一种基于同形适应学习的头部CT金属伪影校正方法技术

本发明专利技术公开了一种基于同形适应学习的头部CT金属伪影校正方法。通过使用17层卷积神经网络，构建深度学习的生成框架；结合使用VGG19模型对CT图像进行特征提取；利用CT连续切片的先验信息和CT结构的相似性，对数据集进行扩充；为了解决医学类数据失准的问题，将改进的抗噪损失用于网络，通过平衡风格损失和内容损失的比重，在逐步迭代的过程中，达到去除金属伪影且保留原始疾病信息的目的；结果评价，在临床数据集和模拟数据集上进行训练和测试，综合评价方法，对模型进行评估。本发明专利技术实现了对头部CT伪影的校正，在保留图像细节信息的同时，没有新伪影产生，也没有造成模糊，提高了临床诊断的准确性，具有良好的实用价值。具有良好的实用价值。具有良好的实用价值。

【技术实现步骤摘要】
一种基于同形适应学习的头部CT金属伪影校正方法


[0001]本专利技术涉及医学类图像处理的
，具体来说是一种基于深度学习卷积神经网络的头部CT金属伪影校正方法。

技术介绍

[0002]在牙科治疗中，越来越多的患者选择金属植入手术来改善口腔问题。这些患者的计算机断层扫描(CT)图像受到高密度金属的影响而产生伪影，严重情况下甚至会造成误诊，对后续的治疗构成极大的威胁。
[0003]计算机成像技术(Computed tomography，CT)是一种先进的医学成像技术，它利用X射线束扫描人体的特定区域重建病灶，为诊断提供重要信息。在牙科治疗中，经常会有在牙齿中种植金属体的情况，然而由于这些金属体本身是一种高密度物质，它的存在会导致X射线在扫描成像时发生强烈的衰减，在CT图像中表现为亮暗条纹或放射状区域的伪影。这些金属伪影会影响临床疾病治疗的效果，给病理诊断带来极大的困难。
[0004]通常金属伪影的发生主要是两个原因。一是X射线束硬化。当X射线束在透射人体时，能量较低的光子很容易被吸收，能量较高的光子则更容易穿透人体。因而在射线传播期间，平均能量上升，射线逐渐硬化。其二是非线性部分容积效应。当CT扫描区域包含多种不同密度的材料时，CT值不能完全表示任何一种材料，导致在人体组织和金属植入物之间的交界处容易产生模糊区域，并产生条纹伪影。因此，金属伪影校正技术仍是临床头部CT的重要问题之一。
[0005]由于人体结构(本专利技术中为牙齿、下颚部分)彼此都有细微的差异，我们不能使用一套完美的通用标准去衡量。所以，在医学图像处理中，获得成对对应的清晰与模糊数据一直都是一个难点，如何解决医学图像处理中数据失准的问题也变得十分重要。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种基于同形适应学习的头部CT金属伪影校正方法。不仅可以有效的去除头部CT中下颌骨区域的金属伪影，还能够很好的保留原始疾病信息。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]CT数据集预处理部分，分别使用真实的临床数据和由物理模型生成的模拟数据进行学习训练。临床数据部分充分利用连续CT切片间的先验信息和CT结构的相似性，对患者的CT图像进行匹配；使用模拟数据进行模型验证。获取的数据集不仅质量较高，并且数据的数量也得以扩充。
[0009]模型搭建，通过使用17层卷积神经网络构建深度学习的生成框架，结合使用VGG19模型提取CT图像的特征，将平面图像转换为特征点集；叠加抗噪损失函数对数据失准进行校正。
[0010]特征提取部分，使用多个连续的小卷积核替代AlexNet中较大的卷积核，保证在相同条件下，网络的深度更深。特征提取网络接收三类图像的输入并相应输出三类特征图。
[0011]抗噪损失函数部分，将图像视为一组高维特征点的集合，根据相应的点集来衡量图像之间的相似性。该抗噪损失函数基于内容和语义，可以忽略图像的空间位置，通过测量特征之间的相似度并在迭代过程中逐步缩小来计算损失值。抗噪损失由风格损失和内容损失两部分构成，针对不同的任务目标调整二者的比重以获得不同的结果，提高了损失函数的可塑性。
[0012]结果评价，与其他金属伪影校正模型对比，对测试结果进行数值计算评价和分析，评价内容包括峰值信噪比(PSNR)、结构相似性度量(SSIM)、Dice系数比较，伪影是否去除以及原始疾病信息是否保留。
[0013]经由上述技术方案可知，本专利技术公开了一种基于深度学习的头部CT金属伪影校正技术，通过使用17层卷积神经网络，构建深度学习的生成框架；结合使用VGG19模型对CT图像进行特征提取；利用CT连续切片的先验信息和CT结构的相似性，对数据集进行扩充；为了解决医学类数据失准的问题，将改进的抗噪损失用于网络，通过平衡风格损失和内容损失的比重，在逐步迭代的过程中，达到去除金属伪影且保留原始疾病信息的目的；结果评价，在临床数据集和模拟数据集上进行训练和测试，综合评价方法，对模型进行评估。本专利技术实现了对头部CT伪影的校正，在保留图像细节信息的同时，没有新伪影产生，也没有造成模糊，提高了临床诊断的准确性，具有良好的实用价值。
附图说明
[0014]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
[0015]图1附图为本专利技术提供的结构示意图。
[0016]图2附图为卷积神经生成网络原理图。
[0017]图3附图为特征提取网络原理图。
[0018]图4附图为所选数据集中原始图像与参考图像之间的细节差异举例。
[0019]图5附图为损失函数比重为10:1和2:1时伪影校正前后的比较。
[0020]图6附图(a)对2:1的结果进行阈值分割，(b)对模拟结果进行阈值分割。
[0021]图7附图为不同窗口范围下的结果比较。
[0022]图8附图为使用模拟数据训练和测试的结果。
具体实施方式
[0023]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0024]本专利技术实施例公开了一种基于同形适应学习的头部CT金属伪影校正方法，包括：
[0025]CT数据集预处理部分，分别使用真实的临床数据和由物理模型生成的模拟数据进行学习训练。临床数据部分充分利用连续CT切片间的先验信息和CT结构的相似性，对患者
的CT图像进行匹配；使用模拟数据进行模型验证。获取的数据集不仅质量较高，并且数据的数量也得以扩充。所选原始图像与参考图像之间存在细微的差异，如图4所示。
[0026]模型搭建，通过使用17层卷积神经网络构建深度学习的生成框架，结合使用VGG19模型提取CT图像的特征，将平面图像转换为特征点集；叠加抗噪损失函数对数据失准进行校正。
[0027]特征提取部分，使用多个连续的小卷积核替代AlexNet中较大的卷积核，保证在相同条件下，网络的深度更深。特征提取网络接收三类图像的输入并相应输出三类特征图。
[0028]抗噪损失函数部分，将图像视为一组高维特征点的集合，根据相应的点集来衡量图像之间的相似性。该抗噪损失函数基于内容和语义，可以忽略图像的空间位置，通过测量特征之间的相似度并在迭代过程中逐步缩小来计算损失值。抗噪损失由风格损失和内容损失两部分构成，针对不同的任务目标调整二者的比重以获得不同的结果，提高了损失函数的可塑性。
[0029]本专利技术基于深度学习对医学类CT图像进行去伪影处理，通过特征提取网络获得特征集后判断原始图像与参考图像的相似度，计算抗噪损失值本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，包括：CT数据预处理部分，分别使用真实的临床数据和由物理模型生成的模拟数据进行学习训练。临床数据部分充分利用连续CT切片间的先验信息和CT结构的相似性，对患者的CT图像进行匹配；使用模拟数据进行模型验证。获取的数据集不仅质量较高，并且数据的数量也得以扩充。模型搭建，通过使用17层卷积神经网络构建深度学习的生成框架，结合使用VGG19模型提取CT图像的特征，将平面图像转换为特征点集；叠加抗噪损失函数对数据失准进行校正。特征提取，使用多个连续的小卷积核替代AlexNet中较大的卷积核，保证在相同条件下，网络的深度更深。特征提取网络接收三类图像的输入并相应输出三类特征图。抗噪损失函数部分，将图像视为一组高维特征点的集合，根据相应的点集来衡量图像之间的相似性。本发明中的网络结构实现了CT图像之间一对一、多对多的学习方法。结果评价，与其他金属伪影校正模型对比，对测试结果进行数值计算评价和分析，评价内容包括峰值信噪比(PSNR)、结构相似性度量(SSIM)、Dice系数比较，伪影是否去除以及原始疾病信息是否保留。2.根据权利要求书1所述的一种基于同形适应学习的头部CT金属伪影校正方法，其特征在于，利用CT图像连续的切片间的先验信息和头部...

【专利技术属性】
技术研发人员：谢世朋，宋振荣，庄文芹，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：