[发明专利]CT图像环状伪影自适应保结构校正方法、装置及成像设备

说明书

本发明公开了一种CT图像环状伪影自适应保结构校正方法、装置及成像设备，该发明包含的步骤为：步骤1，获取被测物体的原始CT投影图像；步骤2，对原始CT投影图像进行多尺度分解，获得尺寸各异的初始多尺度图像；步骤3，对各初始多尺度图像进行保边界滤波，输出第一多尺度图像；步骤4，通过伪影信息校正方法，去除第一多尺度图像中的伪影信息所对应的频率信息，输出第二多尺度图像；步骤5，将第二多尺度图像依次进行重构、重建，获得去除环状伪影的CT图像。本发明仅通过软件算法有效校正CT图像环状伪影，不需要特殊的硬件支持。

技术领域

本发明涉及CT(英文全称为“Computed Tomography”，中文全称为“电子计算机断层扫描”)图像处理技术领域，特别是关于一种CT图像环状伪影自适应保结构校正方法、装置及成像设备。

背景技术

X射线CT成像设备一般由射线源子系统、探测器子系统、机械扫描子系统、信号控制子系统和屏蔽设施等组成。X射线CT成像的基本过程是将被测物体放置在样品台上，开启射线源以产生X射线束，同时开启探测器以探测与被测样品相互作用后的X射线；被测样品相对于射线源和探测器旋转一周，以获取CT扫描数据；对扫描数据做一定的处理，并利用重建算法获取反映被测物体内部结构的CT图像。在CT成像过程中，存在多种因素影响CT图像质量，如射线能谱分布、射线管电流的稳定性、滤波片材质、探测器响应效率和重建算法等。

目前，经典的CT重建算法(如FBP，ART)总是假定探测器的探测效率为100％，忽略多能射线和散射光子的影响。实际上，常用的X射线探测器是通过间接的方式探测X射线，即通过闪烁晶体将X射线转换成可见光，再通过光敏器件将可见光转换成电流，最后将电流积分并通过数模转换器将其转换成数字信号。闪烁晶体和光敏器件耦合成为探测器单元，并按照一定的几何阵列排布(如线阵列探测器、面阵列探测器)构成探测器子系统。在X射线探测过程中，不同探测器单元对同一能量的X射线探测效率常常不一致。即使是同一探测器单元，其对不同能量光子的响应效率是非线性的，而医学和工业CT成像设备中常用的X射线光源产生的X射线是由多能光子组成的，从而使探测器单元响应效率的不一致性更强。探测器单元响应效率的不一致性，在投影图像中以竖直条纹的形式存在，在重建CT图像中是以环状的形式存在。竖直条纹伪影在投影图像中的表现是宽窄不一的平行条纹；环状伪影在重建CT图像中的表现是一系列的同心圆或圆弧。

现有环状伪影校正方法可分为硬件校正方法、模型驱动校正方法和数据驱动校正方法。硬件校正方法通常是在CT扫描过程中控制探测器产生随机微小偏移，通过数据重排使投影图像中竖直条纹变为随机噪声，从而去除伪影成分。但随机噪声会导致图像空间分辨率一定程度下降，另外控制探测器随机偏移不仅会增加系统复杂度，而且还会显著增加扫描时间。模型驱动校正方法是利用投影图像或重建图像中环状伪影的特征，建立其数学描述，而后设计相应的求解算法或者图像处理算法，去除或者抑制投影图像或重建图像中的环状伪影。Wavelet-FFT滤波是一种代表性的校正方法。该方法通过小波分解和傅里叶滤波去除投影图像中竖直条纹伪影。但其滤波过程不能保证有效区分伪影成分和图像的边界成分，导致在一些情况下校正不完全，甚至可能引入新的伪影。数据驱动校正方法通常是利用伪影图像和理想校正图像构成的标签数据集，对深度神经网络进行训练，获得用于伪影识别或校正的神经网络模型。该方法的准确性对训练数据集有较强的依赖。实际应用中，由于训练数据集不易获取，环状伪影通常难以彻底去除，一般需要结合模型驱动方法来提高校正效果。

综上，现有校正方法存在着去除环状伪影不够彻底，容易引入新的伪影，以及难以保证图像空间分辨率等缺陷。

发明内容

本发明的目的在于提供一种CT图像环状伪影自适应保结构校正方法、装置及成像设备，其能够能很好地保留图像的边界和细节信息，而不引入新的伪影。

为了实现上述目的，本发明所采用的技术方案如下：

为实现上述目的，本发明提供一种CT图像环状伪影自适应保结构校正方法，其包括：

步骤1，获取被测物体的原始CT投影图像；