[发明专利]锥束CT图像散射伪影校正处理方法及装置

说明书

本发明提出了一种锥束CT图像散射伪影校正处理方法及装置，涉及图像处理技术领域，该方法包括：构建合成网络，所述合成网络至少包含两个生成器、两个判别器、两个CBCT图像域特征提取单元及两个pCT图像域特征提取单元，用于将CBCT图像转化为spCT图像；分别对CBCT图像及spCT图像进行正向投影，得到CBCT投影及spCT投影，根据CBCT投影及spCT投影确定残差投影；在所述残差投影中提取散射伪影及图像细节，从所述残差投影中去除所述图像细节，保留所述散射伪影；从所述CBCT投影中减去所述散射伪影，生成校正后的投影；对所述校正后的投影进行重建，得到校正后的CBCT图像。

技术领域

本发明涉及图像处理技术领域，尤指一种锥束CT图像散射伪影校正处理方法及装置。

背景技术

本部分旨在为权利要求书中陈述的本发明实施例提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

锥束CT(Cone-beam CT,CBCT)图像中容易出现的散射伪影通常会导致图像软组织对比度降低，图像质量降低等问题，这会对辅助治疗、疾病的诊断造成影响。近些年来，许多研究人员提出了CBCT图像散射伪影校正方法来提高CBCT的影像质量。这些方法可以大致分为硬件校正、基于模型的散射校正、基于深度学习的散射伪影校正。

硬件校正方法要是通过增添滤除散射的硬件设备，即在X射线到达探测器之前，通过光束阻挡器、抗散射光、空气隙法等对散射伪影进行抑制。

基于模型的散射校正使用散射污染投影图像的后处理技术来校正散射信号，这些方法通常使用蒙特卡罗技术(Monte Carlo,MC)来模拟散射对CBCT投影数据的贡献。然而，MC散射模拟提供了很高的准确性，但由于其需要模拟辐射源中所有光子的真实路径，该过程耗时、计算成本大，所以MC使用受到了限制。基于先验数据的散射校正方法使用可形变图像配准技术(Deformable image registration,DIR)将计划CT(Planning CT,pCT)转换为CBCT以获得相应操作的先验信息，使用先验信息来提高CBCT图像的质量。基于先验数据的散射伪影校正可以更好地得到校正后的图像，但这种方法需要额外的先验患者信息。另一方面，基于先验信息的校正方法需要成对的CBCT和计划CT数据集，获取难度大。还依赖于来自同一患者的CBCT和pCT体素对的精确空间对齐。

深度学习方法已广泛地应用于CBCT散射校正。生成对抗网络(GenerativeAdversarial Network,GAN)在图像伪影校正中应用广泛，显著的改善了CBCT成像质量。2018年，Kida等人使用平均绝对误差作为损失函数，训练二维U-Net，用于由盆腔CBCT影像生成高质量的合成CT影像。然而，在少数结果中依然会存在解剖结构不一致的现象。Liang使用循环一致的生成性对抗网络(Cycle-Consistent Generative AdversarialNetworks,CycleGAN)训练未经配准的CBCT影像和计划CT影像数据集，用于生成高质量的CBCT影像，在头颈部患者数据中测试的平均CT值误差为29HU。2021年，Zhang等人利用CycleGAN提高盆腔患者和头颈部患者CBCT的影像质，并在不同的机器上采集CBCT影像，完成了跨数据集的独立测试。然而，CycleGAN全局训练带来的图像灰度不匹配的问题，影响了生成影像的准确性。2022年，Dong等提出使用对比无监督学习生成高质量的CBCT图像。然而，CUT训练时容易出现模式坍塌现象，这限制了其应用。