[发明专利]使用深度学习来减少金属伪影

说明书

一种X射线成像设备(10、100)被配置为采集未经校正的X射线图像(30)。图像重建设备包括电子处理器(22)和非瞬态存储介质(24)，所述非瞬态存储介质存储指令，所述指令能由所述电子处理器读取并运行以执行图像校正方法(26)，所述图像校正方法包括：将神经网络(32)应用于所述未经校正的X射线图像以生成金属伪影图像(34)，其中，所述神经网络被训练为提取包括金属伪影的图像内容；并且通过从所述未经校正的X射线图像中减去所述金属伪影图像来生成经校正的X射线图像(40)。

技术领域

以下内容总体上涉及X射线成像，X射线成像数据重建，计算机断层摄影(CT)成像，C型臂成像或其他断层摄影X射线成像技术，数字放射摄影(DR)以及医学X射线成像，采用X射线成像、正电子发射断层摄影(PET)/CT成像的图像引导治疗(iGT)等。

背景技术

在许多临床场景中，在CT或其他X射线扫描视场(FOV)中都存在金属物体，例如，在脊柱手术后存在的椎弓根螺钉和棒，在全髋关节置换后存在的金属球和承窝，以及在头部手术后存在的螺钉和板/网格，经由C型臂等在心脏扫描期间存在的植入式心脏起搏器，在iGT中使用的介入器械(例如，含金属的导管)等。金属物体可能会引入严重的伪影，这些伪影在经重建的体积中常常表现为条纹、“晕染”和/或阴影。这样的伪影会导致显著的CT值移位和组织可见性损失(特别是在与金属物体邻近的区域中，这种区域在医学X射线成像中往往是感兴趣区域)。金属伪影的原因包括射束硬化、部分体积效应、光子饥饿以及数据采集中的散射辐射。

金属伪影减少方法通常基于经由内插的周围投影样本，利用合成的投影来替换受到金属伪影影响的投影数据。在一些技术中，在第二遍中应用额外的校正。这样的方法通常要求分割金属分量并用合成的投影来替换金属投影，这可能会引入误差和丢失被金属遮挡的细节。此外，用于抑制金属伪影的技术还能够操作用于去除关于金属物体的有用信息。例如，在安装金属假体期间，可以使用X射线成像对假体的位置和取向进行可视化，并且不希望抑制关于假体的这种信息，以便提高解剖图像质量。

以下内容公开了某些改进。

发明内容

在本文公开的一些实施例中，一种非瞬态存储介质存储指令，所述指令能由电子处理器读取并运行以执行图像重建方法，所述图像重建方法包括：重建X射线投影数据以生成未经校正的X射线图像；将神经网络应用于所述未经校正的X射线图像以生成金属伪影图像；并且通过从所述未经校正的X射线图像中减去所述金属伪影图像来生成经校正的X射线图像。所述神经网络被训练为提取包括金属伪影的图像内容。

在本文公开的一些实施例中，公开了一种成像设备。X射线成像设备被配置为采集未经校正的X射线图像。图像重建设备包括电子处理器和非瞬态存储介质，所述非瞬态存储介质存储指令，所述指令能由所述电子处理器读取并运行以执行图像校正方法，所述图像校正方法包括：将神经网络应用于所述未经校正的X射线图像以生成金属伪影图像，其中，所述神经网络被训练为提取包括金属伪影的残余图像内容；并且通过从所述未经校正的X射线图像中减去所述金属伪影图像来生成经校正的X射线图像。

在本文公开的一些实施例中，公开了一种成像方法。使用X射线成像设备来采集未经校正的X射线图像；将经训练的神经网络应用于所述未经校正的X射线图像以生成金属伪影图像；并且通过从所述未经校正的X射线图像中减去所述金属伪影图像来生成经校正的X射线图像。所述训练、所述应用和所述生成是由电子处理器适当执行的。在一些实施例中，训练所述神经网络以变换多能量训练X射线图像p_j，从而匹配相应的金属伪影图像a_j，其中，j对所述训练X射线图像进行索引，并且p_j＝m_j+a_j，其中，图像分量m_j为单能量X射线图像。

一个优点在于在X射线成像中提供了计算高效的金属伪影抑制。