基于深度卷积神经网络的CT/CBCT图像伪影校正方法研究

发布时间：2021-11-19 13:37

　　计算机断层成像技术（Computed Tomography,CT）是现代医学重要的临床诊断手段之一。然而,过量的X射线辐射会给受照者带来健康风险。因此需要适当地降低CT的剂量,而最常用的方法是降低管电流mAs。但是,低剂量技术在降低危害风险的同时,也会降低重建后的CT图像质量,造成条形伪影等噪声的产生,这可能使得图像中的重要解剖结构被伪影所掩盖,从而加大医生临床诊断的难度。如何实现降低CT剂量的同时又保证图像的质量已成为了 CT成像的研究热点之一。目前,低剂量CT图像伪影校正算法主要分为三类:投影滤波法、迭代重建法和图像后处理。然而,这些算法往往需要估计并假设特定的噪声模型,而低剂量CT的伪影却难以确定其噪声模型,进而导致伪影估计的不准确。而深度学习能够充分利用大数据的特征,使得低剂量CT的预估更加准确,并成为了低剂量CT伪影校正的又一热点。而锥形束CT（Cone-beam CT,CBCT）的诞生也是为了降低放射影像的辐射剂量,较传统CT相比有着剂量低、X射线利用率高、数据采集速度快等特点。然而,由于CBCT的物理技术问题,其重建图像容易出现严重的散射伪影,限制了它的临床广泛应用。因此... 

【文章来源】：南方医科大学广东省

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

图１－２锥形束ＣＴ图像及其散射伪影示意图??Ｆｉ．?１－２?ＣＢＣＴ?ｉｍａｅ?ａｎｄ?ｉｔｓ?ｓｃａｔｔｅｒ?ａｒｔｉｆａｃｔ??

领士毕业论文??响这些图像质量指标的参数主要有：Ｘ射线管的管电压（ｋＶｐ）、管电流（ｍＡｓ）、??层厚、扫描（旋转）时间、迭代重建算法等。??—．．ｔ??Ｖ?＼?／／／?丫?＇．??耵欢、Ａ?扫描物体４．扫描物体?平面探测器??＞?＿滑环探测器??Ａ?Ｂ??图２－］?ＣＴ?（Ａ）和ＣＢＣＴ?（Ｂ〉的成像系统构造??Ｆｉｇ．２－１?Ｃｏｎｓｔｒｕｃｔｉｏｎ?ｏｆ?ＣＴ?（Ａ）?ａｎｄ?ＣＢＣＴ?（Ｂ）?ｉｍａｇｉｎｇ?ｓｙｓｔｅｍ??管电压（ｋＶｐ）决定了?Ｘ射线的能量，影响着扫描物体的衰减系数，进而影??响图像的空间分辨率及信噪比。增大管电压，能增加Ｘ射线质，进而提高成像??图像的质量。??管电流（ｍＡｓ）决定了扫描的剂量，降低管电流会增加图像噪声，降低对比??度分辨率。值得一提的是，低剂量ＣＴ技术在实际应用时，通常通过降低管电流??来减少辐射剂量。??层厚是由螺距大小决定的，它是螺旋ＣＴ的一个重要参数，定义为机架旋转??一周，扫描床前进的距离与准直器宽度的比值。在其他扫描参数一定时，通常通??过改变扫描床的移动速度来改变层厚大小，辐射剂量与层厚大小成反比。降低层??厚大小，会降低部分容积效应，图像信噪比下降。??扫描时间决定着图像的时间分辨率，吋间分辨率是指成像系统及时处理多序??列投影数据重建出一层图像的能力。扫描时间短则说明数据处理快，物体移动倾??向小，时间分辨率高，对比度的分辨率高。??迭代重建算法决定着最终的图像质量，其研宄目标是在投影数据不足、噪声??大、伪影严重的情况下也能重建出达到临床诊断要求的图像。ＣＴ图像基本重建??算法是ＦＢＰ重建，而ＣＢＣＴ的重建算法是三维ＦＤＫ重建［４６］

石页士毕业论文??射伪影进行了研究，以探究解决ＣＢＣＴ散射伪影校正的准确性及效率的问题。??２．３卷积神经网络简介??ＣＮＮ是一种特殊的人工神经网络，是深度学习算法之一，起源于１９９８年??ＹａｎｎＬｅＣｉｍ等人［４７］提出的用于手写数字识别的ＣＮＮ算法。卷积神经网络是模??拟生物视觉系统而设计的网络结构，由众多神经元结合组成，其内部的参数非常??庞大，具有强大的特征学习能力，基本模型如图２－５所示。它最初被应用于图像??分类任务，后来发展到其他各种图像处理目标任务中，如图像分割、图像回归等??任务。??２．３．１卷积神经网络的基本部件??卷积神经网络是一种具有多层结构的非线性网络模型，由卷积层??（Ｃｏｎｖｏｌｕｔｉｏｎ，?Ｃｏｎｖ）、池化层（Ｐｏｏｌｉｎｇ）、激活层（Ａｃｔｉｖａｔｉｏｎ）等一系列基本??运算单元层层堆叠而成。ＣＮＮ的输入是原始的图像数据，在经过层层运算操作??后，能直接从原始数据中学习其特征并完成最终的目标任务。这些操作层可整体??看为一个函数，起到了将原始数据到最终目标特征的映射作用。接下来介??绍的基本部件。??Ｉ＾Ｉ?■Ｈ?驗口??十。?ｔ：－－－－－－ａ?一一上口??１?ａ：－４?—??输入层?卷积＋激活层?卷积＋激活层?卷积＋激活层?输出层??图２－５卷积神经网络的基本模型??Ｆｉｇ．２－５?Ｂａｓｉｃ?ｍｏｄｅｌ?ｏｆ?Ｃｏｎｖｏｌｕｔｉｏｎａｌ?Ｎｅｕｒａｌ?Ｎｅｔｗｏｒｋ??１３??


本文编号：3505154