一种基于神经网络的CT图像的伪影校正方法及装置制造方法及图纸

本发明专利技术公开了一种基于神经网络的CT图像的伪影校正方法及装置，所述方法包括：对CT数据进行预处理以生成携带至少一种伪影的输入样本的数据库；构建用于校正至少一种伪影的神经网络；将所述输入样本输入所述神经网络，并通过预设目标函数对神经网络进行训练，以得到训练好的神经网络；将待处理的CT图像输入训练好的神经网络进行伪影识别及校正，并输出校正后的CT图像以及识别到的伪影图像。本发明专利技术以深度学习为基础，通过神经网络对包含多种伪影的CT图像进行处理，改善CT图像的质量。

【技术实现步骤摘要】
一种基于神经网络的CT图像的伪影校正方法及装置
本专利技术涉及医疗
，特别涉及一种基于神经网络的CT图像的伪影校正方法及装置。
技术介绍
CT(计算机断层扫描成像系统)利用X射线扫描物体，获得投影数据，并通过断层重建算法来处理这些投影数据，获得物体的断层和三维的密度信息，达到无损检测的目的。在医学诊断、工业无损检测等领域都有着重要的应用。在医学诊断领域，CT自从1970年问世以来，与磁共振(MRI)、正电子发射计算机断层成像和CT组合系统(PET/CT)一起成为医用三大关键成像系统。相比其他成像手段，CT重建能够快速得到高分辨率的图像，重建结果的对比度精度可以控制在1％以内，能分辨0.5mm的级别的物体。因成像物理过程的复杂性，即使最先进的CT系统也要应对各种图像伪影对最终图像质量的影响。理论上的CT重建把CT扫描的成像过程理想化成单一能量的指数衰减。但实际成像过程中存在很多非理想化的因素，如系统的机械、电子、X射线的非单能特性等。这些近似都会带来各种各样的伪影，如环状伪影、条带状伪影、噪声、射线硬化伪影、散射伪影、运动伪影、风车伪影等等。目前对于诸多伪影的解决方案是按产生原因的不同采用不同的方法进行校正。例如，环状伪影通常由探测器的不一致性导致，必须精确校准每个CT系统探测器的一致性；带状伪影多由探测器空间上不一致引起，可通过校准或更换探测器消除；针对图像噪声，在尽可能降低整个CT系统的本底噪声的前提下，通过软件(应用各种算法，如迭代重建)或硬件(如增加X射线管的管电流)方法减少；射线硬化伪影则是采用近似矫正估计骨头引起的硬化伪影的算法模型或利用能谱成像技术来消除。但是，由于CT重建结果中伪影产生的原因相当复杂，CT图像中可以携带一种或者多种伪影，并且每一种伪影常会由一种或多种原因导致，这使得CT图像中的伪影无法准确校正。因而现有技术还有待改进和提高。
技术实现思路
针对现有技术的不足，本专利技术的目的是要提供一种基于神经网络的CT图像的伪影校正方法及装置。为了解决上述技术问题，本专利技术所采用的技术方案如下：一种基于神经网络的CT图像的伪影校正方法，其包括：对CT数据进行预处理以生成携带至少一种伪影的输入样本的数据库；构建用于校正至少一种伪影的神经网络；将所述输入样本输入所述神经网络，并通过预设目标函数对神经网络进行训练，以得到训练好的神经网络；将待处理的CT图像输入训练好的神经网络进行伪影识别及校正，并输出校正后的CT图像以及识别到的伪影图像。所述基于神经网络的CT图像的伪影校正方法，其中，所述输入样本包括携带至少一种伪影的输入图像以及输入图像对应的目标样本。所述基于神经网络的CT图像的伪影校正方法，其中，所述对CT图像进行预处理以生成输入样本的数据库具体包括：采用仿真或采集的投影数据生成CT图像的目标样本，其中，所述目标样本为未携带伪影的CT图像；向所述目标样本随机加入误差以生成误差图像，以生成输入图像；根据所述输入图像以及目标样本生成输入样本的数据库。所述基于神经网络的CT图像的伪影校正方法，其中，所述输出样本包括修正后的输入图像以及目标样本。所述基于神经网络的CT图像的伪影校正方法，其中，所述将所述输入样本输入所述神经网络，并通过预设目标函数对神经网络进行训练，以得到训练好的神经网络具体包括：将所述输入样本输入所述神经网络，并输出修正后的第一输出样本；通过目标函数确定所述第一输出样本与所述目标样本的误差；根据所述误差确定所述神经网络各层参数，以完成对所述神经网络的训练。所述基于神经网络的CT图像的伪影校正方法，其中，所述目标函数为：Loss([Img,BgMk,AtMk1,...,AtMkn],[Imgtarg,BgMktarg,AtMk1targ,...,AtMkntarg])＝w0ImgErr+wbMkErr+w1AtMk1Err+,...,+wnAtMknErrBgkErr＝∑k∈bg(AtMkk-AtMktarg,k)2其中，ImgErr为神经网络输出图像和目标图像的误差，BgMkErr为背景标记区域的误差，AtMkErr为各伪影标记区域的误差；w0,wb,w1，...，wn为权重系统，[Img,BgMk,AtMk1,...,AtMkn]为输出样本,[Imgtarg,BgMktarg,AtMk1targ,...,AtMkntarg]为目标样本；Img为输入图像，BgMk为背景区域标记，AtMkj是第j种伪影的区域标记。所述基于神经网络的CT图像的伪影校正方法，其中，所述根据所述误差确定所述神经网络各层参数，以完成对所述神经网络的训练具体为：将所述误差与预设误差阈值进行比较；当所述误差大于所述预设误差阈值时，根据所述误差确定所述神经网络各层参数，并重复输入样本输入以及误差获取步骤直至所述误差小于等于所述预设误差阈值；当所述误差小于等于所述预设误差阈值时，完成对所述神经网络的训练。基于神经网络的CT图像的伪影校正方法，其中，所述神经网络的网络框架包括：多个卷积层、池化层以及过采样层。一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上任意一项所述的基于神经网络的CT图像的伪影校正方法中的步骤。一种基于神经网络的CT图像的伪影校正装置，包括：处理器、存储器及通信总线；所述存储器上存储有可被所述处理器执行的计算机可读程序；所述通信总线实现处理器和存储器之间的连接通信；所述处理器执行所述计算机可读程序时实现如上任意一项所述的基于神经网络的CT图像的伪影校正方法中的步骤。有益效果：与现有技术相比，本专利技术提供了一种基于神经网络的CT图像的伪影校正方法及装置，所述方法包括：对CT数据进行预处理以生成携带至少一种伪影的输入样本的数据库；构建用于校正至少一种伪影的神经网络；将所述输入样本输入所述神经网络，并通过预设目标函数对神经网络进行训练，以得到训练好的神经网络；将待处理的CT图像输入训练好的神经网络进行伪影识别及校正，并输出校正后的CT图像以及识别到的伪影图像。本专利技术以深度学习为基础，通过神经网络对包含多种伪影的CT图像进行处理，改善CT图像的质量。同时，对于伪影的原因不敏感的CT图像，通过预设模拟伪影图像并进行深度学习就可以实现伪影的校正，提高了伪影校正的准确性以及全面性。附图说明图1为本专利技术提供的基于神经网络的CT图像的伪影校正方法较佳实施例的流程图。图2为本专利技术提供的基于神经网络的CT图像的伪影校正方法中引发环状伪影的示意图。图3为本专利技术提供的基于神经网络的CT图像的伪影校正方法中引发条状伪影的示意图。图4为本专利技术提供的基于神经网络的CT图像的伪影校正方法中通过图像处理去除伪影的对比图。图5为本专利技术提供的基于神经网络的CT图像的伪影校正装置的结构原理图。具体实施方式本专利技术提供一种基于神经网络的CT图像的伪影校正方法及装置，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本文档来自技高网...

【技术保护点】
一种基于神经网络的CT图像的伪影校正方法，其特征在于，其包括：对CT数据进行预处理以生成携带至少一种伪影的输入样本的数据库；构建用于校正至少一种伪影的神经网络；将所述输入样本输入所述神经网络，并通过预设目标函数对神经网络进行训练，以得到训练好的神经网络；将待处理的CT图像输入训练好的神经网络进行伪影识别及校正，并输出校正后的CT图像以及识别到的伪影图像。

【技术特征摘要】
1.一种基于神经网络的CT图像的伪影校正方法，其特征在于，其包括：对CT数据进行预处理以生成携带至少一种伪影的输入样本的数据库；构建用于校正至少一种伪影的神经网络；将所述输入样本输入所述神经网络，并通过预设目标函数对神经网络进行训练，以得到训练好的神经网络；将待处理的CT图像输入训练好的神经网络进行伪影识别及校正，并输出校正后的CT图像以及识别到的伪影图像。2.根据权利要求1所述基于神经网络的CT图像的伪影校正方法，其特征在于，所述输入样本包括携带至少一种伪影的输入图像以及输入图像对应的目标样本。3.根据权利要求2基于神经网络的CT图像的伪影校正方法，其特征在于，所述对CT数据进行预处理以生成输入样本的数据库具体包括：采用仿真或采集的投影数据生成CT图像的目标样本，其中，所述目标样本为未携带伪影的CT图像；向所述目标样本随机加入误差以生成误差图像，以生成输入图像；根据所述输入图像以及目标样本生成输入样本的数据库。4.根据权利要求2所述基于神经网络的CT图像的伪影校正方法，其特征在于，所述输出样本包括修正后的输入图像以及目标样本。5.根据权利要求4所述基于神经网络的CT图像的伪影校正方法，其特征在于，将所述输入样本输入所述神经网络，并通过预设目标函数对神经网络进行训练，以得到训练好的神经网络具体包括：将所述输入样本输入所述神经网络，并输出修正后的第一输出样本；通过目标函数确定所述第一输出样本与所述目标样本的误差；根据所述误差确定所述神经网络各层参数，以完成对所述神经网络的训练。6.根据权利要求5所述基于神经网络的CT图像的伪影校正方法，其特征在于，所述目标函数为：Loss([Img,BgMk,AtMk1,...,AtMkn],[Imgtarg,BgMktarg,AtMk1targ,...,AtMkntarg])＝w0ImgErr+wbMkErr+w1AtMk1Err+,...,+wnAtMknErr

【专利技术属性】
技术研发人员：曾凯，吴小页，徐丹，
申请(专利权)人：深圳安科高技术股份有限公司，
类型：发明
国别省市：广东,44