The invention discloses a metal artifact correction method for head CT images, which includes two steps: first, establishing a database containing and without artifact head CT images, using deformable image registration method to pre-process data before convolution neural network (CNN) training; secondly, constructing a simple 17-layer CNN architecture in training to learn metal artifacts, and adopting GPU accelerated training. The speed of data improves the learning efficiency of the network. At the same time, the experimental results show that the method has a good ability to correct metal artifacts, and the PSNR and SSIM values also show significant improvement.
【技术实现步骤摘要】
一种头部CT图像的金属伪影校正方法
本专利技术属于金属伪影矫正技术，具体涉及一种头部CT图像的金属伪影校正方法。
技术介绍
计算机断层成像(computedtomography,CT)是医学和工业领域的常用设备之一，它采用特定的CT重建算法获得切片图像，对疾病诊断和缺陷检查起着重要的作用。在CT扫描中，金属作为一种高密度的物体对X射线的衰减系数远高于人体组织，如果在扫描过程中，存在类似金属的高衰减物质，X射线通过这些物体时就会急剧衰减，导致对应的投影数据失真，重建出的图像就会出现伪影。当被成像物中仅有单个金属时，金属伪影表现为其周围存在放射状伪影；当金属物数量较多且金属区域面积较大时，金属伪影不仅包含金属物周围的放射状伪影，而且在金属连线方向上还存在带状伪影。由于CT技术广泛应用在医疗及工业领域，其重建图像的影像质量对于检查、检测效果至关重要。目前已经有许多校正算法被提出，概括来说金属伪影校正的方法可分为三类：物理校正，投影域的插值和迭代重构。物理校正方法通过在X射线源和探测器之间添加一个滤波器来吸收光束的低能光子，从而减少伪影；但随着部分的光子被吸收，信噪比也会...
【技术保护点】
1.一种头部CT图像的金属伪影校正方法，其特征在于：包括以下步骤：(1)建立用于CNN训练的数据库；使用可变形图像配准法对原始图片进行预处理，进而得到包含伪影和不含伪影的头部CT数据对组成的数据库；(2)在CNN训练中构建17层CNN架构以学习金属伪影。
【技术特征摘要】
1.一种头部CT图像的金属伪影校正方法，其特征在于：包括以下步骤：(1)建立用于CNN训练的数据库；使用可变形图像配准法对原始图片进行预处理，进而得到包含伪影和不含伪影的头部CT数据对组成的数据库；(2)在CNN训练中构建17层CNN架构以学习金属伪影。2.根据权利要求1所述的头部CT图像的金属伪影校正方法，其特征在于：所述步骤(1)的详细内容为：(1.1)将包含有伪影的CT图片设为目标图像，从不包含伪影的CT图像中根据SSIM值初步筛选出与目标图像最相似的图像；(1.2)使用可变形图像配准法处理步骤(1.1)所得图像，进而获得最终的配对训练数据，具体方法为：(a)根据步骤(1.1)所得多组清晰的图像，进行特征提取；将原图100*100的输入图像分割成30*30的图像块，从图像块中提取特征信息的标签；(b)根据提取出的特征标签，将含有伪影的图像分割成同样大小的图像块进行匹配；(c)将匹配好的图像块合并成完整的图像，进行图像处理，最终得到配准后的清晰的图像。3.根据权利要求1所述的头部CT图像的金属伪影校正方法，其特征在于：所述步骤(2)的详细过程为：(2.1)构建卷积神经网...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。