CN116452423A - 一种同时稀疏角度ct重建及金属伪影高精度校正方法 - Google Patents
一种同时稀疏角度ct重建及金属伪影高精度校正方法 Download PDFInfo
- Publication number
- CN116452423A CN116452423A CN202310526450.3A CN202310526450A CN116452423A CN 116452423 A CN116452423 A CN 116452423A CN 202310526450 A CN202310526450 A CN 202310526450A CN 116452423 A CN116452423 A CN 116452423A
- Authority
- CN
- China
- Prior art keywords
- domain
- artifact
- image
- metal
- 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.)
- Pending
Links
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 81
- 239000002184 metal Substances 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012937 correction Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 3
- 239000007943 implant Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 229910052755 nonmetal Inorganic materials 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000011387 Li's method Methods 0.000 claims description 2
- 230000002238 attenuated effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000000149 penetrating effect Effects 0.000 claims description 2
- 238000013170 computed tomography imaging Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 6
- 210000001519 tissue Anatomy 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003759 clinical diagnosis Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000005065 mining Methods 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
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，属于医学成像领域，具体为：模拟稀疏角度采样下受射束硬化影响的投影数据，获得稀疏采样且含金属迹的正弦图样；对稀疏正弦图插值处理得到全采样尺寸的正弦图，将该正弦图作为正弦域的初始正弦图；根据伪影的可加性性质，对含大量伪影的CT图像进行初步分解，得到图像域的初始估计图像和伪影域的初始伪影图像；建立多域优化模型，对构建的多域优化问题进行交替迭代最小化求解；分别对正弦域、图像域和伪影域进行迭代更新；输出重建的高精度CT图像。本发明能够模拟CT成像设备获得的含金属迹且稀疏的正弦图样进行同时稀疏角度CT重建及金属伪影校正，重建效果好校正精度高。
Description
技术领域
本发明属于医学成像领域，特别是针对同时解决稀疏角度CT重建及金属伪影校正问题，可用于CT成像系统。
背景技术
计算机断层扫描(computed tomography，CT)是一种广泛应用于临床、生物、医学等领域的非侵入性成像技术，可以直观地观察物体的内部结构。受金属植入物影响的CT图像会存在结构化且非局部的金属伪影，同时临床上通常采用稀疏角度CT(sparse-view CT，SVCT)扫描方式以降低癌症的风险和扫描时间，即通过大于正常值的视图间隔获得投影数据，这不可避免地造成了严重的条纹伪影且加重了金属伪影，从而限制了后续的临床诊断和治疗。因此，随着金属植入物在临床上的广泛应用以及对降低CT辐射剂量的追求，如何在稀疏角度条件下为金属植入物患者重建高精度的CT图像是医学成像领域的一个重要问题。
目前，对同时解决稀疏角度CT重建及金属伪影校正问题(sparse-view and metalartifact reduction,SVMAR)的研究正处于起步阶段，现有SVMAR方法有两种：基于双域的深度学习方法和基于双域及其数据一致性层的递归网络方法。尽管与现有的单独MAR和SVCT方法相比，两次尝试在解决SVMAR问题方面都取得了较为满意的解决方案，但双域知识并未完全嵌入到网络体系结构和网络训练中，重建图像的细节信息保留不完整，校正性能仍有提升空间。理论上，上述两种深度学习方法侧重于网络架构的设计，由于数据驱动网络是根据经验设计的且具有的黑匣子特性，此类网络架构缺乏模型可解释性。在稀疏角度CT扫描情况下，伪影校正不足、组织结构信息缺失是限制现有SVMAR算法应用于实际CT成像系统的技术瓶颈。
综上所述，虽然现有的独立的稀疏角度CT重建方法和CT金属伪影校正方法繁多，但在同时解决这两项任务中均有各自的局限性。因此，在现有的SVMAR方法基础上，提出一种高精度的稀疏角度CT金属伪影校正方法，以实现图像质量的大幅度提升。
发明内容
本发明的目的在于针对上述已有技术的不足，提出一种基于多域知识的深度展开方法用于同时解决稀疏角度CT重建及金属伪影校正问题，以提升伪影校正精度，恢复丰富的组织细节信息，网络架构具有模型可解释性。
一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，包括以下步骤：
S1，模拟稀疏角度采样下受射束硬化影响的投影数据，即获得稀疏采样且含金属迹的正弦图样；
S2，对稀疏正弦图插值处理得到全采样尺寸的正弦图，并将该正弦图作为正弦域的初始正弦图；
S3，根据伪影的可加性性质，对含大量伪影的CT图像进行初步分解，得到图像域的初始估计图像和伪影域的初始伪影图像；
S4，建立多域优化模型，对构建的多域优化问题进行交替迭代最小化求解；
S5，分别对正弦域、图像域和伪影域进行迭代更新；
S6，输出重建的高精度CT图像。
本发明技术方案的进一步改进在于：步骤S1中模拟SVCT数据采集，首先模拟X射线束对含金属植入物的待测物体进行稀疏角度扫描；其次在穿透过程中射线强度发生不同程度衰减；最后由探测器接收得到高度不完备的投影数据；规定以360×641大小的投影数据为全采样投影数据，即在0到360度之间均匀地采样360个投影视图，通过下采样的方式得到欠采样率为×6，×4，×2的投影数据，即投影视图大小分别为60×641，90×641，180×641。
本发明技术方案的进一步改进在于：步骤S1中基于稀疏角度CT设备成像系统的投影数据主要特征有：投影数据的y轴代表投影视图的个数，投影数据的x轴代表探测器元件的数量。
本发明技术方案的进一步改进在于：步骤S2通过对测量的投影数据y进行预处理，获得全视图采集数据ya，插值模型描述为ya＝U(y)，其中U(·)通过对输入正弦图进行零填充来扩大投影角度的数量，将其恢复为全采样正弦图的大小，使用线性插值LI方法校正正弦图的金属迹，以获得初始输入的正弦图其公式为/>
本发明技术方案的进一步改进在于：步骤S3使用滤波反投影FBP从正弦图ya中获得具有严重伪影的CT图像xa，表示为xa＝FBP(ya)，根据金属伪影的加性性质，受伪影影响的CT图像可以分解为底层图像和伪影图像，因此xa可以进一步分解为其底层的CT图像和伪影图像；金属植入物的CT图像有两个区域：金属部分和非金属部分，由于金属通常比正常组织具有更高的CT值，分解模型可以推导为其中m是二进制非金属掩模，金属掩膜区域等于0，其他区域为1，/>是底层的无伪影CT图像，/>是伪影图像，⊙表示元素乘积，通过上述图像预处理步骤，初步得到了正弦域、图像域和伪影域的初始输入图像和/>
本发明技术方案的进一步改进在于：步骤S4多域优化模型的建立：受金属影响的归一化正弦图是均匀的，选择校正归一化正弦图，干净正弦图可以写成/>其中/>是从先前正弦图获得的归一化系数，/>则是归一化正弦图,多域SVMAR优化问题公式化为
其中m是二元金属掩膜，金属区域为0，非金属区域为1，tr为二元金属迹掩膜，金属投影区域为1，非金属投影区域为0，P为拉东变换，正向投影，A为二元稀疏采样矩阵，其中稀疏采样采集到的部分为1，未采集部分为0，为归一化系数，||·||1表示l1范数，并且紧框架W满足紧属性/>
本发明技术方案的进一步改进在于：步骤S5具体过程为：
利用交替迭代方法来求解定义的多域SVMAR优化问题，并利用近端算子来解决每个子问题，在第(t+1)次迭代时，和/>交替更新如下：
固定更新/>
对上式进行二次逼近并用近端算子表示后得到
其中 为与正则化项R1(·)相关的近端算子。
固定更新/>
类似地，的更新规则写为
其中紧框架W满足紧性质/>因此，式(5)可以表示为
其中soft(u,ε)＝sign(u)max(|u|-ε,0)是软阈值函数，ε＝γ2η2是阈值。在本发明中，利用一种深度阈值网络(deep threshold network,DTN)来从伪影图像的系数自适应地确定阈值，即f(·)表示提出的DTN。
固定更新/>
类似地，的更新规则写为
其中
本发明技术方案的进一步改进在于：将多域知识包括正弦域、图像域、伪影域和编码域嵌入到多域优化模型和网络训练中，设计基于多域知识的损失函数为：
其中ygt是干净的正弦图，xgt是真实CT图像，伪影基准图像为egt＝xa-xgt。同时，ω1,ω2,ω3,ω4和ω5是五个权衡参数，为了学习紧标架W，第一项在要学习的标架上施加紧属性，而第二项施加编码域约束以促进紧标架上的伪影图像的稀疏性，第三和第四项使用网络输出和干净图像之间的l2损失和l1损失作为图像域约束，此外，第五和第六项分别使用l1损失和l2损失作为伪影域约束和正弦域约束，通过结合图像域，伪影域和正弦图域的知识来重建高质量的CT图像，其中在伪影域中使用具有自适应阈值的紧标架网络，并使用编码域约束恢复伪影的详细结构信息，以实现高质量的重建。
本发明技术方案的进一步改进在于：所述步骤S4中对构建的多域优化问题进行求解，该步骤的一个重要特征是利用交替迭代算法对其进行求解并分解为三个子问题，采用二次逼近和近端算子对构建的优化子问题进行求解，鉴于传统迭代算法的可解释性和深度学习良好的学习能力，将迭代算法展开成深度神经网络，其中每次展开对应于传统迭代算法的每次迭代，同时每一层由深度神经网络构建，其中，正弦域和图像域采用多个残差块堆叠，伪影域采用具有自适应阈值的紧标架表示模型，将上述交替迭代算法展开成网络，网络由T个阶段组成，对应于迭代算法的T次迭代，每个阶段包含Y-Net、E-Net和X-Net；
其中，和/>分别基于式(3)、式(5)和式(8)由Y-Net、E-Net和X-Net更新，Y-Net和X-Net包含多个残差块，E-Net是包含深度阈值网络来自适应确定阈值的紧标架表示网络。
由于采用了上述技术方案，本发明取得的技术效果如下：
根据模拟采集的高度不完备的投影数据构建多域优化模型用于同时稀疏角度CT重建及金属伪影校正(sparse-view and metal artifact reduction,SVMAR)，且构建的优化模型是一个基于正弦域、图像域和伪影域知识的优化问题；本方法利用交替迭代最小化方法对构建的优化模型进行求解，并将迭代展开为网络，构建SVMAR深度展开网络；在伪影域利用表示能力更强的紧框架表示模型，并通过构建编码域来进一步提升表示能力并加速网络收敛速度，充分利用多域知识进行高精度伪影校正。由于正弦域、图像域、伪影域和编码域知识的充分利用且嵌入到网络训练过程中，本发明的方法能够利用多域的信息以及伪影图像丰富的结构特性进行同时稀疏角度CT重建和金属伪影高精度校正。
附图说明
图1是本发明基于多域知识同时稀疏角度CT重建及金属伪影校正的深度展开方法的总体流程图；
图2是本发明的模拟存在金属植入物且稀疏角度CT采样装置示意图；
图3是本发明的模拟数据采样装置获得稀疏采样且含金属迹的投影数据示意图；
图4是本发明中对高度不完备正弦图进行预处理操作示意图；
图5是本发明中基于多域知识的高精度伪影校正深度展开算法的流程图；
图6是根据本发明的高精度伪影校正算法获得的仿真实验结果图。
具体实施方式
以下将结合附图，清楚、完整地描述本发明基于多域知识的同时稀疏角度CT重建及金属伪影高精度校正方法以及深度展开算法的实现步骤，并通过实验仿真图说明本发明方法的有效性。参见图1，本发明于利用多域知识同时稀疏角度CT重建及金属伪影高精度校正方法的具体步骤为：
S1、模拟稀疏采样投影数据：用DeepLesion数据集，模拟稀疏角度采样下受射束硬化影响的投影数据。规定以360×641大小的投影数据为全采样投影数据，即在0到360度之间均匀地采样360个投影视图。通过下采样的方式得到欠采样率为×6，×4，×2的投影数据，即投影视图大小分别为60×641，90×641，180×641。
稀疏角度CT的采集原理如图2所示，主要组成有X射线源、待观测物体(包含金属，标记为红色)和探测器，稀疏角度采样也就是以大于正常视图间隔的方式进行均匀采样以实现加快采集速度和减少辐射剂量。利用传统的FBP算法直接对测量数据进行重建，得到的CT图像包含严重的金属伪影和大量的条纹伪影，我们的目标是设计重建网络得到高精度伪影校正图像。图3展示了稀疏投影数据的模拟过程，图3左侧图是对全采样正弦图进行均匀抽样，进而得到高度不完备的正弦图y如图3右侧图所示。
S2、图像预处理步骤(如图4所示)：首先，通过对测量的投影数据y进行插值来对测量的稀疏视图投影数据进行预处理，以获得全视图采集数据ya。插值模型可以描述为ya＝U(y)，其中U(·)通过对输入正弦图进行零填充来扩大投影角度的数量，将其恢复为全采样正弦图的大小。然后，使用线性插值(LI)方法校正正弦图的金属迹，以获得初始输入的正弦图其公式为/>
另一方面，使用滤波反投影(FBP)从正弦图ya中获得具有严重伪影的CT图像xa，从数学上讲，这可以表示为xa＝FBP(ya)。根据金属伪影的加性性质，受伪影影响的CT图像可以分解为底层图像和伪影图像。基于这个定义，xa可以进一步分解为其底层的CT图像和伪影图像。观察到金属植入物的CT图像有两个区域：金属部分和非金属部分，由于金属通常比正常组织具有更高的CT值，本发明将重点放在非金属区域。因此，分解模型可以推导为其中m是二进制非金属掩模(金属掩膜区域等于0，其他区域为1)，x是底层的无伪影CT图像，/>是伪影图像，⊙表示元素乘积。通过上述图像预处理步骤，初步得到了正弦域、图像域和伪影域的初始输入图像/>和/>
S3、多域优化模型的建立：通常，受金属影响的归一化正弦图是均匀的，因此本发明选择校正归一化正弦图而不是原始正弦图。形式上，干净正弦图可以写成/>其中/>是从先前正弦图获得的归一化系数，/>则是归一化正弦图。为了获得更好的解，本发明施加表示先验知识的正则化项。因此，多域SVMAR优化问题可以公式化为
其中m是二元金属掩膜(其中金属区域为0，非金属区域为1)，tr为二元金属迹掩膜(其中金属投影区域为1，非金属投影区域为0)，P为拉东变换(正向投影)，A为二元稀疏采样矩阵(其中稀疏采样采集到的部分为1，未采集部分为0)，为归一化系数，||·||1表示l1范数，并且紧框架W满足紧属性/>
S4、优化问题的求解：
利用交替迭代方法来求解定义的多域SVMAR优化问题，并利用近端算子来解决每个子问题。在第(t+1)次迭代时，和/>交替更新如下：
<1>固定更新/>
对上式进行二次逼近并用近端算子表示后得到
其中 为与正则化项R1(·)相关的近端算子。
<2>固定更新/>
类似地，的更新规则写为
其中紧框架W满足紧性质/>因此，式(5)可以表示为
其中soft(u,ε)＝sign(u)max(|u|-ε,0)是软阈值函数，ε＝γ2η2是阈值。在本发明中，利用一种深度阈值网络(deep threshold network,DTN)来从伪影图像的系数自适应地确定阈值，即f(·)表示提出的DTN。
<3>固定更新/>
类似地，的更新规则写为
其中
损失函数：根据所述的基于多域知识的同时稀疏角度CT重建及金属伪影高精度校正方法，在伪影域利用表示能力更强的紧框架表示模型，并通过构建编码域来进一步提升表示能力并加速网络收敛速度，充分利用多域知识进行高精度伪影校正。为了将多域(正弦域、图像域、伪影域和编码域)知识嵌入到网络架构和网络训练中，精心设计了基于多域知识的损失函数为：
其中ygt是干净的正弦图，xgt是真实CT图像，伪影基准图像为egt＝xa-xgt。同时，ω1,ω2,ω3,ω4和ω5是五个权衡参数。为了学习紧标架W，第一项在要学习的标架上施加紧属性，而第二项施加编码域约束以促进紧标架上的伪影图像的稀疏性。第三和第四项使用网络输出和干净图像之间的l2损失和l1损失作为图像域约束。此外，第五和第六项分别使用l1损失和l2损失作为伪影域约束和正弦域约束。通过结合图像域，伪影域和正弦图域的知识来重建高质量的CT图像，其中在伪影域中使用具有自适应阈值的紧标架网络，并使用编码域约束恢复伪影的详细结构信息，以实现高质量的重建。由于正弦域、图像域、伪影域和编码域知识的充分利用且嵌入到网络训练过程中，本发明的方法能够利用多域的信息以及伪影图像丰富的结构特性进行同时稀疏角度CT重建和金属伪影高精度校正。
网络架构的构建：所述步骤S4中对构建的多域优化问题进行求解，该步骤的一个重要特征是利用交替迭代算法对其进行求解并分解为三个子问题，采用二次逼近和近端算子对构建的优化子问题进行求解。与此同时，鉴于传统迭代算法的可解释性和深度学习良好的学习能力，将迭代算法展开成深度神经网络，其中每次展开对应于传统迭代算法的每次迭代，同时每一层由深度神经网络构建，因此本发明的深度展开网络不仅继承了传统基于模型的算法的可解释性，而且还受益于深度神经网络强大的学习能力。其中，正弦域和图像域采用多个残差块堆叠，伪影域采用具有自适应阈值的紧标架表示模型。将上述交替迭代算法展开成网络，网络由T个阶段组成，对应于迭代算法的T次迭代，每个阶段包含Y-Net、E-Net和X-Net。图5给出了本发明提出的基于多域知识的高精度伪影校正算法的流程图，显示了每个阶段内部和之间的数据流动，多域信息在各个阶段之间和内部传递，使得多域的特征能够相互作用，相互促进，这种多域信息交互促进了有利细节的重建。其中，和/>分别基于式(3)、式(5)和式(8)由Y-Net、E-Net和X-Net更新，Y-Net和X-Net包含多个残差块，E-Net是包含深度阈值网络来自适应确定阈值的紧标架表示网络。
下面从仿真实验的结果说明本发明基于多域知识的同时稀疏角度CT重建和金属伪影高精度校正方法的效果。
图6显示了本发明的方法在稀疏采样率为×4和×6稀疏视图条件下，使用从大到小的金属植入物重建的视觉结果。一般来说，大型金属植入物比小型金属植入物更难修复，本发明在不同尺寸的金属植入物修复方面取得了很好的效果，重建后的图像去除了大量伪影，仍然清晰地保留了组织信息和骨骼结构，便于医生进行临床诊断和治疗。上述仿真实验结果充分说明了本发明提供的针对SVMAR任务的伪影校正方法能够在稀疏角度采样、存在金属植入物的情况下实现高精度伪影校正。
为了准确分析本发明提出方法的有效性，采用峰值信噪比(PSNR)、结构相似性(SSIM)和均方根误差(RMSE)定性评估本发明提出的方法。表1列出了关于在三种不同稀疏视图设置下稀疏角度CT金属伪影校正算法的PSNR、SSIM和RMSE值，欠采样率分别为×6、×4和×2，最好的结果用粗体突出显示。可以看出，本发明在三种不同的稀疏视图下均获得了最佳的PSNR、SSIM和RMSE，证明了本发明方法的可行性和通用性。此外，我们可以观察到基于深度学习的双域SVMAR方法明显优于单域校正方法，这说明了域知识挖掘对于同时解决稀疏视图和金属伪影校正任务的重要性。相比之下，本发明提出的深度展开多域方法充分利用了多域知识，在SVMAR任务中显示出优势。
表1
本发明与现有技术相比具有如下优点：
1)本发明依据稀疏角度CT成像的原理，设计了基于多域知识的SVMAR系统，与现有SVMAR系统相比，本发明能够利用多域知识从高度不完备的正弦图重建出精度更好、细节更丰富的CT图像，需要强调的是本发明是第一个将深度展开技术用于SVMAR领域，且本发明设计的网络模型具有可解释性。
2)本发明用于同时解决稀疏角度CT重建和金属伪影校正问题，通过交替迭代优化算法的结构充分利用多域知识进行高精度伪影校正。与基于深度学习SVMAR方法相比，能够重建出图像的细节结构，提高了重建质量，能够实现高精度伪影校正。
以上描述仅是本发明的一个具体实例，并不构成对本发明的任何限制。显然对于本领域的专业人员来说，在了解了本发明内容和原理后，都可能在不背离本发明原理、结构的情况下，进行形式和细节上的各种修正和改变，但是这些基于本发明思想的修正和改变仍在本发明的权利要求保护范围之内。
Claims (9)
1.一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于包括以下步骤：
S1，模拟稀疏角度采样下受射束硬化影响的投影数据，即获得稀疏采样且含金属迹的正弦图样；
S2，对稀疏正弦图插值处理得到全采样尺寸的正弦图，并将该正弦图作为正弦域的初始正弦图；
S3，根据伪影的可加性性质，对含大量伪影的CT图像进行初步分解，得到图像域的初始估计图像和伪影域的初始伪影图像；
S4，建立多域优化模型，对构建的多域优化问题进行交替迭代最小化求解；
S5，分别对正弦域、图像域和伪影域进行迭代更新；
S6，输出重建的高精度CT图像。
2.根据权利要求1所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S1中模拟SVCT数据采集，首先模拟X射线束对含金属植入物的待测物体进行稀疏角度扫描；其次在穿透过程中射线强度发生不同程度衰减；最后由探测器接收得到高度不完备的投影数据；规定以360×641大小的投影数据为全采样投影数据，即在0到360度之间均匀地采样360个投影视图，通过下采样的方式得到欠采样率为×6，×4，×2的投影数据，即投影视图大小分别为60×641，90×641，180×641。
3.根据权利要求2所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S1中基于稀疏角度CT设备成像系统的投影数据主要特征有：投影数据的y轴代表投影视图的个数，投影数据的x轴代表探测器元件的数量。
4.根据权利要求1所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S2通过对测量的投影数据y进行预处理，获得全视图采集数据ya，插值模型描述为ya＝U(y)，其中U(·)通过对输入正弦图进行零填充来扩大投影角度的数量，将其恢复为全采样正弦图的大小，使用线性插值LI方法校正正弦图的金属迹，以获得初始输入的正弦图其公式为/>
5.根据权利要求4所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S3使用滤波反投影FBP从正弦图ya中获得具有严重伪影的CT图像xa，表示为xa＝FBP(ya)，根据金属伪影的加性性质，受伪影影响的CT图像可以分解为底层图像和伪影图像，因此xa可以进一步分解为其底层的CT图像和伪影图像；金属植入物的CT图像有两个区域：金属部分和非金属部分，由于金属通常比正常组织具有更高的CT值，分解模型可以推导为其中m是二进制非金属掩模，金属掩膜区域等于0，其他区域为1，/>是底层的无伪影CT图像，/>是伪影图像，⊙表示元素乘积，通过以上图像预处理步骤，初步得到了正弦域、图像域和伪影域的初始输入图像/> 和/>
6.根据权利要求1所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S4多域优化模型的建立：受金属影响的归一化正弦图是均匀的，选择校正归一化正弦图，干净正弦图可以写成/>其中/>是从先前正弦图获得的归一化系数，/>则是归一化正弦图,多域SVMAR优化问题公式化为
其中m是二元金属掩膜，金属区域为0，非金属区域为1，tr为二元金属迹掩膜，金属投影区域为1，非金属投影区域为0，P为拉东变换，即正向投影，A为二元稀疏采样矩阵，其中稀疏采样采集到的部分为1，未采集部分为0，为归一化系数，||·||1表示l1范数，并且紧框架W满足紧属性/>
7.根据权利要求6所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S5具体过程为：
利用交替迭代方法来求解定义的多域SVMAR优化问题，并利用近端算子来解决每个子问题，在第(t+1)次迭代时，和/>交替更新如下：
固定更新/>
对上式进行二次逼近并用近端算子表示后得到
其中proxγ1η1()为与正则化项R1(·)相关的近端算子。
固定更新/>
类似地，的更新规则写为
其中紧框架W满足紧性质/>因此，式(5)可以表示为
其中soft(u,ε)＝sign(u)max(|u|-ε,0)是软阈值函数，ε＝γ2η2是阈值。在本发明中，利用一种深度阈值网络(deep threshold network,DTN)来从伪影图像的系数自适应地确定阈值，即f(·)表示提出的DTN。
固定更新/>
类似地，的更新规则写为
其中
8.根据权利要求6所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：将多域知识包括正弦域、图像域、伪影域和编码域嵌入到多域优化模型和网络训练中，设计基于多域知识的损失函数为：
其中ygt是干净的正弦图，xgt是真实CT图像，伪影基准图像为egt＝xa-xgt。同时，ω1,ω2,ω3,ω4和ω5是五个权衡参数，为了学习紧标架W，第一项在要学习的标架上施加紧属性，而第二项施加编码域约束以促进紧标架上的伪影图像的稀疏性，第三和第四项使用网络输出和干净图像之间的l2损失和l1损失作为图像域约束，此外，第五和第六项分别使用l1损失和l2损失作为伪影域约束和正弦域约束，通过结合图像域，伪影域和正弦图域的知识来重建高质量的CT图像，其中在伪影域中使用具有自适应阈值的紧标架网络，并使用编码域约束恢复伪影的详细结构信息，以实现高质量的重建。
9.根据权利要求6所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：所述步骤S4中对构建的多域优化问题进行求解，该步骤的一个重要特征是利用交替迭代算法对其进行求解并分解为三个子问题，采用二次逼近和近端算子对构建的优化子问题进行求解，鉴于传统迭代算法的可解释性和深度学习良好的学习能力，将迭代算法展开成深度神经网络，其中每次展开对应于传统迭代算法的每次迭代，同时每一层由深度神经网络构建，其中，正弦域和图像域采用多个残差块堆叠，伪影域采用具有自适应阈值的紧标架表示模型，将上述交替迭代算法展开成网络，网络由T个阶段组成，对应于迭代算法的T次迭代，每个阶段包含Y-Net、E-Net和X-Net；
其中，和/>分别基于式(3)、式(5)和式(8)由Y-Net、E-Net和X-Net更新，Y-Net和X-Net包含多个残差块，E-Net是包含深度阈值网络来自适应确定阈值的紧标架表示网络。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310526450.3A CN116452423A (zh) | 2023-05-11 | 2023-05-11 | 一种同时稀疏角度ct重建及金属伪影高精度校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310526450.3A CN116452423A (zh) | 2023-05-11 | 2023-05-11 | 一种同时稀疏角度ct重建及金属伪影高精度校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116452423A true CN116452423A (zh) | 2023-07-18 |
Family
ID=87123815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310526450.3A Pending CN116452423A (zh) | 2023-05-11 | 2023-05-11 | 一种同时稀疏角度ct重建及金属伪影高精度校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116452423A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152291A (zh) * | 2023-09-12 | 2023-12-01 | 天津师范大学 | 一种基于原对偶算法的非凸加权变分金属伪影去除方法 |
| CN117830456A (zh) * | 2024-03-04 | 2024-04-05 | 中国科学技术大学 | 用于校正图像金属伪影的方法、装置及电子设备 |
-
2023
- 2023-05-11 CN CN202310526450.3A patent/CN116452423A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117152291A (zh) * | 2023-09-12 | 2023-12-01 | 天津师范大学 | 一种基于原对偶算法的非凸加权变分金属伪影去除方法 |
| CN117152291B (zh) * | 2023-09-12 | 2024-03-22 | 天津师范大学 | 一种基于原对偶算法的非凸加权变分金属伪影去除方法 |
| CN117830456A (zh) * | 2024-03-04 | 2024-04-05 | 中国科学技术大学 | 用于校正图像金属伪影的方法、装置及电子设备 |
| CN117830456B (zh) * | 2024-03-04 | 2024-05-28 | 中国科学技术大学 | 用于校正图像金属伪影的方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11039805B2 (en) | Deep learning based estimation of data for use in tomographic reconstruction | |
| Van Slambrouck et al. | Metal artifact reduction in computed tomography using local models in an image block‐iterative scheme | |
| CN116452423A (zh) | 一种同时稀疏角度ct重建及金属伪影高精度校正方法 | |
| 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 | |
| Wang et al. | FBP-Net for direct reconstruction of dynamic PET images | |
| Sun et al. | An iterative projection‐based motion estimation and compensation scheme for head x‐ray CT | |
| AU2019271915A1 (en) | Method and system for motion correction in CT imaging | |
| Zhang et al. | Limited angle CT reconstruction by simultaneous spatial and Radon domain regularization based on TV and data-driven tight frame | |
| CA2729607A1 (en) | Incorporation of mathematical constraints in methods for dose reduction and image enhancement in tomography | |
| Chan et al. | An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction | |
| Shojaeilangari et al. | Recovery of missing data in partial geometry PET scanners: Compensation in projection space vs image space | |
| 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 | |
| CN116188615A (zh) | 一种基于正弦域和图像域的稀疏角度ct重建方法 | |
| Ikuta et al. | A deep recurrent neural network with FISTA optimization for ct metal artifact reduction | |
| Zhu et al. | Sinogram domain metal artifact correction of CT via deep learning | |
| Cao et al. | Limited angle reconstruction with two dictionaries | |
| Nuyts et al. | Iterative CT reconstruction with correction for known rigid motion | |
| Zhu et al. | Split Bregman quantum noise removal algorithm for 3D reconstruction of neutron computed tomography image | |
| CN114494498B (zh) | 一种基于双域傅里叶神经网络的金属伪影去除方法 | |
| Yang et al. | Learned Multi-layer Residual Sparsifying Transform Model for Low-dose CT Reconstruction | |
| Kadu et al. | Single-shot Tomography of Discrete Dynamic Objects | |
| Li et al. | A cascade-based dual-domain data correction network for sparse view CT image reconstruction | |
| Li et al. | Multi-segment limited-angle CT reconstruction via a BM3D filter | |
| Shi et al. | Mud-Net: multi-domain deep unrolling network for simultaneous sparse-view and metal artifact reduction in computed tomography | |
| Tian et al. | Neural Network-Based Filtered Back-Projection Reconstruction and Limited-View Artifacts Correction |
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 |