[发明专利]一种图像金属伪影抑制方法

说明书

本申请属于图像技术领域，特别是涉及一种图像金属伪影抑制方法。双能CT成像的高、低两种能态的图像中，金属伪影的形态和程度有所区别，目前的方法并没有利用两幅图像的内在联系进行重建，性能仍有很大提升空间。本申请提供了一种图像金属伪影抑制方法，包括：将图像的图像域分成不同的子域；提取输入图像以及所述图像对应的域识别符，然后按照目标域识别符将所述图像转换为目标域图像得到生成图像；根据所述生成图像得到重建图像，计算重建损失；将所述图像和所述重建图像输入判别器，得到判别结果和域分类结果；计算对抗损失和域分类损失，训练深度神经网络；使用训练好的神经网络得到抑制伪影的图片。适用于各种金属伪影，鲁棒性更强。

技术领域

本申请属于图像技术领域，特别是涉及一种图像金属伪影抑制方法。

背景技术

在计算机断层成像(Computed Tomography,CT)中，患者体内的金属植入物，包括牙科填充物、髋关节假体、线圈等，可能导致图像产生金属伪影。金属物体会强烈衰减X射线的强度，甚至完全阻挡它们的穿透，从而导致探测器接收到损坏或不完备的投影数据，使用这些数据重建图像时会产生明暗相间的放射状条纹，损失图像中重要的结构信息，引起医生的误判或靶区大小的计量误差。因此，利用快速有效的算法抑制CT图像中的金属伪影，提升图像质量有很大的临床意义。双能CT成像可以解决传统的CT成像技术中的许多问题，例如运动伪影、射术硬化、不完全扫描引起的条形伪影、低剂量条件下的噪声等，并且操作更加便利、病人接受辐射剂量相对较低，如今已在临床中广泛使用。

目前，现有的金属伪影抑制(Metal artifact reduction,MAR)算法可以分为三类：基于投影域插值的金属伪影抑制方法、基于迭代重建的金属伪影抑制算法以及基于深度学习的金属伪影抑制方法。因为金属伪影通常呈现为非局部的明暗条纹，所以在图像域对其建模非常困难，在深度学习兴起之前，大部分的工作都是在投影域进行的，例如，金属影响的区域在投影域是缺失的，这些算法采用不同方法对缺失的数据插值，但是，由于投影是在一定几何形状下取自单个对象的，因此增强的正弦图应满足物理约束，否则，会在重建的CT图像中引入严重的二次伪影。基于迭代重建的金属伪影抑制算法在图像域利用优化算法最小化图像与真实结果的误差，从而获得高质量的去伪影图像。该类算法通常能够有效抑制金属伪影，但是计算量非常大，对硬件要求高且时效性差。

最近，深度学习在金属伪影抑制方面也有较大进展。Wang等人应用pix2pix模型在图像域中减少CT图像的金属伪影。Zhang等人首先通过卷积神经网(convolutionalneuralnetwork,CNN)估计先验图像，再基于先验图像对正弦图中的金属损坏区域填充了替代数据，以减少二次伪像。Park等人应用U-Net直接恢复金属损坏的正弦图。

基于投影域插值的金属伪影抑制方法具有理论简单、计算快速、容易实现等优点，但是只能应对简单的金属物体，对特殊形状的金属难以满足物理约束，会在重建的CT图像中引入严重的二次伪影；基于迭代重建的金属伪影抑制算法能够有效的抑制伪影和噪声，但是运算量非常大，速度慢，难以实用化；目前的深度学习MAR算法都是对单剂量CT图像进行伪影抑制，并没有应用到双能CT图像中。而双能CT成像的高、低两种能态的图像中，金属伪影的形态和程度有所区别，目前的方法并没有利用两幅图像的内在联系进行重建，性能仍有很大提升空间。

发明内容

1.要解决的技术问题

基于双能CT成像的高、低两种能态的图像中，金属伪影的形态和程度有所区别，目前的方法并没有利用两幅图像的内在联系进行重建，性能仍有很大提升空间的问题，本申请提供了一种图像金属伪影抑制方法。

2.技术方案

为了达到上述的目的，本申请提供了一种图像金属伪影抑制方法，所述方法包括如下步骤：

步骤1：将图像的图像域分成不同的子域；