CN113034636B - 基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置 - Google Patents
基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置 Download PDFInfo
- Publication number
- CN113034636B CN113034636B CN202110256654.0A CN202110256654A CN113034636B CN 113034636 B CN113034636 B CN 113034636B CN 202110256654 A CN202110256654 A CN 202110256654A CN 113034636 B CN113034636 B CN 113034636B
- Authority
- CN
- China
- Prior art keywords
- scattering
- projection data
- cross
- cone
- energy spectrum
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于跨尺度多能谱CT标签的锥束CT图像质量改善方法和装置,包括以下步骤:基于跨尺度多能谱诊断CT图像构建以散射污染投影数据和散射信号为一个样本对的样本数据集,利用样本数据集优化包含用于估计散射信号的生成器和用于区分散射信号的鉴别器的生成式对抗网络的参数,提取参数优化好的生成器作为跨尺度多能谱散射估计模型;利用跨尺度多能谱散射估计模型对测量锥束CT投影数据进行散射估计,根据估计散射信号和锥束CT投影数据实现对锥束CT散射校正。从各种成像部位和x射线能谱下获得锥束CT投影中估算准确的散射分布,实现跨尺度多能谱锥束CT的图像质量提升,满足临床的需求。
Description
技术领域
本发明属于医学工程技术领域,具体涉及一种基于跨尺度多能谱CT标签的锥束CT图像质量改善方法和装置。
背景技术
锥束CT在放射治疗和外科手术的图像引导中占据着主导地位。锥束CT继承了传统的基于多层探测器的诊断CT的高清结构成像功能的特征,保留了常规多排诊断CT解剖结构无畸变的成像特性,可真实反映病灶形态和位置。相较于诊断CT,锥束CT设备结构简单,关键部件体积小;且探测器成像单元线度小,则成像***空间分辨率高;同时总辐射剂量较低,有助于降低患者辐射损伤风险。它还提供了机载和术中成像功能,可在治疗过程中准确提供目标感兴趣区域(ROI)的位置和形态。因此,锥束CT普遍用于常规临床应用,例如术中患者摆位,每日或每周患者靶区验证,治疗监测,肿瘤定位等。锥束CT已进一步应用于先进的临床应用包括在线靶区勾画,剂量累积,机载治疗计划以及诊断决策。锥束CT可以在低x射线照射剂量下有效地获得三维(3D)体积信息。然而,由于大锥角照射过程中的散射污染,锥束CT的图像质量会因阴影和/或条纹伪影而降低。当需要对具有复杂结构的人体进行成像时,按照信号与处理理论,这些结构本身将对散射信号叠加复杂调制,如果不进行相应的补偿和修正,直接重建结果中将受到严重的伪影污染,CT影像质量也将大大降低。利用放疗设备上装载的锥束CT***获得的腹腔锥束CT图中有明显的阴影伪影存在,不仅会影响CT影像中的软组织区域分辨,甚至连皮肤边界区域也无法准确识别,进而影响和限制锥束CT***的患者摆位等临床应用。需要注意的是,此时放疗设备上已经装载了包括蝶形滤波器以及抗散射滤线栅等辅助散射抑制硬件,但仍存在显著的伪影问题。这些问题限制了锥束CT成像在临床上的使用。
目前提出的散射修正方法均未考虑成像物体尺寸和成像能谱对散射分布的影响。锥束CT投影中散射分布的主要影响因素为扫描物体的体积和扫描x射线的能谱。研究发现,散射信号强度随着x射线辐照体积的增加而单调增强。在轴向(即z方向)锥角超过11度的临床用锥束CT***(如Varian的Trilogy***)上,中等尺寸的人体器官平均散原信号比(SPR)大约为2-3,引起的CT数误差高达350Hounsfield Unit(HU)。在Alexander Malusek等人的研究中,对于头部尺寸的物体,在30keV时,x射线的散原信号比比60keV时高2.42倍,比90keV时高3.24倍。对于一个人体大小的物体,在30keV时的SPR是60keV时的2倍,而在90keV时则是2.65倍。跨尺度物体体积的差异和射线能谱的差异成为目前散射修正无法避免的问题。
发明内容
鉴于上述,本发明提供了一种基于跨尺度多能谱CT标签的锥束CT图像质量改善方法和装置,从各种成像部位和x射线能谱下获得锥束CT投影中估算准确的散射分布,实现跨尺度多能谱锥束CT的图像质量提升,满足临床的需求。
为实现上述发明目的,本发明提供以下技术方案:
第一方面,一种基于跨尺度多能谱CT标签的锥束CT图像质量改善方法,包括以下步骤:
基于跨尺度多能谱诊断CT图像构建以散射污染投影数据和散射信号为一个样本对的样本数据集,利用样本数据集优化包含用于估计散射信号的生成器和用于区分散射信号的鉴别器的生成式对抗网络的参数,提取参数优化好的生成器作为跨尺度多能谱散射估计模型;
利用跨尺度多能谱散射估计模型对测量锥束CT投影数据进行散射估计,根据估计散射信号和锥束CT投影数据实现对锥束CT散射校正。
第二方面,一种基于跨尺度多能谱CT标签的锥束CT图像质量改善装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机处理器执行所述计算机程序时实现上述的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法。
与现有技术相比,本发明具有的有益效果至少包括:
本发明提供的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法和装置。根据跨尺度多能谱诊断CT图像来构建包含散射污染投影数据和散射信号的样本对,利用样本对来优化生成式对抗网络的参数,以构建跨尺度多能谱散射估计模型,应用时,利用跨尺度多能谱散射估计模型对测量锥束CT投影数据进行散射估计后,根据估计散射信号和锥束CT投影数据实现对锥束CT散射校正,这样能够大大提升跨尺度多能谱锥束CT的图像质量。可用于不同部位、不同能量的锥束CT图像质量改善。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是本发明实施例提供的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法的流程图;
图2是本发明实施例提供的头部模体修正图像,其中,(a)未修正75kVp图像,(b)已修正75kVp图像,(c)已修正100kVp图像,(d)已修正125kVp图像,(e)金标准75kVp图像;
图3是本发明实施例提供的腹部病人修正图像,其中,(a)未修正图像,(b)修正后图像,(c)金标准图像。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1是本发明实施例提供的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法的流程图。参见图1,实施例体用的锥束CT图像质量改善方法包括以下步骤:
步骤1,基于跨尺度多能谱诊断CT图像构建以散射污染投影数据和散射信号为一个样本对的样本数据集。
实施例中,跨尺度多能谱诊断CT图像可以是从飞利浦Brilliance Big Bore CT设备获得的腹部病人诊断CT图像和西门子SOMATOM Force X射线计算机体层摄影设备获得双能诊断CT图像,这些图像作为原始数据可以用于样本对的构建。
其中,基于跨尺度多能谱诊断CT图像构建以散射污染投影数据和散射信号为一个样本对包括:
对跨尺度多能谱诊断CT图像分别进行正向投影处理和蒙特卡罗仿真处理,得到无散射投影数据和散射信号;
将散射信号添加到无散射投影数据中,获得与测量锥束CT投影接近的散原信号比;
根据散原信号比将散射信号添加到无散射投影数据中,获得散射污染投影数据,该散射污染投影数据与散射信号组成一个样本对。
实施例中,将散射信号添加到无散射投影数据时,得到散射信号和原始无散射投影数据的比值,简称散原信号比,该散原信号比一般与测量锥束CT数据存在的散射信号比是比较接近的,此处的接近可以理解为:散原信号比和测量锥束CT数据中散原信号比相差不超过10%。在获得散原信号比后,按照散原信号比的比例在无散射投影数据中添加散射信号,得到散射污染投影数据,该散射污染投影数据作为样本与添加的散射信号作为标签组成一个样本对,用于优化生成器和鉴别器的网络参数。
步骤2,利用样本数据集优化包含用于估计散射信号的生成器和用于区分散射信号的鉴别器的生成式对抗网络的参数,提取参数优化好的生成器作为跨尺度多能谱散射估计模型。
实施例中,生成器用于散射信号估计,可以采用具有残差块的对称编码器-解码器框架,其输入为散射污染投影数据或测量锥束CT投影数据,输出为估计散射信号,即将散射污染投影数据变换为估计散射信号来接近用作标签的原始散射信号。
鉴别器作为二分类器,以区分输入的散射信号的真伪,即判别输出的散射型号是样本中的原始散射信号,还是有生成器生成的估计散射信号。具体地,鉴别器采用马尔科夫鉴别器,其输入为估计散射信号和样本对中的原始散射信号,输出对输入数据的鉴别真伪的结果。辨别的结果与生成器组合通过网络的损失函数以优化其参数。
在对生成式对抗网络进行参数优化时,采用的损失函数G*为:
在对生成式对抗网络进行参数优化时,所述生成器和鉴别器中参数使用自适应矩估计算法(Adam)进行优化。
步骤3,利用跨尺度多能谱散射估计模型对测量锥束CT投影数据进行散射估计,根据估计散射信号和锥束CT投影数据实现对锥束CT散射校正。
实施例中,根据估计散射信号和锥束CT投影数据实现对锥束CT散射校正包括:
从锥束CT投影数据中取出估计散射信号得到修正后锥束CT投影数据,对修正后锥束CT投影数据进行降噪和重建获得修正后CT图像。
在获得修正后CT图像后,采用均方根误差、Pearson相关系数、平均结构相似指数和空间非均匀性作为图像定量评价指标来评估锥束CT散射修正的效果。
图2是本发明实施例提供的头部模体修正图像,其中,(a)未修正75kVp图像,(b)已修正75kVp图像,(c)已修正100kVp图像,(d)已修正125kVp图像,(e)金标准75kVp图像;
图3是本发明实施例提供的腹部病人修正图像,其中,(a)未修正图像,(b)修正后图像,(c)金标准图像。
通过分析图2和图3,可以得到相比较于金标准图像,修正后的图像CT数误差为10HU左右,较好的修正了锥束CT中的散射伪影,提高了锥束CT图像的质量。
实施例还提供了一种基于跨尺度多能谱CT标签的锥束CT图像质量改善装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,计算机处理器执行所述计算机程序时实现上述基于跨尺度多能谱CT标签的锥束CT图像质量改善方法。
实际应用中,计算机存储器可以为在近端的易失性存储器,如RAM,还可以是非易失性存储器,如ROM,FLASH,软盘,机械硬盘等,还可以是远端的存储云。计算机处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)、或现场可编程门阵列(FPGA),即可以通过这些处理器实现基于跨尺度多能谱CT标签的锥束CT图像质量改善方法步骤。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于跨尺度多能谱CT标签的锥束CT图像质量改善方法,其特征在于,包括以下步骤:
基于跨尺度多能谱诊断CT图像构建以散射污染投影数据和散射信号为一个样本对的样本数据集,利用样本数据集优化包含用于估计散射信号的生成器和用于区分散射信号的鉴别器的生成式对抗网络的参数,提取参数优化好的生成器作为跨尺度多能谱散射估计模型;
利用跨尺度多能谱散射估计模型对测量锥束CT投影数据进行散射估计,根据估计散射信号和锥束CT投影数据实现对锥束CT散射校正;
所述基于跨尺度多能谱诊断CT图像构建以散射污染投影数据和散射信号为一个样本对包括:
对跨尺度多能谱诊断CT图像分别进行正向投影处理和蒙特卡罗仿真处理,得到无散射投影数据和散射信号;
将散射信号添加到无散射投影数据中,获得与测量锥束CT投影接近的散原信号比;
根据散原信号比将散射信号添加到无散射投影数据中,获得散射污染投影数据,该散射污染投影数据与散射信号组成一个样本对。
2.如权利要求1所述的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法,其特征在于,所述生成器采用具有残差块的对称编码器-解码器框架,其输入为散射污染投影数据或测量锥束CT投影数据,输出为估计散射信号。
3.如权利要求1所述的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法,其特征在于,所述鉴别器采用马尔科夫鉴别器,其输入为估计散射信号和样本对中的原始散射信号,输出对输入数据的鉴别真伪的结果。
5.如权利要求1或4所述的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法,其特征在于,在对生成式对抗网络进行参数优化时,所述生成器和鉴别器中参数使用自适应矩估计算法进行优化。
6.如权利要求1所述的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法,其特征在于,所述根据估计散射信号和锥束CT投影数据实现对锥束CT散射校正包括:
从锥束CT投影数据中取出估计散射信号得到修正后锥束CT投影数据,对修正后锥束CT投影数据进行降噪和重建获得修正后CT图像。
7.如权利要求1所述的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法,其特征在于,在获得修正后CT图像后,采用均方根误差、Pearson相关系数、平均结构相似指数和空间非均匀性作为图像定量评价指标来评估锥束CT散射修正的效果。
8.一种基于跨尺度多能谱CT标签的锥束CT图像质量改善装置,包括计算机存储器、计算机处理器以及存储在所述计算机存储器中并可在所述计算机处理器上执行的计算机程序,其特征在于,所述计算机处理器执行所述计算机程序时实现权利要求1~7任一项所述的基于跨尺度多能谱CT标签的锥束CT图像质量改善方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110256654.0A CN113034636B (zh) | 2021-03-09 | 2021-03-09 | 基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110256654.0A CN113034636B (zh) | 2021-03-09 | 2021-03-09 | 基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034636A CN113034636A (zh) | 2021-06-25 |
CN113034636B true CN113034636B (zh) | 2022-04-29 |
Family
ID=76467395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110256654.0A Active CN113034636B (zh) | 2021-03-09 | 2021-03-09 | 基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034636B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870471A (zh) * | 2019-02-27 | 2019-06-11 | 西北工业大学 | 一种单光栅侦测的锥束ct角度序列散射获取方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103578082A (zh) * | 2012-08-09 | 2014-02-12 | 江苏超惟科技发展有限公司 | 一种锥束ct散射校正方法及*** |
CN104408753B (zh) * | 2014-10-27 | 2017-04-12 | 浙江大学 | 锥束ct的自适应迭代散射修正方法 |
KR102020221B1 (ko) * | 2017-11-24 | 2019-09-10 | 주식회사 레이 | 치과용 콘-빔 ct의 산란선 보정방법 및 보정장치 |
US11501438B2 (en) * | 2018-04-26 | 2022-11-15 | Elekta, Inc. | Cone-beam CT image enhancement using generative adversarial networks |
CN109919868B (zh) * | 2019-02-27 | 2022-10-04 | 西北工业大学 | 一种锥束ct射束硬化曲线侦测及投影加权校正方法 |
CN112435307B (zh) * | 2020-11-26 | 2022-05-10 | 浙江大学 | 一种深度神经网络辅助的四维锥束ct影像重建方法 |
-
2021
- 2021-03-09 CN CN202110256654.0A patent/CN113034636B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109870471A (zh) * | 2019-02-27 | 2019-06-11 | 西北工业大学 | 一种单光栅侦测的锥束ct角度序列散射获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113034636A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Thummerer et al. | Comparison of CBCT based synthetic CT methods suitable for proton dose calculations in adaptive proton therapy | |
CN109146994B (zh) | 一种面向多能谱x射线ct成像的金属伪影校正方法 | |
US7627079B2 (en) | Method for computing patient radiation dose in computed tomography | |
US8835858B2 (en) | Systems and methods for attenuation compensation in nuclear medicine imaging based on emission data | |
US10593070B2 (en) | Model-based scatter correction for computed tomography | |
US20220207791A1 (en) | Method and system for generating attenuation map from spect emission data | |
CN110811660B (zh) | 一种校正ct射线束硬化伪影的方法 | |
Puvanasunthararajah et al. | The application of metal artifact reduction methods on computed tomography scans for radiotherapy applications: A literature review | |
US11823384B2 (en) | CT image generation method for attenuation correction of pet images | |
US11419566B2 (en) | Systems and methods for improving image quality with three-dimensional scout | |
CN110084864A (zh) | 一种基于能谱ct的电子密度图像重建方法 | |
Zhao et al. | Robust beam hardening artifacts reduction for computed tomography using spectrum modeling | |
Shi et al. | X‐ray scatter correction for dedicated cone beam breast CT using a forward‐projection model | |
Fan et al. | Image‐domain shading correction for cone‐beam CT without prior patient information | |
Jiang et al. | A generalized image quality improvement strategy of cone-beam CT using multiple spectral CT labels in Pix2pix GAN | |
Trapp et al. | Empirical scatter correction: CBCT scatter artifact reduction without prior information | |
CA2489157A1 (en) | Method for reconstruction of limited data images using fusion-aligned reprojection and normal-error-aligned reprojection | |
CN113034636B (zh) | 基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置 | |
Liugang et al. | Metal artifact reduction method based on noncoplanar scanning in CBCT imaging | |
Chen et al. | Low dose cone-beam computed tomography reconstruction via hybrid prior contour based total variation regularization (hybrid-PCTV) | |
Bayat et al. | A quantitative CBCT pipeline based on 2D antiscatter grid and grid‐based scatter sampling for image‐guided radiation therapy | |
Gomi et al. | Development of a denoising convolutional neural network-based algorithm for metal artifact reduction in digital tomosynthesis for arthroplasty: A phantom study | |
Park et al. | Unpaired-paired learning for shading correction in cone-beam computed tomography | |
Guleng | Radiation dose and image quality in CT-evaluation of how slice thickness, tube current modulation and reconstruction algorithms affect radiation dose and image noise | |
Zhao et al. | Multi-materials beam hardening artifacts correction for computed tomography (CT) based on X-ray spectrum estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |