CN115100308A - 用于去除ct伪影的神经网络训练方法及系统 - Google Patents

用于去除ct伪影的神经网络训练方法及系统 Download PDF

Info

Publication number
CN115100308A
CN115100308A CN202210690180.5A CN202210690180A CN115100308A CN 115100308 A CN115100308 A CN 115100308A CN 202210690180 A CN202210690180 A CN 202210690180A CN 115100308 A CN115100308 A CN 115100308A
Authority
CN
China
Prior art keywords
layer image
image img
thin
proj
projection data
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.)
Granted
Application number
CN202210690180.5A
Other languages
English (en)
Other versions
CN115100308B (zh
Inventor
陈婷
陈伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Minfound Medical Systems Co Ltd
Original Assignee
Minfound Medical Systems Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Minfound Medical Systems Co Ltd filed Critical Minfound Medical Systems Co Ltd
Priority to CN202210690180.5A priority Critical patent/CN115100308B/zh
Publication of CN115100308A publication Critical patent/CN115100308A/zh
Application granted granted Critical
Publication of CN115100308B publication Critical patent/CN115100308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A61B6/032—Transmission computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Computational Linguistics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Artificial Intelligence (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pulmonology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种用于去除CT伪影的神经网络训练方法及系统，神经网络训练方法包括以下步骤：获取CT设备的探测器模块于Z轴方向的扫描数据，对扫描数据预处理后形成第一投影数据Proj1，并基于滤波反投影将第一投影数据Proj1重建为薄层图像Img；合成薄层图像Img为第一厚层图像Img1；合成第一投影数据Proj1为第二投影数据Proj2；基于滤波反投影将第二投影数据Proj2重建为第二厚层图像Img2；以第二厚层图像Img2作为神经网络的输入，第一厚层图像Img1作为神经网络的输出对神经网络进行训练。采用上述技术方案后，利用已有设备的数据模拟欠采样的情况，从而为去除伪影的神经网络提供训练数据对。

Description

用于去除CT伪影的神经网络训练方法及系统
技术领域
本发明涉及医学影像处理领域，尤其涉及一种用于去除CT伪影的神经网络训练方法及系统。
背景技术
在CT螺旋扫描过程中，探测器每排的像素对应的层厚不同会造成Z轴方向不同程度的欠采样。由于Z向的欠采样，沿被扫描物体在Z向明显变化的边缘就会产生风车伪影，表现为放射状，亮暗相间。
在硬件方面，为了减少风车伪影可以采取较小的像素增加Z向采样，但这样会带来成本的增加。目前市场上存在大量的层厚较厚的CT机型，如何减少这些机型上风车伪影成为一个问题。另外一种方法可以通过Z向飞焦点技术得到改善，通过交替切换焦点在Z方向的位置，增加采样率来减少风车伪影。但市场上已经存在的层厚较厚的CT机型由于历史原因和成本考虑不可能使用Z向飞焦点技术的球管。
在软件处理方面，一般通过Z向自适应低通滤波，或者低通滤波与其他技术相结合的方法，以保持图像的边缘和噪声，但这些技术都会对Z向分辨率造成一定的损失，并且人工修正滤波器参数和条件带来了很大的工作量。
近年来神经网络在图像处理中得到了广泛应用。神经网络的学习分为有监督的学习和无监督的学习，对医学图像的处理一般采用有监督的学习，但有监督的学习经常面临的问题就是不易获得可用且高质的数据对。一种去除风车伪影的想法是采用有监督学习，采集到同一患者有风车伪影的图像和无风车伪影的图像，利用此图像对进行神经网络的学习后应用此神经网络在图像重建过程中以去除风车伪影。
因此，需要一种新型的获取上述具有对比性的图像的方法，并输入至神经网络内对神经网络进行训练和学习。
发明内容
为了克服上述技术缺陷，本发明的目的在于提供一种用于去除CT伪影的神经网络训练方法及系统，利用已有设备的数据模拟欠采样的情况，从而为去除伪影的神经网络提供训练数据对。
本发明公开了一种用于去除CT伪影的神经网络训练方法，包括以下步骤：
获取CT设备的探测器模块于Z轴方向的扫描数据，对扫描数据预处理后形成第一投影数据Proj1，并基于滤波反投影将第一投影数据Proj1重建为薄层图像Img，其中扫描数据采集于Z轴方向内小于一宽度阈值的探测器模块，且薄层图像Img内不具有风车伪影；
合成薄层图像Img为第一厚层图像Img1；
合成第一投影数据Proj1为第二投影数据Proj2；
基于滤波反投影将第二投影数据Proj2重建为第二厚层图像Img2，其中第二厚层图像Img2内具有风车伪影；
以第二厚层图像Img2作为神经网络的输入，第一厚层图像Img1作为神经网络的输出对神经网络进行训练。
优选地，获取CT设备的探测器模块于Z轴方向的扫描数据，对扫描数据预处理后形成第一投影数据Proj1，并基于滤波反投影将第一投影数据Proj1重建为薄层图像Img，其中扫描数据采集于Z轴方向内小于一宽度阈值的探测器模块，且薄层图像Img内不具有风车伪影的步骤中，
宽度阈值为0.625mm；
预处理包括对扫描数据去除探测器偏移量、射束硬化；
合成薄层图像Img为第一厚层图像Img1的步骤包括：
基于以下算法合成薄层图像Img：
Figure BDA0003699177240000021
其中i＝1,2…N，j＝1,2,…N，分别表示每一薄层图像Img内的像素的行坐标和列坐标，N薄层图像Img的图像宽度，k＝1,2,…M为每一薄层图像Img的顺序编号，M为薄层图像Img的图像张数，W为滤波参数。
优选地，合成第一投影数据Proj1为第二投影数据Proj2的步骤包括：
基于以下算法合成第一投影数据Proj1：
Figure BDA0003699177240000022
其中，ch、row分别为第一投影数据Proj1在各角度投影内的通道方向坐标和排方向坐标，view为第一投影数据Proj1的投影角度编号。
优选地，当第一厚层图像Img1的探测器模块宽度为薄层图像Img的探测器模块宽度的2倍时，W取2，则
Figure BDA0003699177240000031
Figure BDA0003699177240000032
或，
当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍时，则
Figure BDA0003699177240000033
Figure BDA0003699177240000034
或，
当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍，且薄层图像Img的探测器模块的排数为P，而第一厚层图像Img1的探测器模块的排数为Q时，对第一投影数据Proj1傅里叶变换以得到P排第一投影数据Proj1；
对位于P排第一投影数据Proj1中最外部的两边各(P-Q)/2排数据作截取，并对截取后数据作反傅里叶变换后得到第二投影数据Proj2。
优选地，合成薄层图像Img为第一厚层图像Img1的步骤包括：
当薄层图像Img的张数为M时，对每一沿着层厚方向快速傅里叶变换，并取每一经快速傅里叶变换后的薄层图像Img位于中间
Figure BDA0003699177240000035
部分的数据沿着层厚方向反傅里叶变换以得到第一厚层图像Img1。
本发明还公开了一种用于去除CT伪影的神经网络训练系统，包括：
重建模块，获取CT设备的探测器模块于Z轴方向的扫描数据，对扫描数据预处理后形成第一投影数据Proj1，并基于滤波反投影将第一投影数据Proj1重建为薄层图像Img，其中扫描数据采集于Z轴方向内小于一宽度阈值的探测器模块，且薄层图像Img内不具有风车伪影；
合成模块，合成薄层图像Img为第一厚层图像Img1，合成第一投影数据Proj1为第二投影数据Proj2；
重建模块基于滤波反投影将第二投影数据Proj2重建为第二厚层图像Img2，其中第二厚层图像Img2内具有风车伪影；
以第二厚层图像Img2作为神经网络的输入，第一厚层图像Img1作为神经网络的输出对神经网络进行训练。
优选地，宽度阈值为0.625mm；
预处理包括对扫描数据去除探测器偏移量、射束硬化；
合成模块基于以下算法合成薄层图像Img：
Figure BDA0003699177240000041
其中i＝1,2…N，j＝1,2,…N，分别表示每一薄层图像Img内的像素的行坐标和列坐标，N薄层图像Img的图像宽度，k＝1,2,…M为每一薄层图像Img的顺序编号，M为薄层图像Img的图像张数，W为滤波参数。
优选地，合成模块基于以下算法合成第一投影数据Proj1：
Figure BDA0003699177240000042
其中，ch、row分别为第一投影数据Proj1在各角度投影内的通道方向坐标和排方向坐标，view为第一投影数据Proj1的投影角度编号。
优选地，当第一厚层图像Img1的探测器模块宽度为薄层图像Img的探测器模块宽度的2倍时，W取2，则
Figure BDA0003699177240000043
Figure BDA0003699177240000044
或，
当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍时，则
Figure BDA0003699177240000045
Figure BDA0003699177240000046
或，
当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍，且薄层图像Img的探测器模块的排数为P，而第一厚层图像Img1的探测器模块的排数为Q时，重建模块对第一投影数据Proj1傅里叶变换以得到P排第一投影数据Proj1；
重建模块对位于P排第一投影数据Proj1中最外部的两边各(P-Q)/2排数据作截取，并对截取后数据作反傅里叶变换后得到第二投影数据Proj2。
优选地，当薄层图像Img的张数为M时，合成模块对每一薄层图像Img沿着层厚方向快速傅里叶变换，并取每一经快速傅里叶变换后的薄层图像Img位于中间
Figure BDA0003699177240000051
部分的数据沿着层厚方向反傅里叶变换以得到第一厚层图像Img1。
采用了上述技术方案后，与现有技术相比，具有以下有益效果：
利用已有小层厚的CT设备，可以很容易获取到大量数据，并且风车伪影的形成主要是由于Z向欠采样造成的而对CT设备的机型依赖不大，因此由小层厚机器上采集的数据进行处理得到大层厚的数据能够模拟实际欠采样的情况，进而更加真实地模拟欠采样导致的重建伪影。
附图说明
图1为符合本发明一优选实施例中神经网络训练方法的流程示意图；
图2a为符合本发明一优选实施例中具有风车伪影的图像示意图；
图2b为符合本发明一优选实施例中不具有风车伪影的图像示意图；
图3为符合本发明一优选实施例中线性滤波的滤波核示意图。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本公开范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，除非另有规定和限定，需要说明的是，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，“模块”与“部件”可以混合地使用。
参阅图1，为符合本发明一优选实施例中神经网络训练方法的流程示意图，在该实施例中，使用小层厚的CT设备扫描获取在Z向采样足够的投影数据后重建出第一类图像，利用小层厚的CT设备的扫描投影数据合成大层厚投影数据并重建出第二类图像。第二类图像作为神经网络的输入，第一类图像作为神经网络的输出进行训练，为校正风车伪影的神经网络的训练生成可用数据对。具体地，包括以下步骤：
S100：获取CT设备的探测器模块于Z轴方向的扫描数据，对扫描数据预处理后形成第一投影数据Proj1，并基于滤波反投影将第一投影数据Proj1重建为薄层图像Img，其中扫描数据采集于Z轴方向内小于一宽度阈值的探测器模块，且薄层图像Img内不具有风车伪影；
采集CT设备(小层厚型，例如每排探测器模块的宽度为0.625mm)的探测器模块在Z轴方向上的扫描数据，并利用滤波反投影技术重建为薄层图像Img。
S200：合成薄层图像Img为第一厚层图像Img1；
对薄层图像Im进行Z轴方向的线性或非线性插值，从而生成该第一厚层图像Img1，可以理解的是，由于薄层图像Img的扫描数据采集于Z轴方向内小于一宽度阈值的探测器模块，属于小层厚，因此，第一厚层图像Img1上无风车伪影或风车伪影得到极大的抑制(如图2b所示)
S300：合成第一投影数据Proj1为第二投影数据Proj2；
在探测器模块的排方向上对第一投影数据Proj1作线性或非线性插值合成，从而生成较厚的层厚对应的投影数据为第二投影数据Proj2。
需要注意的是，无论采用何种方式，步骤S200和步骤S300中所用的合成方法需完全一致。
S400：基于滤波反投影将第二投影数据Proj2重建为第二厚层图像Img2，其中第二厚层图像Img2内具有风车伪影；
利用滤波反投影技术，将第二投影数据Proj2重建为第二厚层图像Img2，由于用于模拟大层厚的数据，因此可进一步模拟实际大层厚的欠采样的情况，从而该第二厚层图像Img2内具有风车伪影(如图2a所示)。
S500：以第二厚层图像Img2作为神经网络的输入，第一厚层图像Img1作为神经网络的输出对神经网络进行训练，从而实现了为校正风车伪影的神经网络的训练生成可用数据对。
一优选实施例中，步骤S100中，宽度阈值为0.625mm(归于小层厚的标准)，预处理包括对扫描数据去除探测器偏移量、射束硬化(CT球管产生的x射线具有一定频谱宽度，由于连续能谱的x射线穿过人体后，低能量射线易被吸收，高能量射线较易穿过，在射线传播过程中，平均能量会变高，射线逐渐变硬，称之为射束硬化效应)等。步骤S200包括：
S210：基于以下算法合成薄层图像Img：
Figure BDA0003699177240000071
其中i＝1,2…N，j＝1,2,…N，分别表示每一薄层图像Img内的像素的行坐标和列坐标，N薄层图像Img的图像宽度，k＝1,2,…M为每一薄层图像Img的顺序编号，M为薄层图像Img的图像张数，W为对薄层图像Img作线性或非线性的滤波时的滤波参数。
进一步地，步骤S300包括：
S310：基于以下算法合成第一投影数据Proj1：
Figure BDA0003699177240000072
其中，ch、row分别为第一投影数据Proj1在各角度投影内的通道方向坐标和排方向坐标，view为第一投影数据Proj1的投影角度编号，W为对第一投影数据Proj1作线性或非线性的滤波时的滤波参数，可与上述W一致。
一优选实施例中，当第一厚层图像Img1的探测器模块宽度为薄层图像Img的探测器模块宽度的2倍时，W取2，例如第一投影数据Proj1在0.625mm的层厚的探测器模块上采集，则为了得到层厚如1.25mm的探测器模块的数据，W可以取为两个相邻排的平均滤波器，即
Figure BDA0003699177240000081
Figure BDA0003699177240000082
或，
当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍时，例如第一投影数据Proj1在0.625mm的层厚的探测器模块上采集，则为了得到层厚如1mm的探测器模块的数据，W可以取为相邻3排的加权平均值，则
Figure BDA0003699177240000083
Figure BDA0003699177240000084
或，
W也可根据sinc插值及采样得到(如图3所示)。当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍，且薄层图像Img的探测器模块的排数为P，而第一厚层图像Img1的探测器模块的排数为Q时，对第一投影数据Proj1傅里叶变换以得到P排第一投影数据Proj1，例如第一投影数据Proj1在0.625mm的层厚的16排探测器模块上采集，则为了得到层厚如1mm的10排探测器模块的数据，对位于P排第一投影数据Proj1中最外部的两边各(P-Q)/2(本实施例中为3)排数据作截取，并对截取后数据作反傅里叶变换后得到第二投影数据Proj2。
进一步地，而对合成所述薄层图像Img为第一厚层图像Img1时，当薄层图像Img的张数为M时，对每一沿着层厚方向快速傅里叶变换，并取每一经快速傅里叶变换后的薄层图像Img位于中间
Figure BDA0003699177240000085
(本实施例中为
Figure BDA0003699177240000086
)部分的数据沿着层厚方向反傅里叶变换以得到第一厚层图像Img1(该第一厚层图像Img1的所有层厚均为1mm)。
本发明还公开了一种用于去除CT伪影的神经网络训练系统，包括：重建模块，获取CT设备的探测器模块于Z轴方向的扫描数据，对扫描数据预处理后形成第一投影数据Proj1，并基于滤波反投影将第一投影数据Proj1重建为薄层图像Img，其中扫描数据采集于Z轴方向内小于一宽度阈值的探测器模块，且薄层图像Img内不具有风车伪影；合成模块，合成薄层图像Img为第一厚层图像Img1，合成第一投影数据Proj1为第二投影数据Proj2；重建模块基于滤波反投影将第二投影数据Proj2重建为第二厚层图像Img2，其中第二厚层图像Img2内具有风车伪影；以第二厚层图像Img2作为神经网络的输入，第一厚层图像Img1作为神经网络的输出对神经网络进行训练。
优选地，宽度阈值为0.625mm；预处理包括对扫描数据去除探测器偏移量、射束硬化；合成模块基于以下算法合成薄层图像Img：
Figure BDA0003699177240000091
其中i＝1,2…N，j＝1,2,…N，分别表示每一薄层图像Img内的像素的行坐标和列坐标，N薄层图像Img的图像宽度，k＝1,2,…M为每一薄层图像Img的顺序编号，M为薄层图像Img的图像张数，W为滤波参数。
优选地，合成模块基于以下算法合成第一投影数据Proj1：
Figure BDA0003699177240000092
Figure BDA0003699177240000093
其中，ch、row分别为第一投影数据Proj1在各角度投影内的通道方向坐标和排方向坐标，view为第一投影数据Proj1的投影角度编号。
优选地，当第一厚层图像Img1的探测器模块宽度为薄层图像Img的探测器模块宽度的2倍时，W取2，则
Figure BDA0003699177240000094
Figure BDA0003699177240000095
或，当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍时，则
Figure BDA0003699177240000096
Figure BDA0003699177240000097
或，当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍，且薄层图像Img的探测器模块的排数为P，而第一厚层图像Img1的探测器模块的排数为Q时，重建模块对第一投影数据Proj1傅里叶变换以得到P排第一投影数据Proj1；重建模块对位于P排第一投影数据Proj1中最外部的两边各(P-Q)/2排数据作截取，并对截取后数据作反傅里叶变换后得到第二投影数据Proj2。
优选地，当薄层图像Img的张数为M时，合成模块对每一薄层图像Img沿着层厚方向快速傅里叶变换，并取每一经快速傅里叶变换后的薄层图像Img位于中间
Figure BDA0003699177240000098
部分的数据沿着层厚方向反傅里叶变换以得到第一厚层图像Img1。
应当注意的是，本发明的实施例有较佳的实施性，且并非对本发明作任何形式的限制，任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效实施例，但凡未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种用于去除CT伪影的神经网络训练方法，其特征在于，包括以下步骤：
获取CT设备的扫描数据，对所述扫描数据预处理后形成第一投影数据Proj1，并基于滤波反投影将第一投影数据Proj1重建为薄层图像Img，其中所述扫描数据采集于Z轴方向内小于一宽度阈值的探测器模块，且所述薄层图像Img内不具有风车伪影；
合成所述薄层图像Img为第一厚层图像Img1；
合成所述第一投影数据Proj1为第二投影数据Proj2；
基于滤波反投影将第二投影数据Proj2重建为第二厚层图像Img2，其中所述第二厚层图像Img2内具有风车伪影；
以第二厚层图像Img2作为神经网络的输入，第一厚层图像Img1作为神经网络的输出对所述神经网络进行训练。
2.如权利要求1所述的神经网络训练方法，其特征在于，获取CT设备的探测器模块于Z轴方向的扫描数据，对所述扫描数据预处理后形成第一投影数据Proj1，并基于滤波反投影将第一投影数据Proj1重建为薄层图像Img，其中所述扫描数据采集于Z轴方向内小于一宽度阈值的探测器模块，且所述薄层图像Img内不具有风车伪影的步骤中，
所述宽度阈值为0.625mm；
所述预处理包括对所述扫描数据去除探测器偏移量、射束硬化；
合成所述薄层图像Img为第一厚层图像Img1的步骤包括：
基于以下算法合成薄层图像Img：
Figure FDA0003699177230000011
其中i＝1,2…N，j＝1,2,…N，分别表示每一薄层图像Img内的像素的行坐标和列坐标，N薄层图像Img的图像宽度，k＝1,2,…M为每一薄层图像Img的顺序编号，M为薄层图像Img的图像张数，W为滤波参数。
3.如权利要求2所述的神经网络训练方法，其特征在于，合成所述第一投影数据Proj1为第二投影数据Proj2的步骤包括：
基于以下算法合成第一投影数据Proj1：
Figure FDA0003699177230000012
其中，ch、row分别为第一投影数据Proj1在各角度投影内的通道方向坐标和排方向坐标，view为第一投影数据Proj1的投影角度编号。
4.如权利要求3所述的神经网络训练方法，其特征在于，
当第一厚层图像Img1的探测器模块宽度为薄层图像Img的探测器模块宽度的2倍时，W取2，则
Figure FDA0003699177230000021
或，
当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍时，则
Figure FDA0003699177230000022
Figure FDA0003699177230000023
或，
当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍，且薄层图像Img的探测器模块的排数为P，而第一厚层图像Img1的探测器模块的排数为Q时，对第一投影数据Proj1傅里叶变换以得到P排第一投影数据Proj1；
对位于P排第一投影数据Proj1中最外部的两边各(P-Q)/2排数据作截取，并对截取后数据作反傅里叶变换后得到第二投影数据Proj2。
5.如权利要求4所述的神经网络训练方法，其特征在于，合成所述薄层图像Img为第一厚层图像Img1的步骤包括：
当薄层图像Img的张数为M时，对每一沿着层厚方向快速傅里叶变换，并取每一经快速傅里叶变换后的薄层图像Img位于中间
Figure FDA0003699177230000024
部分的数据沿着层厚方向反傅里叶变换以得到第一厚层图像Img1。
6.一种用于去除CT伪影的神经网络训练系统，其特征在于，包括：
重建模块，获取CT设备的探测器模块于Z轴方向的扫描数据，对所述扫描数据预处理后形成第一投影数据Proj1，并基于滤波反投影将第一投影数据Proj1重建为薄层图像Img，其中所述扫描数据采集于Z轴方向内小于一宽度阈值的探测器模块，且所述薄层图像Img内不具有风车伪影；
合成模块，合成所述薄层图像Img为第一厚层图像Img1，合成所述第一投影数据Proj1为第二投影数据Proj2；
重建模块基于滤波反投影将第二投影数据Proj2重建为第二厚层图像Img2，其中所述第二厚层图像Img2内具有风车伪影；
以第二厚层图像Img2作为神经网络的输入，第一厚层图像Img1作为神经网络的输出对所述神经网络进行训练。
7.如权利要求6所述的神经网络训练系统，其特征在于，
所述宽度阈值为0.625mm；
所述预处理包括对所述扫描数据去除探测器偏移量、射束硬化；
合成模块基于以下算法合成薄层图像Img：
Figure FDA0003699177230000031
其中i＝1,2…N，j＝1,2,…N，分别表示每一薄层图像Img内的像素的行坐标和列坐标，N薄层图像Img的图像宽度，k＝1,2,…M为每一薄层图像Img的顺序编号，M为薄层图像Img的图像张数，W为滤波参数。
8.如权利要求7所述的神经网络训练系统，其特征在于，
合成模块基于以下算法合成第一投影数据Proj1：
Figure FDA0003699177230000032
其中，ch、row分别为第一投影数据Proj1在各角度投影内的通道方向坐标和排方向坐标，view为第一投影数据Proj1的投影角度编号。
9.如权利要求8所述的神经网络训练系统，其特征在于，
当第一厚层图像Img1的探测器模块宽度为薄层图像Img的探测器模块宽度的2倍时，W取2，则
Figure FDA0003699177230000033
Figure FDA0003699177230000034
或，
当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍时，则
Figure FDA0003699177230000035
Figure FDA0003699177230000041
或，
当第一厚层图像Img1的探测器模块宽度不为薄层图像Img的探测器模块宽度的整数倍，且薄层图像Img的探测器模块的排数为P，而第一厚层图像Img1的探测器模块的排数为Q时，重建模块对第一投影数据Proj1傅里叶变换以得到P排第一投影数据Proj1；
重建模块对位于P排第一投影数据Proj1中最外部的两边各(P-Q)/2排数据作截取，并对截取后数据作反傅里叶变换后得到第二投影数据Proj2。
10.如权利要求9所述的神经网络训练系统，其特征在于，
当薄层图像Img的张数为M时，合成模块对每一薄层图像Img沿着层厚方向快速傅里叶变换，并取每一经快速傅里叶变换后的薄层图像Img位于中间
Figure FDA0003699177230000042
部分的数据沿着层厚方向反傅里叶变换以得到第一厚层图像Img1。
CN202210690180.5A 2022-06-17 2022-06-17 用于去除ct伪影的神经网络训练方法及系统 Active CN115100308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210690180.5A CN115100308B (zh) 2022-06-17 2022-06-17 用于去除ct伪影的神经网络训练方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210690180.5A CN115100308B (zh) 2022-06-17 2022-06-17 用于去除ct伪影的神经网络训练方法及系统

Publications (2)

Publication Number Publication Date
CN115100308A true CN115100308A (zh) 2022-09-23
CN115100308B CN115100308B (zh) 2024-05-28

Family

ID=83290156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210690180.5A Active CN115100308B (zh) 2022-06-17 2022-06-17 用于去除ct伪影的神经网络训练方法及系统

Country Status (1)

Country Link
CN (1) CN115100308B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579414A (zh) * 2023-03-24 2023-08-11 北京医准智能科技有限公司 模型训练方法、mri薄层数据重建方法、装置及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003101303A1 (en) * 2002-05-31 2003-12-11 U-Systems, Inc. Breast cancer screening with adjunctive ultrasound mammography
CN104978717A (zh) * 2015-06-11 2015-10-14 沈阳东软医疗系统有限公司 Ct重建图像的处理方法、装置及设备
US20200031051A1 (en) * 2018-07-30 2020-01-30 Intrepid Automation Multiple image projection system for additive manufacturing
CN110916708A (zh) * 2019-12-26 2020-03-27 南京安科医疗科技有限公司 一种ct扫描投影数据伪影校正方法、ct图像重建方法
CN111127579A (zh) * 2019-12-26 2020-05-08 南京安科医疗科技有限公司 一种基于神经网络去锥形束伪影的ct重建方法
CN111260748A (zh) * 2020-02-14 2020-06-09 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
CN111311531A (zh) * 2020-01-22 2020-06-19 沈阳先进医疗设备技术孵化中心有限公司 图像增强方法、装置、控制台设备及医学成像系统
US20210012543A1 (en) * 2019-07-11 2021-01-14 Canon Medical Systems Corporation Apparatus and method for artifact detection and correction using deep learning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003101303A1 (en) * 2002-05-31 2003-12-11 U-Systems, Inc. Breast cancer screening with adjunctive ultrasound mammography
CN104978717A (zh) * 2015-06-11 2015-10-14 沈阳东软医疗系统有限公司 Ct重建图像的处理方法、装置及设备
US20200031051A1 (en) * 2018-07-30 2020-01-30 Intrepid Automation Multiple image projection system for additive manufacturing
US20210012543A1 (en) * 2019-07-11 2021-01-14 Canon Medical Systems Corporation Apparatus and method for artifact detection and correction using deep learning
CN110916708A (zh) * 2019-12-26 2020-03-27 南京安科医疗科技有限公司 一种ct扫描投影数据伪影校正方法、ct图像重建方法
CN111127579A (zh) * 2019-12-26 2020-05-08 南京安科医疗科技有限公司 一种基于神经网络去锥形束伪影的ct重建方法
CN111311531A (zh) * 2020-01-22 2020-06-19 沈阳先进医疗设备技术孵化中心有限公司 图像增强方法、装置、控制台设备及医学成像系统
CN111260748A (zh) * 2020-02-14 2020-06-09 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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116579414A (zh) * 2023-03-24 2023-08-11 北京医准智能科技有限公司 模型训练方法、mri薄层数据重建方法、装置及设备
CN116579414B (zh) * 2023-03-24 2024-04-02 浙江医准智能科技有限公司 模型训练方法、mri薄层数据重建方法、装置及设备

Also Published As

Publication number Publication date
CN115100308B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
CN112396672B (zh) 一种基于深度学习的稀疏角度锥束ct图像重建方法
CN112348936B (zh) 一种基于深度学习的低剂量锥束ct图像重建方法
CN102254310B (zh) 用于减少ct图像数据中的图像伪影、尤其是金属伪影的方法
CN109146988A (zh) 基于vaegan的非完全投影ct图像重建方法
Zhou et al. DuDoUFNet: dual-domain under-to-fully-complete progressive restoration network for simultaneous metal artifact reduction and low-dose CT reconstruction
CN112017131B (zh) Ct图像金属伪影去除方法、装置及计算机可读存储介质
CN111127579A (zh) 一种基于神经网络去锥形束伪影的ct重建方法
CN105118066A (zh) 一种基于三维区别性特征表示的低剂量ct图像分解方法
Zhu et al. Metal artifact reduction for X-ray computed tomography using U-net in image domain
JPH08263638A (ja) 物体の断層写真像を作成するシステム及び方法
JP5619525B2 (ja) Ｘ線コンピュータ断層撮影装置及び画像処理装置
CN104968275A (zh) 基于模型的用于迭代重建的反投影和正投影的至少一方中的系统光学
CN112435164A (zh) 基于多尺度生成对抗网络的低剂量ct肺部图像的同时超分辨率和去噪方法
CN112102428A (zh) Ct锥形束扫描图像重建方法、扫描系统计及存储介质
CN115100308B (zh) 用于去除ct伪影的神经网络训练方法及系统
CN110706299A (zh) 一种用于双能ct的物质分解成像方法
CN112070856B (zh) 基于非下采样轮廓波变换的有限角c型臂ct图像重建方法
CN117152365A (zh) 一种口腔cbct超低剂量成像的方法、系统及装置
Sun et al. A lightweight dual-domain attention framework for sparse-view CT reconstruction
CN113192155B (zh) 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质
CN112446840B (zh) 一种基于深度学习的ct图像黑带伪影消除方法及系统
CN111815730B (zh) 生成含有运动伪影的ct图像的方法、装置及存储介质
JP2023167122A (ja) Ｘ線ｃｔ装置、および、高画質画像生成装置
CN117726706B (zh) 无监督深度字典学习的ct金属伪影校正与超分辨率方法
CN117726705B (zh) 一种同时低剂量ct重建与金属伪影校正的深度学习方法

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