[发明专利]一种基于深度残差学习的CT图像金属伪影去除方法

说明书

一种基于深度残差学习的CT图像金属伪影去除方法，包括如下步骤：S1、采集目标对象的CT图像；S2、根据数值仿真实验，创建金属伪影的数据集；S3、将步骤S2中获得的数据集分为训练集图像和测试集图像；S4、构建深度残差学习网络；S5、将步骤S3中的训练集图像送至步骤S4构建的深度残差学习网络中训练，直至训练结束，获得已训练好的残差模型；S6、将步骤S3中的测试集图像中的每张图像输入至步骤S5中获得的残差模型中，得到每张图像对应的残差图像；S7、将步骤S3中的测试集图像中的每张图像减去步骤S6得到的残差图像，获得去除金属伪影的结果图像。该方法直接在图像域进行，不需要原始数据就能有效的去除CT图像中的金属伪影且不需要后处理。

技术领域

本发明涉及医学CT图像处理技术领域，尤其涉及一种基于深度 残差学习的CT图像金属伪影去除方法。

背景技术

随着医学技术的发展，CT图像已经在临床医学这一领域得到了 广泛的应用，极大地提高了医学诊断水平。然而在医学CT成像中， 如果患者成像部位植入金属，由于金属对X射线具有很高的衰减性， 导致探测器接收到的数据存在严重的测量误差，重建后的CT图像含 有明显的金属伪影。金属伪影使得CT图像质量变差，组织结构难以 判断，可能导致误诊的结果。例如：宫颈癌在放射治疗过程中，需要 将施源器放置在人体内，而施源器中带有金属，因此重建出的CT图 像带有金属伪影，严重影响了医生勾画靶区。

因此，针对上述现有技术不足，提供一种基于深度残差学习的 CT图像金属伪影去除方法以克服现有技术的不足甚为必要。

发明内容

本发明提供了一种基于深度残差学习的CT图像金属伪影去除方 法，通过该方法能有效的去除CT图像中的金属伪影。

本发明的上述目的通过如下技术手段实现。

提供一种基于深度残差学习的CT图像金属伪影去除方法，依次 包括如下步骤：

S1、采集目标对象的CT图像；

S2、根据数值仿真实验，创建金属伪影的数据集；

S3、将步骤S2中获得的数据集分为训练集图像和测试集图像；

S4、构建深度残差学习网络；

S5、将步骤S3中的训练集图像送至步骤S4构建的深度残差学 习网络中训练，直至训练结束，获得已训练好的残差模型；

S6、将步骤S3中的测试集图像中的每张图像输入至步骤S5中 获得的残差模型中，得到每张图像对应的残差图像；

S7、将步骤S3中的测试集图像中的每张图像减去步骤S6得到 的残差图像，获得去除金属伪影的结果图像。

进一步的，步骤S2中，数据集包括含有金属伪影的仿真图像和 不含金属伪影的基准图像。

进一步的，步骤S3中，训练集图像包括仿真图像和残差图像块， 残差图像块为仿真图像减去基准图像所得的残差图像再取块而得；

测试集图像包括仿真图像和步骤S1采集到的CT图像。

进一步的，残差图像块的像素大小为50*50。

进一步的，步骤S4中，深度残差学习网络包括输入层、卷积层、 激活层、BN层和输出层。

进一步的，步骤S5中，训练过程具体为：

S5.1、将仿真图像取块得到仿真图像块并输入深度残差学习网络 的输入层；

S5.2、设定深度残差学习网络的标签为残差图像块，以及设定深 度残差学习网络的目标函数；

S5.3、开始训练直至结束，获得训练好的残差模型。