一种CBCT图像去伪影方法技术

本发明专利技术公开了一种CBCT图像去伪影的方法，该方法基于contextual loss以及特征融合残差网络，首先对输入的带伪影的CBCT图像和CT图像进行特征提取，得到特征图谱；将得到的特征图经过改进的以contextual loss为损失函数的特征融合残差网络训练，学习CBCT与CT图像之间的结构相似性，以CT图像作为标签，使得CBCT图像能够去除掉伪影但保持其结构不发生变化；最后将CBCT图像作为输入，利用训练好的网络模型进行伪影去除。该方法利用了contextual loss可以允许输入图像间的不对齐，可以很好的适用于CBCT与CT医学图像无法严格对其这一特点，最终实现一个快速有效的去除伪影的作用。实现一个快速有效的去除伪影的作用。实现一个快速有效的去除伪影的作用。

【技术实现步骤摘要】
一种CBCT图像去伪影方法


[0001]本专利技术涉及一种CBCT图像去伪影方法，尤其是一种基于contextual loss以及特征融合残差网络的CBCT图像去伪影方法，属于图像处理


技术介绍

[0002]锥束ct(Cone
‑
beam computed tomography，CBCT)具有扫描时间短、X射线剂量低等优点，被广泛应用于头颈部疾病的诊断。然而，与传统的扇束计算机断层扫描(CT)相比，由于X射线散射和投影截断，CBCT图像的质量降低。这些问题导致了较大的散射伪影，影响了CBCT在许多领域的应用前景。因此，CBCT面临的主要挑战是散射伪影。
[0003]近年来，许多研究者对CBCT散射校正进行了研究。在已发表的文献中，主要的校正方法根据其处理方法的不同可分为两类。一种是硬件处理方法，该方法通过考虑X射线成像的几何条件来减少到达探测器的散射X射线的数量，从而抑制散射。这种方法可以最大限度地防止衰减过程中产生的散射光线到达探测器。常见的方法包括气隙法、准直器法、滤光法、抗散射光栅法和使用调制器的方法。这些方法可以防止散射光线到达探测器，然而基于硬件的校正方法在原有CBCT系统的基础上增加了用于滤除散射的硬件设备，这在CBCT系统中引入了操作困难，并且增加了整个过程的成本。因此，越来越多的人正在研究基于软件的方法。
[0004]另一种随着卷积神经网络的出现，越来越多的研究人员使用这种方法来处理散射伪影，并取得了令人满意的结果。深度学习强大的功能，在端到端深度监督学习，以及卷积神经网络的帮助下，自然图像问题取得了巨大进展。基于深度学习的方法已经广泛运用于CBCT图像去伪影。
[0005]与传统的扇形束CT图像相比，CBCT的图像质量由于x光散射和截断投影而降低，具有软组织对比度低、噪声和伪影的缺点，阻碍了CBCT在许多潜在应用中的有效使用。因此，提高CBCT的图像质量至关重要，从而让锥束CT更好地用于临床医学。

技术实现思路

[0006]鉴于现有技术中存在上述技术和选材的一些问题，本专利技术提供一种快速、简洁、鲁棒的方法，去除CBCT图像中的伪影。
[0007]为达成上述目的，本专利技术所采用的技术方案如下：一种CBCT图像去伪影方法，所述方法基于contextual loss以及特征融合残差网络，包括以下几个步骤：
[0008]步骤1，对CBCT和CT数据进行预处理，将其处理为512*512大小的.raw格式图像；
[0009]步骤2，将前述经过预处理的CBCT和CT数据经过VGG19网络提取图像特征，以用于后续的训练；
[0010]步骤3，计算得到的CBCT和CT特征图之间的结构相似度；
[0011]步骤4，构建特征融合残差网络，该网络中的残差块选择在块与块中间进行连接，融合每个残差块的局部特征，最终传给后续残差块；前一个模块特征融合结果作为后一个
特征融合模块的输入，而后堆叠局部特征融合后的特征，利用残差学习来整合特征信息，形成网络基本架构；
[0012]步骤5，以CBCT图像为输入，CT图像为标签，contextual loss为损失函数进行训练，得到训练好的特征融合残差网络模型；
[0013]步骤6，将相同部位的CBCT图像作为输入进行测试，得到去除伪影的图像。
[0014]进一步的，所述步骤1中的图像预处理包括以下子步骤：
[0015]步骤1.1，将数据集中胸部CBCT图像以及CT图像截为相同大小的尺寸，使每一张图像分辨率为m
×
n，其中m,n分别是图像的长度和高度；所述CBCT图像以及CT图像为.dcm格式；
[0016]步骤1.2，将前述步骤中截好的图像转换为适用于网络的.raw格式。
[0017]进一步的，所述步骤2中的特征提取具体实现步骤如下：
[0018]由于VGG网络的输入是三通道的RGB图像，而医学图像是单通道的灰度图像，因此将三张相同图像放在一起构成(512，512，3)的三通道来适应该网络，然后将处理好的图像经过训练好的VGG19模型进行特征提取。
[0019]进一步的，所述步骤3中，计算特征相似度具体步骤如下：
[0020]步骤3.1，计算特征相似度：
[0021]采用基于余弦距离的contextual loss定义特征相似度，设s
i
和t
j
分别是输入CBCT图像S和标签CT图像T经过VGG19提取的特征，d
ij
为特征间的余弦距离，其计算公式为：
[0022]其中
[0023]其中，N表示VGG19提取的特征数量，μ
t
是对标签图像特征的归一化；对于任意的k≠j时，d
ij
<<d
ik
，那么s
i
和t
j
就是相似的；
[0024]步骤3.2，计算图像相似度：
[0025]由特征间的相似度计算公式，进一步定义图像间的相似度计算公式为：
[0026][0027]CX代表特征的相似度，CX
ij
代表特征s
i
和t
j
之间的相似度；使用一幅图像与其自身计算相似度，可知其相似性为1，即CX
ii
＝1，所以有CX(s,s)＝1；相反地，使用一张图像与其完全不同的图像比较，其相似性则有
[0028]损失函数定义如下：
[0029]L
CX
(s,t,l)＝
‑
log(CX(φ
l
(s),φ
l
(t)))
[0030]其中φ
l
(s)和φ
l
(t)分别是经过l层的VGG19网络提取的CBCT和CT图像的特征。
[0031]进一步的，所述步骤4中，构建特征融合残差网络方法如下：
[0032]密集残差块RDB在原始图像中提取多级特征，并进一步提高网络性能，它通过局部密集连接利用所有层，然后通过局部特征融合LFF自适应地保留累积的特征，RDB结合浅层特征和深层特征进行全局特征融合GFF，并通过全局残差学习获得全局稠密特征；
[0033]在块和块中间进行连接，融合每个RSDB中的局部特征，最终传递给后续残差块；第
f个RSDB直接引入第(f
‑
1)个RSDB或RB中的局部特征与进行特征融合，其中，若f＝1，为模型适应残差块RB，局部特征融合LFF表示为：
[0034][0035]其中F
f,LF
表示第f个RSDB局部特征融合结果，表示Concat特征图堆叠功能，F
f
‑
1,LF
表示第(f
‑
1)个RSDB局部特征融合结果，F
f,2
表示第f个RSDB输入经过两次Conv层进行浅层特本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种CBCT图像去伪影方法，其特征在于：所述方法基于contextual loss以及特征融合残差网络，包括以下几个步骤：步骤1，对CBCT和CT数据进行预处理，将其处理为512*512大小的.raw格式图像；步骤2，将前述经过预处理的CBCT和CT数据经过VGG19网络提取图像特征，以用于后续的训练；步骤3，计算得到的CBCT和CT特征图之间的结构相似度；步骤4，构建特征融合残差网络，该网络中的残差块选择在块与块中间进行连接，融合每个残差块的局部特征，最终传给后续残差块；前一个模块特征融合结果作为后一个特征融合模块的输入，而后堆叠局部特征融合后的特征，利用残差学习来整合特征信息，形成网络基本架构；步骤5，以CBCT图像为输入，CT图像为标签，contextual loss为损失函数进行训练，得到训练好的特征融合残差网络模型；步骤6，将相同部位的CBCT图像作为输入进行测试，得到去除伪影的图像。2.根据权利要求1所述的CBCT图像去伪影方法，其特征在于：所述步骤1中的图像预处理包括以下子步骤：步骤1.1，将数据集中胸部CBCT图像以及CT图像截为相同大小的尺寸，使每一张图像分辨率为m
×
n，其中m,n分别是图像的长度和高度；所述CBCT图像以及CT图像为.dcm格式；步骤1.2，将前述步骤中截好的图像转换为适用于网络的.raw格式。3.根据权利要求1所述的CBCT图像去伪影方法，其特征在于：所述步骤2中的特征提取具体实现步骤如下：由于VGG网络的输入是三通道的RGB图像，而医学图像是单通道的灰度图像，因此将三张相同图像放在一起构成(512，512，3)的三通道来适应该网络，然后将处理好的图像经过训练好的VGG19模型进行特征提取。4.根据权利要求1所述的CBCT图像去伪影方法，其特征在于：所述步骤3中，计算特征相似度具体步骤如下：步骤3.1，计算特征相似度：采用基于余弦距离的contextual loss定义特征相似度，设s
i
和t
j
分别是输入CBCT图像S和标签CT图像T经过VGG19提取的特征，d
ij
为特征间的余弦距离，其计算公式为：其中其中，N表示VGG19提取的特征数量，μ
t
是对标签图像特征的归一化；对于任意的k≠j时，d
ij
<<d
ik
，那么s
i
和t
j
就是相似的；步骤3.2，计算图像相似度：由特征间的相似度计算公式，进一步定义图像间的相似度计算公式为：CX代表特征的相似度，CX
ij<...

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