CN105719245B - 一种利用投影数据去除ct探测元故障造成的环状伪影的方法 - Google Patents

一种利用投影数据去除ct探测元故障造成的环状伪影的方法 Download PDF

Info

Publication number
CN105719245B
CN105719245B CN201610020461.4A CN201610020461A CN105719245B CN 105719245 B CN105719245 B CN 105719245B CN 201610020461 A CN201610020461 A CN 201610020461A CN 105719245 B CN105719245 B CN 105719245B
Authority
CN
China
Prior art keywords
matrix
projection
obtains
fault zone
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201610020461.4A
Other languages
English (en)
Other versions
CN105719245A (zh
Inventor
周凌宏
齐宏亮
袁翠云
陈梓嘉
徐圆
吴书裕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Medical University
Original Assignee
Southern Medical University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southern Medical University filed Critical Southern Medical University
Priority to CN201610020461.4A priority Critical patent/CN105719245B/zh
Publication of CN105719245A publication Critical patent/CN105719245A/zh
Application granted granted Critical
Publication of CN105719245B publication Critical patent/CN105719245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20172—Image enhancement details
    • G06T2207/20182—Noise reduction or smoothing in the temporal domain; Spatio-temporal filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30004—Biomedical image processing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种利用投影数据去除CT探测元故障造成的环状伪影的方法，该方法包括如下步骤：(1)导入投影数据得到矩阵A，检测矩阵A中故障区域的位置，用故障区域左右两列外的两列数据对故障区域所对应列进行线性插值得到矩阵B；(2)对矩阵B进行滤波反投影重建后再进行均值滤波、前向投影，得到投影正弦矩阵C；(3)用矩阵A减去矩阵C，再以差值矩阵中故障区域所对应的列外的左右列数据对故障区域所对应的列进行线性插值处理，得到矩阵D；(4)将矩阵C与矩阵D相加得到矩阵E；(5)返回到步骤(2)，不断循环步骤(2)～(4)，直至达到预设的迭代次数后，再对所得到的结果进行滤波反投影重建，得到去除伪影后的CT图像。本方法可消除CT探测元连续大面积故障所产生的环形伪影。

Description

一种利用投影数据去除CT探测元故障造成的环状伪影的方法
技术领域
本发明涉及一种医学图像处理，具体涉及图像的增强或复原，特别是涉及CT图像环形伪影消除方法。
背景技术
CT，即计算机断层技术，广泛应用于医学诊断等诸多领域。但是，在CT***中，由于探测器加工工艺精度和使用寿命等因素受到制约，重建出的CT图像经常伴随环形伪影的出现。环形伪影会影响后续的图像处理操作，如图像去噪、图像分割、图像测量，等等。
CT图像环形伪影校正方法主要分为CT图像校正法和投影正弦图校正法。CT图像校正方法的思路是，首先将笛卡尔坐标系下的环形伪影变换到极坐标系下，伪影形态从环形变换成直线，然后进行直线位置检测和滤波处理，最后再将处理后的图像从极坐标系变换回笛卡尔坐标系，完成校正。此类方法虽可以较好去除CT图像环形伪影，但是由于不同坐标系之间的转换需要进行插值，造成图像的分辨率和保真度下降。基于投影正弦图的校正法中，由于CT图像的环形伪影在投影正弦图中表现直线的特征，因此可直接对直线进行定位和修补，对校正后的投影正弦图利用重建技术得到不含有环形伪影的CT图像。投影正弦图校正法较好地去除了CT图像环形伪影，同时，相对于基于CT图像校正的方法而言，校正后的CT图像具有较高的分辨率和保真度。
硕士学位论文“去除CT图像环形伪影算法研究”的作者罗君方分别提出基于投影正弦图的校正方法和基于CT图像校正法，并指出，两种方法相比，基于投影正弦图的校正方法更佳。在基于投影正弦图的校正方法中，通过中值滤波，利用Sobel检测器的边缘检测函数edge对伪影边缘数据进行标记，并结合使用Hough或bwlabel函数对环状伪影进行定位，选用最近邻域插值、线性插值、三次多项式拟合插值三种方法对环状伪影进行去除，并对三种插值方法进行了分析比较。结果表明，线性插值是最简洁且效果最好的插值方法。但文中所要校正的投影缺失数据表现为“缺失数据是细小区域”(所述硕士学位论文的中文摘要第II页第1自然段)。但是，当探测器上的探测元出现连续大面积的“坏死”时，上述硕士学位论文仅用插值方法就无法较准确估计出缺失信息，不仅无法很好地去除CT图像中的环形伪影，而且由于缺失信息的错误估计还会带来新的伪影。
发明内容
针对现有技术存在的不足，本发明所要解决的技术问题是提供一种利用投影数据去除CT探测元故障造成的环状伪影的方法，该方法可消除CT探测元连续大面积故障所产生的CT图像环形伪影。
本发明为解决上述技术问题的方案如下。
1、一种利用投影数据去除CT探测元故障造成的环状伪影的方法，该方法包括如下步骤：
(1)导入圆轨道CT成像***采集的投影数据，得到投影正弦矩阵A；以Sobel直线检测方法或Canny直线检测方法检测连续故障的CT探测元所对应的故障区域在矩阵A中的位置，并用其左右两列外的两列数据对故障区域所对应列进行线性插值，得到初步校正后的投影正弦矩阵B；
(2)对所述的矩阵B进行滤波反投影重建得到矩阵image1，然后对矩阵image1进行均值滤波得到矩阵image2，再对矩阵image2进行前向投影，得到投影正弦矩阵C；其中，所述的均值滤波方法由下式(Ⅰ)所示：
上式(Ⅰ)中，(i，j)表示矩阵image2中像素点位置；(i’,j’)表示满足以像素位置(i，j)为中心长宽分别为(2v+1)的矩形窗内的像素点位置，且，i’＝i-v，…，i+v，j’＝j-v，…，j+v，v为1～10的自然数，随伪影的宽度按正比例选取；w(i’,j’)表示image1(i’,j’)对image1(i,j)的权重；K表示以(i，j)为中心的邻域窗大小为(2v+1)*(2v+1)的范围内满足|image1(i',j')-image1(i,j)|≤T像素点个数；T为预设阈值；
(3)先用所述的矩阵A减去矩阵C，再以差值矩阵中故障区域所对应的列外的左右列数据对故障区域所对应的列进行线性插值处理，得到经差值运算和插值处理后的投影正弦矩阵D；
(4)将所述的矩阵C与矩阵D相加，得到求和运算后的投影正弦矩阵E；
(5)返回到步骤(2)，并用步骤(4)得到的矩阵E替代步骤(2)得到的矩阵B，不断循环步骤(2)～(4)，直至达到预设的迭代次数后，再对所得到的结果进行滤波反投影重建，得到去除伪影后的CT图像。
本发明较现有技术具有如下优点和效果：
1、可有效消除27.5％以内连续故障CT探测元所产生的CT图像环形伪影；
2、只对伪影区域进行操作，不会降低分辨率；
3、可针对CT探测元故障的严重程度选择迭代次数，灵活方便。
附图说明
图1为下述实施例1所述人头的CT投影正弦图像；
图2为图1所示CT投影正弦图像滤波反投影重建后CT图像。
图3为本发明所述方法的流程图。
图4为均值滤波方法中矩形窗的中心点(i,j)与中心点边缘其它点(i’,j’)位置关系的示意图。
图5为利用图1对应的投影数据采用本发明所述方法得到的CT图像，其中，a图为1次迭代重建后的CT图像，b图为2次迭代重建后的CT图像，c图为3次迭代重建后的CT图像。
图6为探测器第120列到第130列故障时得到的原始CT图像和对该图像进行校正后的CT图像，其中，a图为原始CT图像，b图为采用现有方法对原始进行校正重建后的CT图像，c图为采用本发明所述方法对原始进行校正重建后的CT图像。
图7为探测器第80列到第180列故障时得到的原始CT图像和对该图像进行校正后的CT图像，其中，a图为原始CT图像，b图为采用现有方法对原始进行校正重建后的CT图像，c图为采用本发明所述方法对原始进行校正重建后的CT图像。
图8为探测器无故障时重建所得到人头CT图像。
图9为利用图1对应的投影数据采用现有方法得到的CT图像。
具体实施方式
例1
图1为具有367个CT探测元的故障平板探测器得到的大小为256×256的人头的投影正弦图像，其中所述的故障平板探测器的连续故障CT探测元数量为21个，且位于探测器的第120列至第140列(故障率为21/367＝5.7％)。图1所示图像是在轨道CT成像***中获得的，其中所述CT成像***的射线源焦点到***旋转中心距离为500mm，***旋转中心到探测器距离500mm。图1所示图像是采用上述圆轨道CT成像***在360度范围内每间隔0.5度采集一次所得到的720个角度投影数据。将所得到的投影数据直接进行滤波反投影重建即得到如图2所示的CT图像。由图2可见，图像中具有宽度较大环形伪影，且环形伪影外侧含有条状伪影。
按图3所示的流程，采用本发明方法去除图2所示环形伪影的具体步骤如下：
(1)导入720个角度投影数据并将故障CT探测元的数据记为0，便得到大小为720×367的矩阵A：
以Sobel直线检测方法检测连续故障的CT探测元所对应故障区域在矩阵A中的位置，检测出第120列为故障起始列，第140列为故障终止列；然后利用第119和141列的数据对120～140列数据采用下式进行线性插值：对于第i行(1≤i≤720)的120～140列数据插值公式为：
A'(i,j)＝w1*A(i,119)+(1-w1)*A(i,141)
式中，1≤i≤720，120≤j≤140，w1＝(141-j)/(141-119)；
插值后得到初步校正后的投影正弦矩阵B：
(2)对所述的矩阵B进行本技术领域内熟知的滤波反投影重建得到矩阵image1，然后，取窗半径v＝5，阈值T＝0.06，按下式(Ⅰ)对矩阵image1进行均值滤波得到矩阵image2：
以下结合图4对上述均值滤波方法进行说明：
参见图4，以矩阵image1中某一像素点(i,j)为中心，形成11×11的矩阵块，该矩阵块中的任一像素点位置为(i’,j’)；利用公式(Ⅰ)便可完成对矩阵中(i,j)位置的像素点进行滤波，便得到矩阵image2。
在所述CT成像***所用的几何参数条件下，对矩阵image2进行本领域熟知的前向投影操作便得到投影正弦矩阵C，该矩阵的大小与矩阵A相同，都是720×367，即720行367列数据。
(3)先用所述的矩阵A减去矩阵C，得到下面的差运算矩阵，
然后再利用上述差运算矩阵的119列和141列的数据对120～140列的数据进行线性插值，得到矩阵D：
(4)将所述的矩阵C和矩阵D相加，得到求和运算后的投影正弦矩阵E：
(5)返回到步骤(2)，并用步骤(4)得到的矩阵E替代步骤(2)得到的矩阵B，不断循环步骤(2)～(4)，迭代3次；然后，对所得到的投影正弦矩阵进行滤波反投影重建，得到如图5c所示的去除伪影后的CT图像。
例2
为了进一步验证明本发明所述环形伪影去除方法的技术效果，本发明人还做了以下研究：
1、获取对比图像
(A)将例1步骤(5)1次和2次迭代所得到的投影正弦矩阵分别进行滤波反投影重建，结果如图5a和5b所示。
(B)按例1同样的方法，分别处理图6a和图7a所对应的CT投影数据，重建结果如图6c和图7c所示。其中，图6a为第120列到130列的探测器发生连续故障(故障率为11/367＝3％)时所得到的CT图像，图7a为第80列到180列的探测器发生连续故障(故障率为101/367＝27.52％)时所得到的CT图像；图6a和图7a所用CT成像***和参数与例1相同。
(C)采用与例1相同的CT成像***和参数获得探测器无故障时的人头CT图像，该图像如图8所示。
(D)将图2所对应的CT投影数据采用现有方法(硕士学位论文“去除CT图像环形伪影算法研究”，作者罗君)进行重建，结果如图9所示。
(E)将图6a和图7a所对应的CT投影数据分别采用现有方法(硕士学位论文“去除CT图像环形伪影算法研究”，作者罗君)进行重建，结果如图6b和图7b所示。
2、分析比较
(1)将图5c、图6c和图7c分别与图8比较可见，二者毫无差别，这说明本发明所述方法去除伪影效果十分理想。
(2)将图5c、图6c和图7c与图9、图6b和图7b依次对应相比可见，当探测器的连续故障率为3％时，现有技术所得到CT图像就开始出现伪影，且随着连续故障率的增加越来越明显，当连续故障率达到5.7％伪影就很严重，当连续故障率达到27.52％时就无法用于临床诊断。而采用本发明所述方法，当探测器的连续故障率达到27.52％时，所得到的CT图像与探测器完好的情况下所得CT图像仍无明显差别(见图7c与图8)。
(3)由于迭代次数越多运算量越大，而本发明所述的方法在探测器的连续故障率为27.52％情况下，只需要迭代3次就可满足要求。

Claims (1)

1.一种利用投影数据去除CT探测元故障造成的环状伪影的方法，该方法包括如下步骤：
(1)导入圆轨道CT成像***采集的投影数据，得到投影正弦矩阵A；以Sobel直线检测方法或Canny直线检测方法检测连续故障的CT探测元所对应的故障区域在矩阵A中的位置，并用其左右两列外的两列数据对故障区域所对应列进行线性插值，得到初步校正后的投影正弦矩阵B；
(2)对所述的矩阵B进行滤波反投影重建得到矩阵image1，然后对矩阵image1进行均值滤波得到矩阵image2，再对矩阵image2进行前向投影，得到投影正弦矩阵C；其中，所述的均值滤波方法由下式(Ⅰ)所示：
上式(Ⅰ)中，(i，j)表示矩阵image2中像素点位置；(i’,j’)表示满足以像素位置(i，j)为中心长宽分别为(2v+1)的矩形窗内的像素点位置，且，i’＝i-v，…，i+v，j’＝j-v，…，j+v，v为1～10的自然数，随伪影的宽度按正比例选取；w(i’,j’)表示image1(i’,j’)对image1(i,j)的权重；K表示以(i，j)为中心的邻域窗大小为(2v+1)*(2v+1)的范围内满足|image1(i',j')-image1(i,j)|≤T像素点个数；T为预设阈值；
(3)先用所述的矩阵A减去矩阵C，再以差值矩阵中故障区域所对应的列外的左右列数据对故障区域所对应的列进行线性插值处理，得到经差值运算和插值处理后的投影正弦矩阵D；
(4)将所述的矩阵C与矩阵D相加，得到求和运算后的投影正弦矩阵E；
(5)返回到步骤(2)，并用步骤(4)得到的矩阵E替代步骤(1)得到的矩阵B，不断循环步骤(2)～(4)，直至达到预设的迭代次数后，再对所得到的结果进行滤波反投影重建，得到去除伪影后的CT图像。
CN201610020461.4A 2016-01-12 2016-01-12 一种利用投影数据去除ct探测元故障造成的环状伪影的方法 Active CN105719245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610020461.4A CN105719245B (zh) 2016-01-12 2016-01-12 一种利用投影数据去除ct探测元故障造成的环状伪影的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610020461.4A CN105719245B (zh) 2016-01-12 2016-01-12 一种利用投影数据去除ct探测元故障造成的环状伪影的方法

Publications (2)

Publication Number Publication Date
CN105719245A CN105719245A (zh) 2016-06-29
CN105719245B true CN105719245B (zh) 2018-06-19

Family

ID=56147810

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610020461.4A Active CN105719245B (zh) 2016-01-12 2016-01-12 一种利用投影数据去除ct探测元故障造成的环状伪影的方法

Country Status (1)

Country Link
CN (1) CN105719245B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127792B (zh) * 2016-07-22 2018-10-30 杭州师范大学 磁共振动脉自旋标记脑灌注成像数据伪迹图去除方法
WO2018103015A1 (zh) * 2016-12-07 2018-06-14 深圳先进技术研究院 一种环形伪影修正的方法及装置
CN110751701B (zh) * 2019-10-18 2021-03-30 北京航空航天大学 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法
CN111047659B (zh) * 2019-11-08 2023-06-30 湖北科技学院 结合滤波方法的ct环形伪影的校正方法
CN111110260B (zh) * 2019-12-24 2023-09-26 沈阳先进医疗设备技术孵化中心有限公司 一种图像重建方法、装置及终端设备
CN112233027B (zh) * 2020-09-30 2022-12-09 西北工业大学 一种ct图像环形伪影的迭代后处理去除方法
CN115439353B (zh) * 2022-08-23 2023-11-07 南方医科大学南方医院 Ct图像环形伪影校正方法、***及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499705A (zh) * 2011-09-29 2012-06-20 华中科技大学 一种用于消除层析成像中环状伪影的方法及***
CN103020928A (zh) * 2012-11-21 2013-04-03 深圳先进技术研究院 锥束ct***的金属伪影校正方法
CN103679642A (zh) * 2012-09-26 2014-03-26 上海联影医疗科技有限公司 一种ct图像金属伪影校正方法、装置及ct设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102499705A (zh) * 2011-09-29 2012-06-20 华中科技大学 一种用于消除层析成像中环状伪影的方法及***
CN103679642A (zh) * 2012-09-26 2014-03-26 上海联影医疗科技有限公司 一种ct图像金属伪影校正方法、装置及ct设备
CN103020928A (zh) * 2012-11-21 2013-04-03 深圳先进技术研究院 锥束ct***的金属伪影校正方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
一种改进的均值滤波算法;朱士虎 等;《计算机应用与软件》;20131130;第30卷(第12期);第98页 *
去除CT图像环形伪影算法研究;罗君方;《中国优秀硕士学位论文全文数据库 信息科技辑》;20100115;第29-33页 *
锥束CT断层图像的环形伪影校正方法研究;王海浪;《万方数据》;20150520;第29页 *

Also Published As

Publication number Publication date
CN105719245A (zh) 2016-06-29

Similar Documents

Publication Publication Date Title
CN105719245B (zh) 一种利用投影数据去除ct探测元故障造成的环状伪影的方法
Luthra et al. Eformer: Edge enhancement based transformer for medical image denoising
Shen et al. An automated lung segmentation approach using bidirectional chain codes to improve nodule detection accuracy
CN100524358C (zh) 一种改进的锥形束ct环形伪影的消除方法
CN102945368B (zh) 啤酒瓶盖激光字符的定位识别方法
CN102800073B (zh) 一种锥束ct环形伪影的自动判别与校正方法
CN109801343B (zh) 基于重建前后图像的环形伪影校正方法、ct控制***
US6201888B1 (en) System and method for restoring, describing and graphically displaying noise-corrupted boundaries in tomography images
CN102103757B (zh) 锥束图像重建方法及装置
Huang et al. Restoration of missing data in limited angle tomography based on Helgason–Ludwig consistency conditions
US9196061B2 (en) Systems and methods for performing truncation artifact correction
CN110060316B (zh) 一种用于ct重建中多区域分割的环伪影校正方法
CN103400365A (zh) 肺区ct序列自动分割方法
CN106846427B (zh) 一种基于重加权各向异性全变分的有限角度ct重建方法
CN102968788B (zh) 一种基于规则格网面元的波段配准方法
CN110555834B (zh) 基于深度学习网络的ct坏通道实时检测及重建方法
CN104766336B (zh) 一种固体发动机三维ct缺陷提取及标记方法
CN106296763A (zh) 一种金属材料工业ct图像质量快速校正方法
CN116934635B (zh) 基于图像处理技术的病理图像质控方法及设备
Xing et al. Self-supervised guided segmentation framework for unsupervised anomaly detection
Han et al. Deep learning reconstruction for 9-view dual energy CT baggage scanner
Peng et al. An oriented derivative of stick filter and post-processing segmentation algorithms for pulmonary fissure detection in CT images
US10217248B2 (en) Method for removing streak from detector cell with performance difference
Da-xi et al. An algorithm for medical imaging identification based on edge detection and seed filling
Bai et al. Development and evaluation of a new fully automatic motion detection and correction technique in cardiac SPECT imaging

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant