[发明专利]一种伪影校正方法及系统

说明书

本发明公开了一种伪影校正方法及系统，所述方法包括：扫描模体，通过探测器获取所述模体的第一投影数据；对所述模体的第一投影数据进行处理或通过模拟得到所述模体的第二投影数据；构建神经网络模型，利用所述模体的第一投影数据和第二投影数据对所述神经网络模型进行训练，得到校正系数；以及利用所述校正系数对待校正的检测目标的第三投影数据进行校正，并利用校正后的投影数据重建所述检测目标的医学图像。本发明基于神经网络深度学习的方法，利用大数据的训练，提高校正的精确性，获得较好的环状伪影校正效果。

技术领域

本发明涉及医疗影像处理领域，特别涉及一种的伪影校正方法及系统。

背景技术

CT自上世纪70年代问世以来，不断获得改进，从第一代到第五代，不断缩短扫描时间和提高图像质量。CT已广泛应用于医学诊断的诸多领域。CT通过测量X射线在各个方向上透过人体断层时的累积衰减系数(或称投影)，再由计算机计算出整个断面上X射线衰减系数的分布，最后以图像形式显示出来，用以协助临床进行疾病的诊断。由于其能够提供比普通X射线成像更高的软组织分辨力，并解决了三维结构重叠的问题，使其在医学成像上具有划时代意义。而在CT的发展过程中，伪影一直是制约CT的重要因素。所谓伪影，是指实际物体被扫描时，重建图像中出现的实物中不存在的成分，它是造成CT重建图像失去诊断意义的重要因素之一。环状伪影是影响CT重建图像像质的一类重要伪影，反映在形貌上，是以重建中心为圆心且灰度区别于周围像素的一系列同心圆环，属于CT重建图像中的一种典型伪影。环状伪影降低了CT重建图像的质量，影响图像后续处理和量化分析。环状伪影的形成，主要是因为探测器探元对射线场强响应的不一致性造成。环状伪影的形成，也有可能是因为探测器的安装位置偏差对扫描带来的影响，以及信号串扰对扫描带来的影响。在临床上由于伪影与病理组织交叠容易造成图像模糊导致误诊或漏诊，因此校正或最大程度的减少这种伪影是十分必要的。研究环状伪影及其相应解决办法是目前CT成像问题的重点和热点之一。

目前，大部分环状伪影校正方法都是基于伪影产生的某一个因素，在成像影像中利用校正算法进行校正，减小或消除该因素对图像带来伪影的影响。

但在成像影像中利用校正算法对图像的环状伪影进行校正存在如下问题：

1.对影响图像环状伪影的所有因素不能同时被校正或大部分被校正；

2.校正精确度取决于校正算法的适用性，不同的校正算法会导致校正效果和精确度不高。

发明内容

针对上述在成像影像中利用校正算法对图像的环状伪影进行校正存在的问题，本发明的目的在于提高环状伪影校正的校正效果和精确度，解决现有技术CT设备中对影响图像环状伪影的所有因素不能同时被校正或大部分被校正的问题。

为达到上述发明目的，本发明提供的技术方案如下：

一种伪影校正方法，其特征在于，该方法包括：扫描模体，通过探测器获取所述模体的第一投影数据；对所述模体的第一投影数据进行处理或通过模拟得到所述模体的第二投影数据；构建神经网络模型，利用所述模体的第一投影数据和第二投影数据对所述神经网络模型进行训练，得到校正系数；以及利用所述校正系数对待校正的检测目标的第三投影数据进行校正，并利用校正后的投影数据重建所述检测目标的医学图像。

在本发明中，所述利用所述模体的第一投影数据和第二投影数据对所述神经网络模型进行训练，得到校正系数，包括：将多组不同扫描条件下的所述模体的第一投影数据和第二投影数据输入到所述神经网络模型中，得到所述多组不同扫描条件对应的校正系数。

在本发明中，所述对所述模体的第一投影数据进行处理，得到所述模体的第二投影数据，包括：对所述模体的第一投影数据进行重建，得到所述模体的第一图像；对所述模体的第一图像进行平滑处理，得到所述模体的第二图像；以及对所述模体的第二图像进行正投影，得到所述模体的第二投影数据