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像。本发明能够利用深度学习网络自动学习不同骨头比例以及不同骨头密度所产生不同骨硬化伪影之间的关系，减少人为调整参数造成的不稳定性；并且其算法实现比较简单。
Description
技术领域
本申请涉及医学影像处理领域，具体而言，涉及一种基于深度学习的骨硬化伪影校正方法、装置、计算机设备和存储介质。
背景技术
CT是一种医院用于疾病检查的计算机断层成像系统，它的成像原理是基于投影测量结果是线性衰减系数的Radon变换的假设，但是实际的投影过程只是近似的理想过程，因为，实际上同一种物质对不同能量的光子的衰减系数不同，而X射线束的能谱是多色的，在射线穿过物体的过程中，低能的光子通常容易被吸收算计的快，高能的光子衰减的慢，因此在射线穿过物体过程中射线的能谱发生变化，射线的平均能量升高，射线随着穿过的路径变长，越来越不易吸收，出现了射线束硬化现象。由于X射线的硬化现象，从不同方向通过不同路径到达物体内部某点的X射线光谱不一样，所以衰减系数也不同，由于这些不同,导致重建的图像上出现伪影，这种伪影称为射线束硬化伪影。特别是对于被患者扫描部位骨头多的情况，伪影更加严重，由于扫描骨头引起的伪影通常称为骨硬化伪影。因此，在扫描骨头多的部位时需要两步校正，第一步，进行均匀组织的硬化束伪影校正，通常称为水硬化校正；第二步进行骨头引起的硬化束伪影校正，称为骨硬化伪影校正。
对于骨硬化伪影校正通常是采用多项式拟合的方式进行校正，一方面，多项式系数确定是手动调整的经验参数，该参数的确定往往是根据有限的实验数据得出的实验结果，由于不同患者的骨头密度差异较大，因此，造成校正结果很不稳定；另外，多项式拟合算法需要正投影和反投影算法配合才能完成，算法比较复杂。
为解决上述现有技术中所存在的由于手动调整参数，以及不同患者的骨头密度差异较大造成校正结果极不稳定，并且其校正所使用算法较为复杂的问题。本申请提出了一种基于深度学习图像域的骨硬化校正方法及装置，能够通过模拟产生不同骨头密度和骨头厚度的大量图像，构建深度学习网络，自动学习生成最优的模型参数，达到稳定的硬化伪影消除效果；另一方面，本申请在图像域就可以实现骨硬化伪影的校正，算法实现比较简单。
发明内容
本发明实施例提供一种基于深度学习的骨硬化伪影校正方法、装置、计算机设备和存储介质，用以解决现有技术中所存在的由于手动调整参数，以及不同患者的骨头密度差异较大造成校正结果极不稳定，并且其校正所使用算法较为复杂的问题。
为了实现上述目的，本发明实施例的第一方面，提供一种基于深度学习的骨硬化伪影校正方法，包括：
构建标准图像，所述标准图像为不含骨硬化伪影的图像，是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的图像样本集；
通过能谱正投影将所述标准图像转化为模拟图像，所述模拟图像为含有骨硬化伪影的图像；
基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络；
将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像。
可选地，在第一方面的一种可能实现方式中，所述通过能谱正投影将所述标准图像转化成模拟图像，包括：
基于标准图像中像素点骨图像的CT值，计算像素点骨图像对应的骨头衰减系数，通过如下公式计算骨头衰减系数；
其中，μ(j)代表标准图像中第j个像素点骨图像对应的衰减系数，I0(j)代表标准图像中第j个像素点骨图像对应的CT值，μwater_E代表水在等效能量下的吸收系数。
可选地，在第一方面的一种可能实现方式中，所述通过能谱正投影将所述标准图像转化成模拟图像，包括：
根据所述像素点骨图像对应的骨头衰减系数，计算射线穿过标准骨头的等效长度，通过如下公式计算射线穿过标准骨头的等效长度；
其中，Ib代表射线穿过标准骨头的等效长度，M为射线穿过标准图像的骨头像素点总数，μ(j)代表标准图像中第j个像素点骨图像对应的衰减系数，μwater_E为水在等效能量下的吸收系数，μbone_E为参考标准骨在等效能量下的吸收系数，Psize为标准图像的像素点大小。
可选地，在第一方面的一种可能实现方式中，所述通过能谱正投影将所述标准图像转化成模拟图像，包括：
基于射线穿过标准骨头的等效长度，通过能谱正投影得到模拟图像，能谱正投影计算公式如下；
其中，P代表能谱正投影结果；N代表能谱正投影时共分的能量点数；S(i)代表第i个能量值对应的光子数与探测器对该能量的响应系数的乘积；μf(i)代表第i个能量值对应的滤过材料的衰减系数；Lf代表射线穿过滤过材料的路径长度；μb(i)代表第i个能量值对应的参考标准骨头衰减系数；M代表射线穿过标准图像的骨头像素点总数；I0(j)代表标准图像中第j个骨图像像素点对应的CT值；μwater_E代表水在等效能量下的吸收系数；μbone_E代表参考标准骨在等效能量下的吸收系数；Psize代表标准图像的像素点大小；μs(i)代表第i个能量值对应的参考软组织的衰减系数；K代表射线穿过标准图像软组织像素点的总数。
可选地，在第一方面的一种可能实现方式中，所述根据所述标准图像和模拟图像，构建深度学习神经网络，包括：
将投影结果通过水硬化校正处理后，重建得到模拟图像；
基于阈值分割处理，从模拟图像中提取得到骨图像，作为神经网络的输入；
将标准图像减去模拟图像得到差值图像，作为神经网络的输出结果。
可选地，在第一方面的一种可能实现方式中，所述根据所述标准图像和模拟图像，构建深度学习神经网络，还包括：
所述神经网络包含多个独立的图像生成器和鉴别器，每个生成器和鉴别器都包含输入层、卷积层、激活层和BN层，以及输出层，若干个跨层链接；
同时对多个生成器和鉴别器进行对抗网络训练；
在使用多个生成器和鉴别器的情况下，在每次迭代中，随机连接一个生成器和一个鉴别器，随机选定的生成器的输出图像作为选定的鉴别器的输出图像，直到网络训练结束。
本发明实施例的第二方面，提供一种基于深度学习的骨硬化伪影校正装置，包括：
标准图像构建模块，用于构建标准图像，所述标准图像为不含骨硬化伪影的图像，是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的图像样本集；
模拟图像转化模块，用于通过能谱正投影将所述标准图像转化为模拟图像，所述模拟图像为含有骨硬化伪影的图像；
神经网络构建模块，用于基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络；
骨硬化伪影消除模块，用于将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像。
可选地，在第二方面的一种可能实现方式中，其特征在于，所述神经网络构建模块，包括：
水硬化校正模块，用于将投影结果通过水硬化校正处理后，重建得到模拟图像；
阈值分割模块，用于基于阈值分割处理，从模拟图像中提取得到骨图像，作为神经网络的输入；
差值图像生成模块，用于将标准图像减去模拟图像得到差值图像，作为神经网络的输出结果。
本发明实施例的第三方面，提供一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。
本发明实施例的第四方面，提供一种可读存储介质，所述可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用于实现本发明第一方面及第一方面各种可能设计的所述方法的步骤。
本发明提供的基于深度学习的骨硬化伪影校正方法、装置、计算机设备和存储介质，通过构建标准图像，所述标准图像为不含骨硬化伪影的图像，是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的图像样本集；通过能谱正投影将所述标准图像转化为模拟图像，所述模拟图像为含有骨硬化伪影的图像；基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络；将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像。本发明能够通过模拟产生不同骨头密度和骨头厚度的大量图像，构建深度学习网络，自动学习生成最优的模型参数，达到稳定的硬化伪影消除效果；另一方面，本申请在图像域就可以实现骨硬化伪影的校正，算法实现比较简单。
附图说明
图1为基于深度学习的骨硬化伪影校正方法的第一种实施方式的流程图；
图2为图像生成器和鉴别器的示意图；
图3为消除骨硬化伪影的实施过程的示意图；
图4为基于深度学习的骨硬化伪影校正装置的第一种实施方式的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B
相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明提供一种基于深度学习的骨硬化伪影校正方法，如图1所示其流程图，包括：
步骤S110、构建标准图像。
在本步骤中，所述标准图像为不含骨硬化伪影的图像，在后续训练深度学习神经网络时，需要将所有的标准图像构成标准图像集作为神经网络的训练与测试样本集；所述标准图像集是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的大量标准图像样本，这些标准图像样本模拟了人体所有的常见扫描部位，例如头部、眼部、耳、鼻、咽喉、颈部、胸部、腹部、盆腔；标准图像集的生成可以参考人体的解剖结构和不同能量下的CT扫描图像。
步骤S120、通过能谱正投影将所述标准图像转化为模拟图像，所述模拟图像为含有骨硬化伪影的图像。
在步骤S120中；
首先，基于标准图像中像素点骨图像的CT值，计算像素点骨图像对应的骨头衰减系数，通过如下公式计算骨头衰减系数；
其中，μ(j)代表标准图像中第j个像素点的骨图像对应的衰减系数，I0(j)代表标准图像中第j个像素点的骨图像对应的CT值，μwater_E代表水在等效能量下的吸收系数；
其次，根据所述像素点骨图像对应的骨头衰减系数，计算射线穿过标准骨头的等效长度，通过如下公式计算射线穿过标准骨头的等效长度；
其中，Lb代表射线穿过标准骨头的等效长度，M为射线穿过标准图像的骨头像素点总数，μ(j)代表标准图像中第j个像素点骨图像对应的衰减系数，μwater_E为水在等效能量下的吸收系数，μbone_E为参考标准骨在等效能量下的吸收系数，Psize为标准图像的像素点大小；
再次，基于射线穿过标准骨头的等效长度，通过能谱正投影得到模拟实际扫描的投影结果，所述能谱正投影计算公式如下；
其中，P代表能谱正投影结果；N代表能谱正投影时共分的能量点数；S(i)代表第i个能量值对应的光子数与探测器对该能量的响应系数的乘积；μf(i)代表第i个能量值对应的滤过材料的衰减系数；Lf代表射线穿过滤过材料的路径长度；μb(i)代表第i个能量值对应的参考标准骨头衰减系数；M代表射线穿过标准图像的骨头像素点总数；I0(j)代表标准图像中第j个骨图像像素点对应的CT值；μwater_E代表水在等效能量下的吸收系数；μbone_E代表参考标准骨在等效能量下的吸收系数；Psize代表标准图像的像素点大小；μs(i)代表第i个能量值对应的参考软组织的衰减系数；K代表射线穿过标准图像软组织像素点的总数。
步骤S130、基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络。
在该步骤中，所构建的深度学习神经网络主要包含若干个独立的图像生成器和鉴别器，具体如图2所示，每个生成器都包括输入层、若干个卷积层、激活层和BN层，若干个跨层链接，以及输出层；每个辨别器也包含相应的输入层、若干个卷积层、激活层和BN层，若干个跨层链接和输出层。根据实际需要可以对生成器和鉴别器的数量和结构做细节上的调整。这里生成器和鉴别器都可以采用任意的网络结构，最简单的情况就是只用一个CNN网络做生成器，不适用鉴别器，这就是最常见的CNN网络。
在对神经网络进行构建的过程中，会先将通过能谱正投影得到模拟实际扫描的投影结果进行水硬化校正处理，后将校正处理后的结果进行重建得到模拟实际扫描得到的模拟图像；然后基于阈值分割处理，从模拟图像中提取到骨图像，作为基于深度学习的神经网络的输入；最后将标准图像(不包含骨硬化伪影的骨图像)减去模拟图像(包含骨硬化伪影的骨图像)得到差值图像(骨硬化伪影图像)，作为神经网络的输出结果。与此同时，对多个生成器和鉴别器进行对抗网络训练，在使用多个生成器和鉴别器的情况下，在每次迭代中，随机连接一个生成器和一个鉴别器，随机选定的生成器的输出图像作为选定的鉴别器的输出图像，直到网络训练结束。
步骤S140、将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像。
在步骤S140中，具体消除骨硬化伪影的实施过程中如图3所示，会先将含骨硬化伪影的待校正图像(即输入图像I0)通过阈值分割的方式得到骨图像I2；然后将该骨图像输入训练好的神经网络中的生成器得到差值图像(即输入图像I4)，即骨硬化伪影图像；最后将差值图像(骨硬化伪影图像)I4与含骨硬化伪影的待校正图像I0进行相加得到消除骨硬化伪影后的目标图像I5。
本发明提供的基于深度学习的骨硬化伪影校正方法，通过构建标准图像，所述标准图像为不含骨硬化伪影的图像，是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的图像样本集；通过能谱正投影将所述标准图像转化为模拟图像，所述模拟图像为含有骨硬化伪影的图像；基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络；将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像。本发明能够利用深度学习网络自动学习不同骨头比例以及不同骨头密度所产生不同骨硬化伪影之间的关系，减少人为调整参数造成的不稳定性；另一方面，本申请在图像域就可以实现骨硬化伪影的校正，算法实现比较简单。
本发明的实施例还提供一种基于深度学习的骨硬化伪影校正装置，如图4所示，包括：
标准图像构建模块，用于构建标准图像，所述标准图像为不含骨硬化伪影的图像，是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的图像样本集；
模拟图像转化模块，用于通过能谱正投影将所述标准图像转化为模拟图像，所述模拟图像为含有骨硬化伪影的图像；
神经网络构建模块，用于基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络；
骨硬化伪影消除模块，用于将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像。
在一个实施例中，所述神经网络构建模块，包括：
水硬化校正模块，用于将投影结果通过水硬化校正处理后，重建得到模拟图像；
阈值分割模块，用于基于阈值分割处理，从模拟图像中提取得到骨图像，作为神经网络的输入；
差值图像生成模块，用于将标准图像减去模拟图像得到差值图像，作为神经网络的输出结果。
本发明提供的基于深度学习的骨硬化伪影校正装置，通过构建标准图像，所述标准图像为不含骨硬化伪影的图像，是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的图像样本集；通过能谱正投影将所述标准图像转化为模拟图像，所述模拟图像为含有骨硬化伪影的图像；基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络；将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像。本发明能够利用深度学习网络自动学习不同骨头比例以及不同骨头密度所产生不同骨硬化伪影之间的关系，减少人为调整参数造成的不稳定性；另一方面，本申请在图像域就可以实现骨硬化伪影的校正，算法实现比较简单。
其中，可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，可读存储介质耦合至处理器，从而使处理器能够从该可读存储介质读取信息，且可向该可读存储介质写入信息。当然，可读存储介质也可以是处理器的组成部分。处理器和可读存储介质可以位于专用集成电路(ApplicationSpecific Integrated Circuits，ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和可读存储介质也可以作为分立组件存在于通信设备中。可读存储介质可以是只读存储器(ROM)、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本发明还提供一种程序产品，该程序产品包括执行指令，该执行指令存储在可读存储介质中。设备的至少一个处理器可以从可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
在上述终端或者服务器的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。
Claims (7)
1.一种基于深度学习的骨硬化伪影校正方法，其特征在于，包括：
构建标准图像，所述标准图像为不含骨硬化伪影的图像，是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的图像样本集；
通过能谱正投影将所述标准图像转化为模拟图像，所述模拟图像为含有骨硬化伪影的图像；
基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络；
将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像；
所述通过能谱正投影将所述标准图像转化成模拟图像，包括：
基于标准图像中像素点骨图像的CT值，计算像素点骨图像对应的骨头衰减系数，通过如下公式计算骨头衰减系数；
其中，μ(j)代表标准图像中第j个像素点骨图像对应的衰减系数，I0(j)代表标准图像中第j个像素点骨图像对应的CT值，μwater_E代表水在等效能量下的吸收系数；
根据所述像素点骨图像对应的骨头衰减系数，计算射线穿过标准骨头的等效长度，通过如下公式计算射线穿过标准骨头的等效长度；
其中，Lb代表射线穿过标准骨头的等效长度，M为射线穿过标准图像的骨头像素点总数，μ(j)代表标准图像中第j个像素点骨图像对应的衰减系数，μwater_E为水在等效能量下的吸收系数，μbone_E为参考标准骨在等效能量下的吸收系数，Psize为标准图像的像素点大小；
基于射线穿过标准骨头的等效长度，通过能谱正投影得到模拟图像，能谱正投影计算公式如下；
其中，P代表能谱正投影结果；N代表能谱正投影时共分的能量点数；S(i)代表第i个能量值对应的光子数与探测器对该能量的响应系数的乘积；μf(i)代表第i个能量值对应的滤过材料的衰减系数；Lf代表射线穿过滤过材料的路径长度；μb(i)代表第i个能量值对应的参考标准骨头衰减系数；M代表射线穿过标准图像的骨头像素点总数；I0(j)代表标准图像中第j个骨图像像素点对应的CT值；μwater_E代表水在等效能量下的吸收系数；μbone_E代表参考标准骨在等效能量下的吸收系数；Psize代表标准图像的像素点大小；μs(i)代表第i个能量值对应的参考软组织的衰减系数；K代表射线穿过标准图像软组织像素点的总数。
2.根据权利要求1所述的基于深度学习的骨硬化伪影校正方法，其特征在于，所述根据所述标准图像和模拟图像，构建深度学习神经网络，包括：
将投影结果通过水硬化校正处理后，重建得到模拟图像；
基于阈值分割处理，从模拟图像中提取得到骨图像，作为神经网络的输入；
将标准图像减去模拟图像得到差值图像，作为神经网络的输出结果。
3.根据权利要求2所述的基于深度学习的骨硬化伪影校正方法，其特征在于，所述根据所述标准图像和模拟图像，构建深度学习神经网络，还包括：
所述神经网络包含多个独立的图像生成器和鉴别器，每个生成器和鉴别器都包含输入层、卷积层、激活层和BN层，以及输出层，若干个跨层链接；
同时对多个生成器和鉴别器进行对抗网络训练；
在使用多个生成器和鉴别器的情况下，在每次迭代中，随机连接一个生成器和一个鉴别器，随机选定的生成器的输出图像作为选定的鉴别器的输出图像，直到网络训练结束。
4.一种基于深度学习的骨硬化伪影校正装置，其特征在于，包括：
标准图像构建模块，用于构建标准图像，所述标准图像为不含骨硬化伪影的图像，是由骨头、软组织和空气三组物质构建的骨头大小、比例、密度不同的图像样本集；
模拟图像转化模块，用于通过能谱正投影将所述标准图像转化为模拟图像，所述模拟图像为含有骨硬化伪影的图像；
神经网络构建模块，用于基于所述标准图像和模拟图像的差值图像，构建深度学习神经网络；
骨硬化伪影消除模块，用于将目标图像输入训练后的神经网络中，将神经网络的输出结果与所述目标图像相加得到消除骨硬化伪影后的目标图像；
所述通过能谱正投影将所述标准图像转化成模拟图像，包括：
基于标准图像中像素点骨图像的CT值，计算像素点骨图像对应的骨头衰减系数，通过如下公式计算骨头衰减系数；
其中，μ(j)代表标准图像中第j个像素点骨图像对应的衰减系数，I0(j)代表标准图像中第j个像素点骨图像对应的CT值，μwater_E代表水在等效能量下的吸收系数；
根据所述像素点骨图像对应的骨头衰减系数，计算射线穿过标准骨头的等效长度，通过如下公式计算射线穿过标准骨头的等效长度；
其中，Lb代表射线穿过标准骨头的等效长度，M为射线穿过标准图像的骨头像素点总数，μ(j)代表标准图像中第j个像素点骨图像对应的衰减系数，μwater_E为水在等效能量下的吸收系数，μbone_E为参考标准骨在等效能量下的吸收系数，Psize为标准图像的像素点大小；
基于射线穿过标准骨头的等效长度，通过能谱正投影得到模拟图像，能谱正投影计算公式如下；
其中，P代表能谱正投影结果；N代表能谱正投影时共分的能量点数；S(i)代表第i个能量值对应的光子数与探测器对该能量的响应系数的乘积；μf(i)代表第i个能量值对应的滤过材料的衰减系数；Lf代表射线穿过滤过材料的路径长度；μb(i)代表第i个能量值对应的参考标准骨头衰减系数；M代表射线穿过标准图像的骨头像素点总数；I0(j)代表标准图像中第j个骨图像像素点对应的CT值；μwater_E代表水在等效能量下的吸收系数；μbone_E代表参考标准骨在等效能量下的吸收系数；Psize代表标准图像的像素点大小；μs(i)代表第i个能量值对应的参考软组织的衰减系数；K代表射线穿过标准图像软组织像素点的总数。
5.根据权利要求4所述的基于深度学习的骨硬化伪影校正装置，其特征在于，所述神经网络构建模块，包括：
水硬化校正模块，用于将投影结果通过水硬化校正处理后，重建得到模拟图像；
阈值分割模块，用于基于阈值分割处理，从模拟图像中提取得到骨图像，作为神经网络的输入；
差值图像生成模块，用于将标准图像减去模拟图像得到差值图像，作为神经网络的输出结果。
6.一种计算机设备，包括存储器和处理器，所述存储器存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至3任意一项所述的方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至3任意一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210167718.4A CN114638907B (zh) | 2022-02-23 | 2022-02-23 | 基于深度学习的骨硬化伪影校正方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210167718.4A CN114638907B (zh) | 2022-02-23 | 2022-02-23 | 基于深度学习的骨硬化伪影校正方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114638907A CN114638907A (zh) | 2022-06-17 |
| CN114638907B true CN114638907B (zh) | 2023-04-14 |
Family
ID=81946819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210167718.4A Active CN114638907B (zh) | 2022-02-23 | 2022-02-23 | 基于深度学习的骨硬化伪影校正方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114638907B (zh) |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6293713B2 (ja) * | 2015-08-27 | 2018-03-14 | ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー | 画像処理装置、放射線断層撮影装置並びにプログラム |
| WO2017128892A1 (zh) * | 2016-01-30 | 2017-08-03 | 上海联影医疗科技有限公司 | 计算机断层成像伪影校正方法及系统 |
| CN107330949B (zh) * | 2017-06-28 | 2020-11-03 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
| 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 |
| US10945695B2 (en) * | 2018-12-21 | 2021-03-16 | Canon Medical Systems Corporation | Apparatus and method for dual-energy computed tomography (CT) image reconstruction using sparse kVp-switching and deep learning |
| 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 |
| CN110811660B (zh) * | 2019-10-25 | 2023-05-12 | 赛诺威盛科技(北京)股份有限公司 | 一种校正ct射线束硬化伪影的方法 |
| CN111260748B (zh) * | 2020-02-14 | 2023-07-28 | 南京安科医疗科技有限公司 | 基于神经网络的数字合成x射线层析成像方法 |
| US20220035961A1 (en) * | 2020-08-03 | 2022-02-03 | Ut-Battelle, Llc | System and method for artifact reduction of computed tomography reconstruction leveraging artificial intelligence and a priori known model for the object of interest |
| CN112734877B (zh) * | 2021-01-13 | 2023-04-07 | 上海联影医疗科技股份有限公司 | 一种校正伪影的方法和系统 |
-
2022
- 2022-02-23 CN CN202210167718.4A patent/CN114638907B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN114638907A (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Metal artifact reduction on cervical CT images by deep residual learning | |
| US6661869B2 (en) | Image reconstruction using multiple X-ray projections | |
| CN112348936B (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
| CN108898642A (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
| US20130051516A1 (en) | Noise suppression for low x-ray dose cone-beam image reconstruction | |
| JP5590548B2 (ja) | Ｘ線ｃｔ画像処理方法，ｘ線ｃｔプログラムおよび該プログラムが搭載されたｘ線ｃｔ装置 | |
| CN109785243A (zh) | 基于对抗生成网络未配准低剂量ct的去噪方法、计算机 | |
| CN111915696A (zh) | 三维图像数据辅助的低剂量扫描数据重建方法及电子介质 | |
| Peng et al. | A cross-domain metal trace restoring network for reducing X-ray CT metal artifacts | |
| CN109215014A (zh) | Ct图像预测模型的训练方法、装置、设备及存储介质 | |
| US20190175132A1 (en) | Variance reduction for monte carlo-based scatter estimation | |
| WO2020118830A1 (zh) | 字典训练及图像超分辨重建方法、系统、设备及存储介质 | |
| CN109685871B (zh) | 图像重建方法、计算机设备及计算机可读存储介质 | |
| CN113706643A (zh) | 一种基于同形适应学习的头部ct金属伪影校正方法 | |
| Ketola et al. | Deep learning-based sinogram extension method for interior computed tomography | |
| Chan et al. | An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction | |
| Shi et al. | A Virtual Monochromatic Imaging Method for Spectral CT Based on Wasserstein Generative Adversarial Network With a Hybrid Loss. | |
| CN114358285A (zh) | 一种基于流模型的pet系统衰减校正方法 | |
| Moghari et al. | Estimation of full-dose 4D CT perfusion images from low-dose images using conditional generative adversarial networks | |
| CN114638907B (zh) | 基于深度学习的骨硬化伪影校正方法及装置 | |
| Liang et al. | A model-based unsupervised deep learning method for low-dose CT reconstruction | |
| US10552992B2 (en) | Poly-energetic reconstruction method for metal artifacts reduction | |
| CN113168721A (zh) | 用于重建对象的图像的系统 | |
| CN116685999A (zh) | 用于使用理清的特征表示领域对图像进行灵活去噪的方法和系统 | |
| KR102248191B1 (ko) | 콘빔 컴퓨터 단층촬영 영상에서 콘빔아티팩트를 보정하는 방법 및 장치, 그것을 포함하는 콘빔 컴퓨터 단층촬영 장치 |
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 |