[发明专利]一种基于深度学习的双域CT图像环状伪影去除方法

说明书

本发明公开了一种基于深度学习的双域CT图像环状伪影去除方法，针对CT图像的环状伪影，使用投影域和图像域双域混合的校正方法，利用深度神经网络在投影域和图像域分别进行伪影校正，然后将双域校正后的图像组合为双通道的图像集，并分割为图像块，通过一个图像质量评价的深度神经网络来对这些图像块进行质量评价，其中评价高的通道保留下来，最终所有保留下的图像块经过直方图匹配后组成最终的校正图像。本发明使用了深度神经网络在投影域和图像域分别对伪影图像进行处理，这种方法比之传统的后处理算法如正则化迭代算法，提高了处理速度，减少了伪影的引入。

技术领域

本发明属于CT图像环状伪影去除领域，具体涉及一种基于深度学习的双域CT图像环状伪影去除方法。

背景技术

目前计算机断层成像技术(CT)在医疗领域得到了广泛的应用。其中，由于CT机器中探测器的物理姿态变化，常常会在成像中引入环状伪影。由于探测器的移位、损坏或被遮挡，在CT扫描之后获得的投影图中，这些探测器方向会形成与其他探测器数据不连续的条形伪影，而这些条形伪影经过滤波反投影重建为CT图像时，就形成了以重建图像中心为圆心的呈环形分布的伪影，即环状伪影。环状伪影的出现会严重降低重建图像的质量，干扰医生诊断。如何抑制环状伪影是CT领域的一大问题。

目前针对环状伪影的传统去伪影方法主要分为平场校正、硬件校正和后处理算法校正三大类，平场校正是去除环状伪影的常用算法，在数据采集前后对背景图像进行无采样测量。由此产生的平坦场，包括入射x射线束的非均匀效应、闪烁体和探测器像素的响应，可用于校正扫描的数据，然后减少伪影。然而，由于不同探测器的响应函数不同，环形伪影无法完全消除。硬件校正方法需要在数据采集过程中调整探测器的位置。这样就可以得到不同探测器的不同响应，然后对所有检测器的特征进行平均以减少伪影。

后处理算法校正主要可以分为投影域算法、图像域算法。环状伪影在投影域呈显出条形伪影的形式，投影域算法利用正弦图中条纹伪影的频率特性，对正弦图进行频域处理。例如小波傅里叶变换方法，其利用二维小波对投影图进行分解，然后对垂直细节带系数进行滤波。由于小波分解的特性，小波傅里叶滤波方法可以有效地去除覆盖整个正弦图的理想条纹伪影。但对于含有不理想的条纹伪影的实际投影，该方法可能会保留一些伪影，甚至引入二次伪影。图像域算法则常常借助于极坐标变换等方法，将环状伪影转化为极坐标下的条形伪影，再利用滤波去除。因为条形伪影相对于环状伪影更易被滤波去除，所以此方法可以有效抑制环状伪影，但常常有细小的环状伪影残留。

随着深度学习技术的发展，深度卷积神经网络越来越广泛的应用在医学成像领域，其中针对于CT环状伪影校正方面，有很多新的网络架构和算法被提了出来。严格来说，基于深度学习的环状伪影校正算法属于后处理算法。这些算法也可以大致分为图像域、投影域和混合域三个大类。投影域和图像域算法所使用的深度神经网络多数是类似于U-net的编解码网络，相比于传统的双域校正算法，基于深度学习的双域校正算法具有快捷方便且效果更好的优点，但是其更依赖于训练数据，泛化能力不如传统算法。图像域的深度学习算法常常消去例如骨头这样的一些细节，而投影域的深度学习算法类似于传统算法，也容易引入一些二次伪影。基于深度学习的混合域校正算法往往将深度神经网络作为工具连接投影域和图像域进行双域的强化校正，从而减少单域算法存在的伪影残留和伪影引入等问题。因此混合域算法往往可以实现结合投影域和图像域算法的优点，进一步的抑制环状伪影，实现更好的去伪影效果。

发明内容

本发明的目的在于克服上述不足，提供一种基于深度学习的双域CT图像环状伪影去除方法，在双域去伪影的前提下进一步的减少残余伪影和二次伪影的混合域环状伪影去除方法。

为了达到上述目的，本发明包括以下步骤：

S1，搭建投影域去伪影的深度神经网络，投影域网络设置为残差学习网络，投影域网络使用最大反池化作为上采样；

S2，搭建图像域去伪影的深度神经网络，上采样采用双线性插值法；