技术研发
当前位置:首页 > 科学研究    技术研发
基于检测器位移和深度学习的低剂量CT环形伪影校正方法
文章来源: 国家原子能机构核技术(核探测与核成像)研发中心
发布时间: 2023-04-12
字体: 【
        在X射线计算机断层扫描(CT)中,由检测器响应不一致引起的重建图像中的环状伪影严重破坏了图像的结构,不利于图像的识别。靠近图像中心的环状伪影通常更为严重,导致ROI中的结构细节更容易被破坏。此外,在扫描过程中,为了减少扫描剂量和缩短扫描时间,需要进行低剂量扫描。对于光子计数CT,由于计数率的限制,在重构图像中存在很强的统计噪声。因此,有必要研究在低剂量扫描条件下对环伪影的去除情况。然而,目前大多数环伪影校正方法都集中于环状伪影本身,而具有强统计噪声的环伪影校正研究很少。由于强统计噪声和环伪影具有不同的特征,使同时抑制噪声和伪影变得更加复杂。以往的滤波方法可以在一定程度上消除环形伪影,但并不能有效地抑制噪声。单纯的深度学习方法具有良好的降噪效果,但不能充分识别低剂量CT中环状伪影的特征,因此在校正后的图像中存在残余伪影。  

  为了解决这些问题,本中心科研团队提出了一种基于检测器移位和深度学习的低剂量CT环形伪影校正方法。首先,在CT扫描阶段,检测器在每个投影处随机水平移动以减轻前处理的环形伪影,环形伪影在前处理图像中被转化为分散的噪声。其次,将深度学习应用于分散噪声和统计降噪。 通过仿真和实际实验对该方法进行了验证。结果表明,与其他方法相比,该方法对低剂量CT图像中环形伪影的去除效果更好。其中,两组模拟数据和实验数据的RMSEs and SSIMs均明显优于原始图像。

   

 

  

  Fig.1 Scanning mode with detector horizontally random offset.

   

  Fig.2 The generation results of training labels. (a) raw image without model correction and filtering. (b) image with model correction  and filtering. 

  (c) label with detector random shifting, model correction and filtering.

    该工作得到了国家自然科学基金资助,相关研究成果发表在Medical Physics上。

    论文链接:Yuedong Liu,Cunfeng Wei,Qiong Xu*. Detector shifting and deep learning based ring artifact correction method for low-dose CT. Medical Physics. 2023;1–17. 


附件下载:

地址:北京市918信箱 邮编:100049 电话:86-10-88235008 Email:ihep@ihep.ac.cn
中国科学院高能物理研究所备案序号:京ICP备05002790号-1 文保网安备案号:110402500050