System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及一种基于投影域数据一致性学习的cbct金属伪影去除方法,属于计算机图像处理领域。
技术介绍
1、锥形束计算机断层扫描(cone beam computed tomography,简称cbct)可以从其二维投影数据中重建出三维物体,从而获得患者的内部图像,并且已全面应用于图像引导放疗和临床诊断。金属植入物作为承重部件,常常被用于骨头固定和关节的置换(例如牙科假体、脊柱螺钉和血管内支架)。然而,具有高衰减系数的金属植入物会导致严重的射束硬化、光子饥饿和条纹伪影,这些问题导致了金属附近组织信息的缺乏,cbct图像质量恶化,严重影响临床医生的术中治疗和术后诊断。
2、目前已经有许多算法被提出来以解决ct图像中的金属伪影问题,从而提高ct成像的诊断质量和可信度。这些算法主要可以分为传统算法和深度学习算法两大类,其中传统算法又可以细分为迭代算法,投影域插值算法和基于物理效应的矫正算法。
3、(1)迭代算法:
4、迭代算法通常利用投影域金属掩码之外的一致投影域数据来将对确实投影域部分的填补作为一个正则化的逆问题来进行求解。利用统计目标函数对损坏的投影域数据进行优化是常用的方法,随着正则化项的发展,金属伪影在图像域中也能够被更好的抑制。
5、(2)投影域插值算法:
6、投影域插值算法通常分为两步来完成,显示在图像域采用金属分割,然后对金属进行正投影获取投影域金属掩码,然后对投影域中的掩码部分进行插值,最为简单的就是直接对投影域数据进行线性插值,更为复杂的也有通过阈值分割合
7、(3)基于物理效应的矫正算法:
8、对于物理效应的矫正算法,其目标是直接纠正物理效应,包括射束硬化和光子饥饿等问题,但这些方法不能削弱高原子数金属条件下的伪影。
9、(4)深度学习算法:
10、随着深度学习的发展,基于深度网络的投影域数据矫正方法和图像域直接去除金属伪影的被尝试用于解决金属伪影问题,除了单独的在投影域和图像域分别作处理之外,双域联合的方式也被应用于金属伪影的去除,此类方法通过图像域的先验图像,对投影域的修复进行引导,从而获得更好的投影域补全效果。
11、虽然上述的方法取得了优异的性能,但他们并不能完全适用于cbct金属伪影去除的任务。首先,由于cbct锥形x射线束扫描,金属植入物具有复杂的形态信息,而不再是简单的正弦图金属轨迹,从而导致投影域数据更加严重的缺失,这往往会加剧投影域数据的不一致。其次,由于临床需要大型平板x射线探测器和宽视场,因此临床的cbct投影数据往往是高分辨率的,这大大增加了计算的复杂度,对于模型的设计提出了更高的要求。
技术实现思路
1、为了解决cbct图像中金属伪影对于术中治疗和术后诊断的影响,本专利技术提供了一种基于投影域数据一致性学习的cbct金属伪影去除方法,解决了以往对于投影域数据恢复存在的不一致问题,充分利用先验信息,实现了对cbct图像中金属伪影的高效抑制。
2、为了达到上述目的,本专利技术提供如下技术方案:
3、一种基于投影域数据一致性学习的cbct金属伪影去除方法,包括以下步骤:
4、步骤1,准备训练数据,获取无金属ct数据,在确定的cbct成像几何参数条件下,利用已知的金属mask进行模拟,配对的带金属投影域数据,无金属投影域数据和投影域金属掩码图像,利用fdk算法获取带金属重建图像,无金属重建图像,并对带金属和无金属投影域数据进行归一化预处理。
5、步骤2,以步骤1中获取的带金属投影域数据和对应的投影域金属掩码图像,基于三角剖分插值算法构建先验投影域数据。
6、步骤3,搭建投影域修复网络,投影域修复网络设置为扩散模型。将步骤1中获得的带金属投影域数据对应的金属掩码区域替换为均值为0方差为1的纯高斯噪声后下采样4倍和步骤2中获得的先验投影域数据下采样4倍同时作为输入,经网络处理后获得金属掩码区域修复完成的低分辨率投影域数据。
7、步骤4,搭建超分重建网络,以步骤2中得到的恢复后的低分辨率投影域数据作为输入,经网络处理后获得恢复完成的高分辨率投影域数据。
8、步骤5,对步骤3中获得的投影数据在对应的金属掩码外区域替换为步骤1中对应投影域数据原始的值,并进行反归一化处理,最后利用fdk算法进行三维重建,对于重建后的图像在图像域金属掩码区域替换为步骤1中获取的带金属重建图像的对应的值。
9、步骤6,构建整体网络,设计损失函数并对网络进行训练。
10、步骤7,测试与评估,在模拟训练集上训练收敛后的网络,在对应的测试集中进行测试和评估。
11、进一步的,所述步骤1中,模拟所使用的数据来自2016年梅奥诊所低剂量ct大型挑战赛所提供的公开数据集,金属mask来自于真实数据中分割出的三维金属,所使用的fdk重建算法可以分为三个步骤:预加权,滤波和反投影;其中预加权是对原始cbct投影数据进行余弦加权预处理,根据体素与中心平面夹角计算在中心平面的近似投影值;滤波则是对个角度下的二维投影数据在水平方向上进行一维斜坡滤波;反投影则是沿对应的锥束射线方向进行三维反投影,最终重建图像体素对应的重建数值为所有穿过该体素的锥束射线投影贡献之和;对数据归一化采用min-max方式进行归一化。
12、进一步的,所述步骤2中,利用基于opencv库提供的三角剖分方法实现对金属掩码区域进行插值的过程,具体包括如下过程:根据金属掩码图像,构建图像的三角剖分集合,对于在金属掩码区域内的点,利用其所在剖分三角形的三个顶点来对该点的值进行插值,具体的插值计算过程如下:
13、
14、a1z1+a2z2+a3z3=z……(2)
15、其中a1、a1、a1为求解的加权系数,x1、x2、x3为三角形顶点的x轴坐标,y1、y2、y3为三角形顶点的y轴坐标,z1、z2、z3为三角形顶点的投影域值,x、y、z为待插值点的x轴坐标、y轴坐标和该点对应的投影域值,最终的插值结果按照(2)中进行计算。
16、进一步的,所述步骤3中,投影域恢复网络是扩散模型,网络是基于编码器解码器结构设计的,扩散模型主要包括了一个前向扩散过程和一个基于网络学习的逆扩散过程;前向过程被建模为一个马尔科夫扩散过程q,从无金属的投影域数据y0~q(y0)开始,随后不断地往数据中加入不同程度的高斯噪声:
17、
18、
19、其中yt代表第t个时间步的数据,yt-1代表第t-1个时间步的数据,i表示单位矩阵,y1:t代表t个时间步所对应的数据,αt代表着设定噪声策略的超参数,由于所添加的是高斯噪声,利用重参数化技巧,前向过程的每一步都简化为
20、
21、其中由于αt是人为设定的超参,因此γt也是已知的,整个前向过程是非学习的过程,不涉及深度网络。
本文档来自技高网...
【技术保护点】
1.基于投影域数据一致性学习的CBCT金属伪影去除方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于投影域数据一致性学习的CBCT金属伪影去除方法,其特征在于,所述步骤1中,模拟所使用的数据来自2016年梅奥诊所低剂量CT大型挑战赛所提供的公开数据集,金属Mask来自于真实数据中分割出的三维金属,所使用的FDK重建算法分为三个步骤:预加权,滤波和反投影;其中预加权是对原始CBCT投影数据进行余弦加权预处理,根据体素与中心平面夹角计算在中心平面的近似投影值;滤波则是对个角度下的二维投影数据在水平方向上进行一维斜坡滤波;反投影则是沿对应的锥束射线方向进行三维反投影,最终重建图像体素对应的重建数值为所有穿过该体素的锥束射线投影贡献之和;对数据归一化采用Min-Max方式进行归一化。
3.根据权利要求1所述的基于投影域数据一致性学习的CBCT金属伪影去除方法,其特征在于,所述步骤2中,利用基于Opencv库提供的三角剖分方法实现对金属掩码区域进行插值的过程,具体包括如下过程:根据金属掩码图像,构建图像的三角剖分集合,对于在金属掩码区域内的点,利用其所在
4.根据权利要求1所述的基于投影域数据一致性学习的CBCT金属伪影去除方法,其特征在于,所述步骤3中,投影域恢复网络是扩散模型,网络基于编码器解码器结构设计,扩散模型包括了一个前向扩散过程和一个基于网络学习的逆扩散过程;前向过程被建模为一个马尔科夫扩散过程q,从无金属的投影域数据y0~q(y0)开始,随后不断地往数据中加入不同程度的高斯噪声:
5.根据权利要求1所述的基于投影域数据一致性学习的CBCT金属伪影去除方法,其特征在于,所述步骤4中,超分重建网络的结构设计受当前计算机视觉中Swin Transformer的启发,网络主要由三部分组成:浅层特征提取阶段,深度特征提取阶段和高分辨率特征重建阶段;其中浅层特征提取由一个卷积核大小为3X3步长为1的卷积层组成;深度特征提取则主要由6个残差SwinTransformerBlock构成,浅层特征在通过6个Block之后再通过一个3X3卷积层与原始的浅层特征构成一个大的残差连接;在高分辨率特征重建阶段,经过深度特征提取阶段的特征经过一个3X3的卷积层,然后利用上采样函数进行对特征进行上采样,最后再经过一个3X3的卷积层得到最后的模型结果。
6.根据权利要求1所述的基于投影域数据一致性学习的CBCT金属伪影去除方法,其特征在于,所述步骤5中,在对投影域数据重建之前现需要先将步骤4中网络的得到的投影域结果yout的金属掩码外的区域替换为带金属投影域ymetal的原始值:
7.根据权利要求1所述的基于投影域数据一致性学习的CBCT金属伪影去除方法,其特征在于,所述步骤6中,对于投影域修复网络和超分重建网络分别构建了损失用于训练,其中投影域修复网络的损失项即为式8所示,对于超分重建网络则设计了Lrecon和Ladv,这些损失约束使得网络在训练过程中能够有更高质量的结果,对于Lrecon和Ladv,其具体表达式为:
...【技术特征摘要】
1.基于投影域数据一致性学习的cbct金属伪影去除方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于投影域数据一致性学习的cbct金属伪影去除方法,其特征在于,所述步骤1中,模拟所使用的数据来自2016年梅奥诊所低剂量ct大型挑战赛所提供的公开数据集,金属mask来自于真实数据中分割出的三维金属,所使用的fdk重建算法分为三个步骤:预加权,滤波和反投影;其中预加权是对原始cbct投影数据进行余弦加权预处理,根据体素与中心平面夹角计算在中心平面的近似投影值;滤波则是对个角度下的二维投影数据在水平方向上进行一维斜坡滤波;反投影则是沿对应的锥束射线方向进行三维反投影,最终重建图像体素对应的重建数值为所有穿过该体素的锥束射线投影贡献之和;对数据归一化采用min-max方式进行归一化。
3.根据权利要求1所述的基于投影域数据一致性学习的cbct金属伪影去除方法,其特征在于,所述步骤2中,利用基于opencv库提供的三角剖分方法实现对金属掩码区域进行插值的过程,具体包括如下过程:根据金属掩码图像,构建图像的三角剖分集合,对于在金属掩码区域内的点,利用其所在剖分三角形的三个顶点来对该点的值进行插值,具体的插值计算过程如下:
4.根据权利要求1所述的基于投影域数据一致性学习的cbct金属伪影去除方法,其特征在于,所述步骤3中,投影域恢复网络是扩散模型,网络基于编码器解码器结构设计,扩散模型包括了一个前向扩散过程和一个基于网络学习的逆扩散过程;前向过程被建模为一个马尔科夫扩散过程q,从无金属的...
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。