一种基于物理对偶回归学习的CT金属伪影校正方法

本发明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。

背景技术：

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有限训练数据学习含金属投影数据到无金属投影数据，或到无金属伪影图像的映射。该过程学习一个数据域到另一个数据域的单向映射，缺乏对模型输出的约束，导致重建结果稳定性与可靠性不足。其次，现阶段基于深度学习的金属伪影校正模型在建模时缺少对应物理机制的建模。利用神经网络学习含金属投影数据到无金属投影数据，或无伪影图像的映射时，由于训练数据数量与质量有限，其存在多个可能的映射。传统基于深度学习的金属伪影校正算法难以学习最优映射，并且学习过程可解释性较差，临床医生接受度不高。

3、因此，针对现有技术不足，提供一种基于物理对偶回归学习的ct金属伪影校正方法以解决现有技术不足甚为必要。

技术实现思路

1、本发明的目的在于避免现有技术的不足之处而提供一种基于物理对偶回归学习的ct金属伪影校正方法。该基于物理对偶回归学习的ct金属伪影校正算法与系统能增强金属伪影校正性能，并改善算法的稳定性与可靠性。

2、本发明的上述目的通过以下技术措施实现：

3、提供一种基于物理对偶回归学习的ct金属伪影校正方法，包括如下步骤：

4、s1、对未校正投影数据进行重建，得到未校正重建图像；

5、s2、利用训练后的第一图像域网络对s1得到的未校正重建图像去除金属伪影，得到预恢复图像；

6、s3、将s2得到的预恢复图像输入训练后的第二图像域网络进行预测，得到骨基图、水基图和金属基图；

7、s4、将s3得到的骨基图、水基图和金属基图进行前投影，对应得到骨基图投影数据、水基图投影数据和金属基图投影数据；

8、s5、对s4得到的金属基图投影数据分割，得到金属投影轨迹图；

9、s6、根据s1的未校正投影数据，s4的骨基图投影数据、水基图投影数据和金属基图投影数据，以及s5的金属投影轨迹图通过训练后的光子饥饿校正模块进行光子饥饿校正，对应得到非金属区域投影数据和光子饥饿校正后金属投影数据；

10、s7、对s6得到的光子饥饿校正后金属投影数据通过训练后的射束硬化校正模块进行射束硬化校正，并与s6得到的非金属区域投影数据结合，得到射束硬化校正后投影数据；

11、s8、对s7得到的射束硬化校正后投影数据进行重建，得到射束硬化校正后图像；

12、s9、对s8得到的射束硬化校正后图像通过训练后的散射校正与去噪模块进行散射校正与去噪，最终得到校正后图像。

13、本发明基于物理对偶回归学习的ct金属伪影校正方法，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。

14、优选的，上述ct金属伪影校正模块的联合训练按照如下步骤进行：

15、a1、对未校正投影数据进行重建，得到未校正重建图像；

16、a2、利用第一图像域网络对a1得到的未校正重建图像去除金属伪影，得到预恢复图像；

17、a3、将a2得到的预恢复图像输入第二图像域网络进行预测，得到骨基图、水基图和金属基图；

18、a4、将a3得到的骨基图、水基图和金属基图进行前投影，对应得到骨基图投影数据、水基图投影数据和金属基图投影数据；

19、a5、对a4得到的金属基图投影数据分割，得到金属投影轨迹图；

20、a6、根据a1的未校正投影数据，a4的骨基图投影数据、水基图投影数据和金属基图投影数据，以及a5的金属投影轨迹图通过光子饥饿校正模块进行光子饥饿校正，对应得到非金属区域投影数据和光子饥饿校正后金属投影数据；

21、a7、对a6得到的光子饥饿校正后金属投影数据通过射束硬化校正模块进行射束硬化校正，并与s6得到的非金属区域投影数据结合，得到射束硬化校正后投影数据；

22、a8、对a7得到的射束硬化校正后投影数据进行重建，得到射束硬化校正后图像；

23、a9、对a8得到的射束硬化校正后图像通过散射校正与去噪模块进行散射校正与去噪，得到校正后图像；

24、a10、将a9得到的校正后图像输入第二图像域网络进行预测，得到骨基图、水基图与金属基图；

25、a11、将a10得到的骨基图、水基图与金属基图进行前投影，对应得到骨基图投影数据、水基图投影数据与金属基图投影数据；

26、a12、将a11得到的骨基图投影数据、水基图投影数据与金属基图投影数据通过射束硬化模块处理，得到含射束硬化投影数据；

27、a13、将a12得到的含射束硬化投影数据通过散射信号模块处理，得到含散射信号投影数据；

28、a14、将a13得到的含散射信号投影数据通过光子饥饿模块处理，得到估计投影数据；

29、a15、将a14得到估计投影数据与a1的未校正投影数据构建一致性损失，约束网络训练。

30、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。

31、在s5或a5中的金属投影轨迹图由式(1)得到：

32、

33、其中dmetal为金属基图投影数据，x和y为坐标索引，th为阈值，mproj为金属投影轨迹图。

34、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：

35、b1、利用金属投影轨迹图mproj，提取未校正投影数据porigin的非金属区域投影数据pnon-metal和金属投影数据pmetal；其中，非金属区域投影数据pnon-meta与金属投影数据pmetal由式(2)和式(3)得到；

36、pnon-metal＝porigin⊙(1-mproj)……式(2)；

37、pmetal＝porigin⊙mproj……式(3)；

38、其中⊙为点乘操作；

39、b2、利用计算的投影数据pest替换在金属投影数据pmetal大于特定阈值thmetal的数据，最终得到由式(4)得到；

40、

41、其中pmetal-ps为光子饥饿校正后金属投影数据，thmetal为阈值，pest为投影数据。

42、优选的，上述阈值thmetal根据未校正投影数据porigin的最大值进行选取，具体阈值thmetal由式(5)得到；

43、thmetal＝0.8×max(porigin)……式(5)。

44、优选的，上述投影数据pest为根据s4或a4的骨基图投影数据db、水基图投影数据dw与金属基图投影数据dme，并结合金属、水、骨的物质衰减曲线与x射线光谱数据合成得到的多能投影数据，具体由式(6)得到；

45、

46、其中φ(e)为x射线光谱数据，e为射线能量，mb(e)为骨的物质衰减曲线，mw(e)为水的物质衰减曲线，mme(e)为金属的物质衰减曲线。

47、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：

48、c1、对光子饥饿校正后金属投影数据pmetal-psc进行组织校正；

49、c2、使用多层感知机模型mlp学习多能投影数据到单能投影数据的变换，再对多层感知机模型mlp输出进行组织逆校正，并与对应的非金属区域投影数据pnon-meta结合，得到射束硬化校正后投影数据，具体由式(7)得到；

50、pbb＝pnon-metal+finv-tiss(mlp(ftiss(pmetal-psc)))

51、……式(7)；

52、其中ftiss为组织校正，finv-tiss为组织逆校正。

53、优选的，上述组织校正是从光子饥饿校正后金属投影数据pmetal-psc中减去含有的非金属物质投影数据ptissu，具体通过式(8)进行：

54、ftiss(pmetal-psc)＝pmetal-ptissu⊙mproj……式(8)；

55、其中mproj为金属投影轨迹图，⊙为点乘操作。

56、优选的，上述组织逆校正是在多层感知机模型mlp的输出结果中加上非金属物质投影数据ptissu，具体通过式(9)进行：

57、finv-tiss(x)＝x+ptis⊙mproj……式(9)；

58、其中x为mlp的输出结果。

59、优选的，上述非金属物质投影数据ptis通过s4或a4对应的骨基图投影数据db、水基图投影数据dw，结合金属、水、骨的物质衰减曲线与x射线光谱数据所得，具体由式(10)得到：

60、

61、在a12中，射束硬化模块的处理方法为根据a11得到的骨基图投影数据db、水基图投影数据dw与金属基图投影数据dme，结合金属、水、骨的物质衰减曲线与x射线光谱数据，通过式(6)合成多能投影数据的过程。

62、在a13中，散射信号模块的处理方法为投影域机器学习模型，通过投影域机器学习模型学习散射投影信号；且输入为含射束硬化投影数据，输出为散射投影信号，建模过程由式(11)表示：

63、

64、其中为投影域机器学习模型，pbbh-model为含射束硬化投影数据，pscatter-model为含散射信号投影数据。

65、在a14中，所述光子饥饿模块的处理方法为对a13得到的含散射信号投影数据pscatter-mode进行截断处理。

66、优选的，上述截断处理为将pscatter-model大于阈值thmetal的值设置为thmetal，且thmetal取未校正投影数据中最大值。

67、在a15中，一致性损失为将a14得到的估计投影数据pdual与a1的未校正投影数据potigin保持一致，使用均方误差(mse)构建对应损失，由式(12)表示：

68、

69、本发明的一种基于物理对偶回归学习的ct金属伪影校正方法，包括如下步骤：s1、对未校正投影数据进行重建，得到未校正重建图像；s2、利用训练后的第一图像域网络对s1得到的未校正重建图像去除金属伪影，得到预恢复图像；s3、将s2得到的预恢复图像输入训练后的第二图像域网络进行预测，得到骨基图、水基图和金属基图；s4、将s3得到的骨基图、水基图和金属基图进行前投影，对应得到骨基图投影数据、水基图投影数据和金属基图投影数据；s5、对s4得到的金属基图投影数据分割，得到金属投影轨迹图；s6、根据s1的未校正投影数据，s4的骨基图投影数据、水基图投影数据和金属基图投影数据，以及s5的金属投影轨迹图通过训练后的光子饥饿校正模块进行光子饥饿校正，对应得到非金属区域投影数据和光子饥饿校正后金属投影数据；s7、对s6得到的光子饥饿校正后金属投影数据通过训练后的射束硬化校正模块进行射束硬化校正，并与s6得到的非金属区域投影数据结合，得到射束硬化校正后投影数据；s8、对s7得到的射束硬化校正后投影数据进行重建，得到射束硬化校正后图像；s9、对s8得到的射束硬化校正后图像通过训练后的散射校正与去噪模块进行散射校正与去噪，最终得到校正后图像。与现有技术相比，本发明的有益效果为：1、本发明基于对偶回归学习，因此金属伪影校正结果更加稳定可靠，学习过程更稳定。与传统金属伪影校正算法仅学习未校正投影数据到校正后图像的单向映射相比，本发明增加校正后图像与未校正投影数据间一致性约束，从而确保校正后图像准确、稳定。2、本发明对金属伪影产生的物理机制进行建模，从而约束模型学习从未校正投影数据到校正后图像映射的解空间。由于训练数据数量与质量有限，从未校正投影数据到校正后图像存在多个可能的映射，传统基于深度学习的金属伪影校正算法难以学习最优映射，本发明通过在学习过程中对产生金属伪影的物理机制建模，能够有效约束模型学习的映射与真实成像系统一致。