[发明专利]一种使用深度学习的CBCT去伪影方法

说明书

本发明公开了一种使用深度学习的CBCT去伪影方法，首先体配准对整体的CBCT‑CT数据集进行预处理，使得两种数据的数量相等，再通过精配准之后送入深层卷积神经网络进行残差学习，得到伪影图，最后将CBCT与伪影图的做残差，实现CBCT的伪影去除。优点：本发明在实用IGRT图像库真实数据的基础上，通过二次配准对数据预处理，引接下来通过深层卷积神经网络结构框架进行残差学习伪影分布；同时采用GPU加速，缩短了训练的时间，加速了实验的训练过程，有效地去除CBCT的亮暗不均匀伪影及条纹状伪影，有利于进一步发挥CBCT系统的优势与潜力。

技术领域

本发明涉及一种使用深度学习的CBCT去伪影方法，属于医学图像处理技 术领域。

背景技术

锥形束计算机断层成像技术(Cone beam computed tomography，CBCT)因 为其自身的扫描速度快、辐射剂量相对较低及射线利用率相对较高等优点，并 且还能解决分次放疗间患者的摆位误差等问题，而广泛利用在IGRT系统 (Image-guided RadiationTherapy)中。相比于传统的体层CT，基于CBCT图像 进行计划验证的技术有能降低患者所受福射剂量且耗时短等优点。但是由于 CBCT的探测器信噪比低，且没有遮挡散射的准直器，会存在大量的散射伪影与 噪声，导致重建图像的CT值(HounsfieldUnit，HU)不精确，对于后续图像分 割、配准等医生的诊断产生很大的影响。

为了去除CBCT的散射伪影，Endo等人提出放置准直器的方法,Xu.Y等人 提出基于蒙特卡洛罗模拟的散射伪影校正方法，通过使用蒙特卡罗模拟方法来 模拟出CBCT图像中的散射伪影，在CBCT去伪影方面取得了良好的效果。此 外，其他一些方法比如主射线调制，移动挡板等，也为CBCT的散射矫正提供 了多个角度的思路。

然而这些方法或引入了硬件设备，或增加了辐射剂量，或需要其他先验知 识进行约束。某些方法只对某种伪影有矫正效果，对其他伪影则适应性不够理 想。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种使用深度学 习的CBCT去伪影方法，去除CBCT中的散射伪影。

为解决上述技术问题，本发明提供一种使用深度学习的CBCT去伪影方法， 其特征是，包括如下步骤：

(1)从IGRT系统获取CBCT图像和CT图像对，组成CBCT-CT数据集， 对CBCT-CT数据集进行基于互信息的配准，提高同一个病人相同部位CBCT和 CT的匹配度，并解决由CBCT、CT切片厚度不同导致两种数据数量不同的问题；

(2)将匹配过的CBCT-CT数据集进一步划分成子图像块，对相同位置的 CBCT-CT子图进行二次配准，得到CBCT-CT子块组；

(3)将两次配准之后的子块组通过一个深度神经网络进行残差学习，估计 出CBCT图像与对应位置的CT图像之间的残差分布；

(4)根据模型求出待测CBCT的残差图，并用CBCT减去残差图得到去除 伪影的CBCT图像。

进一步的，所述步骤(1)中待配准两图像的互信息由下式给出：

其中，R为CBCT图像作为参考图像，F′为CT图像作为待配准图像，为 对待配准图像进行的变换，p_R,F′(r,f′)代表两图像的联合概率密度，p_R(r)代表参 考图像的边缘概率密度函数，p_F′(f′)代表待配准图像的边缘概率密度函数，由此 进一步可以推导出待配准图像的变换，即

求出即最终用于配准的变换。

进一步的，所述步骤(2)同样使用步骤(1)中基于互信息的配准，将原 图像的各个重叠滑动子块进行精配准。