【技术实现步骤摘要】
本专利技术涉及深度学习及计算机断层扫描，特别涉及一种基于物理对偶回归学习的ct金属伪影校正方法。
技术介绍
1、x射线计算机断层成像(ct)能提供病人三维解剖结构信息，是现代医学不可或缺的影像学工具。但是，当病人体内存在金属等高衰减物质时，由于存在射束硬化、散射、光子饥饿、非线性部分容积效应等物理机制，重建图像中会产生严重条状、带状或阴影等金属伪影。金属伪影会导致信号失真，在图像中产生伪结构，掩盖真实病灶，严重影响后续临床诊断。金属伪影校正(mar)是ct成像中最具挑战性和长期存在的问题之一。
2、传统金属伪影校正算法或将金属轨迹处投影数据看作缺失数据，并对该部分数据进行补全；或对金属伪影产生的物理机制进行校正；或利用迭代重建算法进行重建。然而，传统金属伪影校正算法难以处理复杂的金属伪影，常在图像中产生过平滑效应或引入二次伪影。基于深度学习的金属伪影校正算法利用神经网络的特征学习能力，在先验图像学习、图像解剖结构恢复、伪影抑制等方面具有显著优势。然而现有基于深度学习的金属伪影校正算法仍存在一些缺陷。首先，现阶段相关算法仅基于...
【技术保护点】
1.一种基于物理对偶回归学习的CT金属伪影校正方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于物理对偶回归学习的CT金属伪影校正方法，其特征在于：通过对偶学习构建CT金属伪影校正模型，通过所述CT金属伪影校正模型联合训练第一图像域网络、第二图像域网络、光子饥饿校正模块、射束硬化校正模块、散射校正与去噪模块、射束硬化模块、散射信号模块和光子饥饿模块；
3.根据权利要求2所述的基于物理对偶回归学习的CT金属伪影校正方法，其特征在于：在S5或A5中，分割是对金属基图投影数据进行二值化处理，并将大于等于特定阈值时设置为1，将小于阈值时设置...
【技术特征摘要】
1.一种基于物理对偶回归学习的ct金属伪影校正方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于物理对偶回归学习的ct金属伪影校正方法，其特征在于：通过对偶学习构建ct金属伪影校正模型，通过所述ct金属伪影校正模型联合训练第一图像域网络、第二图像域网络、光子饥饿校正模块、射束硬化校正模块、散射校正与去噪模块、射束硬化模块、散射信号模块和光子饥饿模块；
3.根据权利要求2所述的基于物理对偶回归学习的ct金属伪影校正方法，其特征在于：在s5或a5中，分割是对金属基图投影数据进行二值化处理，并将大于等于特定阈值时设置为1，将小于阈值时设置为0，其中阈值大小th预先给定；
4.根据权利要求3所述的基于物理对偶回归学习的ct金属伪影校正方法，其特征在于，在s6或a6中，所述光子饥饿校正模块的光子饥饿校正方法由如下步骤进行：
5.根据权利要求4所述的基于物理对偶回归学习的ct金属伪影校正方法，其特征在于，在s7或a7中，所述射束硬化校正模块的射束硬化校正方法由如下步骤进行：
6.根据权利要求5所述的基于物理对偶回归学习的ct金属伪影校正方法，其特征在于：所述组织校正是从光子饥饿校正后金属投影数据pmetal-psc...
【专利技术属性】
技术研发人员：马建华，郭义，王永波，边兆英，曾栋，
申请(专利权)人：南方医科大学，
类型：发明
国别省市：
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。