[发明专利]基于图像修复的CT图像金属伪影消除方法

说明书

本发明属于计算机视觉、医学图像处理领域，具体为一种基于图像修复的CT图像金属伪影消除方法。该方法包括：训练神经网络修复CT图像；自动生成无金属伪影的标签图像；训练神经网络消除金属伪影。本发明解决了无伪影标签图像难以获取的难题，将深度神经网络方法成功地应用到了金属伪影消除任务中，能取得较好效果。

技术领域

本发明属于深度学习，计算机视觉，医学图像处理领域，具体为一种基于图像修复的CT 图像金属伪影消除方法。

背景技术

CT成像中，难免遇到病人体内存在金属物质，如金属假牙，胸罩针，别针，含铁化妆品及手术时的器械磨损片等。这些金属物的存在使得重建之后的图像在金属周围产生大量黑色带状和明亮的放射条纹状伪影，即为金属伪影。这些伪影使图像质量严重下降，给医生的判断带来极大困难。

对于普通CT而言，通常采用两种手段降低金属伪影对扫描效果的影响。一是采用不同扫描参数设置，如对阶梯状伪影采用减小螺距和薄层扫描的方式减少伪影影响；二是利用图像处理方法，如对不同类型的金属伪影采用图像处理算法消除或减小金属伪影影响。基于图像处理方法的金属伪影消除手段大致有三类：投影插值法、迭代法及混合法。这些方法普遍效果不佳，达不到人们的预期。深度神经网络方法在图像处理任务中有着巨大的优势，但是在金属伪影消除中的应用却极少，这主要是因为很难获取到与金属伪影图像一一对应的无伪影标签图像。我们提出一种基于图像修复的CT图像金属伪影消除方法，能够在少量标注信息(只需标注出伪影区域)的辅助下，自动生成无金属伪影的标签图像，进而训练神经网络来消除 CT图像中的金属伪影。

发明内容

针对上述存在问题或不足，本发明提供了一种基于图像修复的CT图像金属伪影消除方法。

本发明采用的技术方案是：

(1)准备不含有金属伪影的CT图像集A和含有金属伪影的CT图像集B。

(2)在CT图像集A上，基于卷积神经网络，训练CT图像修复模型。

(3)用(2)中训练好的CT图像修复模型，生成CT图像集B的标签集。

(4)在CT图像集B和标签集上，基于卷积神经网络，训练去伪影模型。

所述步骤(2)中的CT图像修复模型训练过程具体包括：

(21)定义CT图像修复模型为φ，其基本结构为encoder-decoder，输入图片经过encoder 中的卷积层和下采样层提取高维信息，再经过decoder中的上采样层逐步恢复图片的空间分辨率，最终输出图片尺寸与输入图片一致。定义ImageNet数据集上的预训练VGG模型为

(22)从CT图像集A中取出一张图片作为标签，记为I_gt。随机产生只含有0和1二值图片M，0代表当前像素是一个需要修复的孔洞。输入图片记为I_in，输出图片记为I_out， I_in＝I_gt⊙M，Io_ut＝φ(I_in)。

(23)使用随机梯度下降法进行训练模型φ，采用复合损失函数，L_hole是孔洞处的L¹损失， L_valid是非孔洞处的L¹损失，L_perceptual是高维空间的L¹损失，计算公式如下：

L_hole＝||(1-M)⊙(I_out-I_gt)||₁

L_valid＝||M⊙(I_out-I_gt)||₁