一种CT运动伪影去除方法

本发明属于ct伪影校正，涉及一种ct运动伪影去除方法。

背景技术：

1、在医学影像运动伪影去除领域，目前主要有三种解决方案。第一种是缩短扫描时间，使扫描过程中病人运动的可能性减少；第二种是通过外部运动跟踪设备，以此获得病人运动的参数轨迹，从而可以重建出无运动伪影的影像；第三种是通过运动估计和运动补偿，实现运动伪影校正。

2、缩短扫描时间的方法主要是以增加x射线源的扫描速度或使用多个射线源和探测器来提高时间分辨率。尽管ct成像的扫描时间很短，但病人运动引起的ct成像伪影依然经常存在，只能通过重复扫描修复。运动数据跟踪方法是通过外部运动跟踪设备获取病人运动的轨迹，并利用该运动数据恢复投影的一致性，最后重建图像，实现运动伪影校正，这种方法硬件成本高，推广使用困难。

3、运动补偿技术是在外部设备门控技术的基础上，通过模糊恢复算法对运动进行补偿的一种模糊恢复技术，主要分为两种：一是基于图像配准的方法，二是基于图像重建或者原始数据的恢复方法。其中基于配准的恢复方法是先将各个呼吸相的图像分别重建，然后通过配准算法将其他呼吸相的图像配准到一个参考呼吸相上，最后将各呼吸相的图像相加获得图像的模糊恢复方法。对于器官运动复杂的胸腹部，标记物不能准确反映体内器官的运动状态，且即使采用弹性变换来优化配准技术，仍会存在局部配准误差，因而这种基于配准的方法在这些部位的恢复效果不够好。而基于图像重建的方法是在成像系统模型中加入运动信息，或者是对采集到的数据进行重组的呼吸运动恢复方法。相比于基于配准方法，使用迭代重建算法可以加入各种先验约束条件，基于图像重建或者原始数据的恢复方法可以提高图像的信噪比和对比度。

技术实现思路

1、本发明的目的是提供一种ct运动伪影去除方法，直接应用于常规(非门控)扫描条件下重建得到的医学影像，可以减轻ct影像中刚性、非刚性运动所造成的多样化、非均匀化的运动伪影，得到较好的图像恢复效果，且相较于图像重建算法，运行速度快，节省了大量的计算资源。

2、本发明所采用的技术方案是，一种ct运动伪影去除方法，具体包括如下步骤：

3、步骤1，采集带运动伪影的ct图像；

4、步骤2，筛选出清晰ct影像切片；

5、步骤3，向步骤2中筛选出的清晰ct影像加入人工仿真的运动过程，进而得到带有运动伪影的ct影像切片，获得配对ct影像数据集；

6、步骤4，使用步骤3得到的配对ct影像数据集训练基于核的unet网络模型；

7、步骤5，使用带运动伪影的ct影像数据来测试步骤4训练好的基于核的unet网络模型，输出清晰的ct影像数据。

8、本发明的特点还在于：

9、步骤1具体过程为：

10、步骤1.1，使用ct仪器扫描人体或体模，得到某一区域螺旋扫描的相应的放射线衰减信号；

11、步骤1.2，将步骤1.1得到的放射线衰减信号转换为相关扫描区域中各点位360度探测信号，输出为弦图域图像；

12、步骤1.3，将步骤1.2得到的弦图域图像通过ct影像重建算法重建为ct影像数据。

13、步骤2的具体过程为：

14、步骤2.1，通过人工观察逐个去除每个ct影像序列中头部、腹部ct影像切片；

15、步骤2.2，剔除包含绝对值大于3000体素的ct影像切片；

16、步骤2.3，通过人工观察逐个去除每个ct影像序列中含有金属伪影的ct影像切片；

17、步骤2.4，判别每张ct影像切片中各区域的组织结构，并剔除模糊、带有运动伪影的ct影像切片，进而构造清晰的ct影像数据集。

18、步骤3具体过程为：

19、步骤3.1，生成运动严重程度矩阵；

20、步骤3.2，基于步骤1生成的运动严重程度矩阵生成形变网格mask；

21、步骤3.3，使用astra重建算法加入人工运动仿真过程，得到带有弹性形变运动伪影的数据。

22、步骤3.1的具体过程为：

23、步骤3.1.1，生成随机高斯矩阵来模拟物体或组织运动状态，矩阵大小为m*m，中心在原点，x、y轴对应两个矩阵；

24、步骤3.1.2，生成并初始化位移矩阵displacement，矩阵大小为n，其中n<m，x,y轴对应两个矩阵；

25、步骤3.1.3，随机产生位移矩阵displacement的中心坐标(cx,cy)；

26、步骤3.1.4，给位移矩阵displacement赋值，该矩阵为高斯矩阵中坐标(cx,cy)所选取的子矩阵，矩阵大小为n*n；

27、步骤3.1.5，对位移矩阵displacement乘以放缩系数(dirx,diry)得到运动严重程度矩阵，x,y轴对应两个矩阵；

28、步骤3.1.6，将运动严重程度矩阵的数值绝对值范围裁切到max(dirx,diry)范围内。

29、步骤3.2的具体过程为：

30、步骤3.2.1，将运动严重程度矩阵加入掩膜mask，用于描述ct影像切片中各体素的运动状况；

31、步骤3.2.2，使用样条插值对形变后的图像进行插值，得到最终的运动掩膜mask。

32、步骤3.3的具体过程为：

33、步骤3.3.1，构建虚拟探测器；

34、步骤3.3.2，通过步骤3.3.1构建的虚拟探测器模拟ct采集过程；

35、步骤3.3.3，通过ct扫描得到相应的弦图域数据；

36、步骤3.3.4，通过ct图像重建算法得到图像域数据，即各点位对应的ct影像切片数据。

37、步骤4具体过程为：

38、步骤4.1，通过贝叶斯方法推导计算出核kernel和清晰图像的后验分布变分推断；

39、步骤4.2，推导计算证据下界，进而得到深度学习训练所对应的损失函数；

40、步骤4.3，构建基于核的unet网络模型，并使用步骤2得到的带运动伪影ct影像配对数据集对构建的基于核的unet网络模型进行训练。

41、步骤4.3的具体过程为：

42、步骤4.3.1，构建核网络knet，核网络knet使用深度学习网络作为基准网络构建，首先通过基准网络来提取带运动伪影ct影像切片的初步特征，通过线性全连接层进一步将该初步特征处理变换为一维特征，再将该一维特征通过softmax()函数变换得到元素值之和等于1的特征，最后将该特征转换为二维特征及代表该带运动伪影ct影像切片所对应的模糊核kernel；

43、步骤4.3.2，构建去模糊网络dnet，去模糊网络dnet使用用于图像恢复的深度学习网络作为基准网络构建

44、步骤步骤4.3.3，使用步骤3得到的配对ct影像数据作为训练数据，使用步骤4.2给出的损失函数训练核网络knet和去模糊网络dnet。

45、步骤5的具体过程为：

46、步骤5.1，选取步骤3中未用于模型训练的配对ct影像数据集作为测试的ct影像数据集；

47、步骤5.2，通过基于核的unet网络模型中的核网络knet估计出带运动伪影ct影像切片对应的核kernel；

48、步骤5.3，根据带运动伪影ct影像切片和核网络knet估计出的核kernel，通过去模糊网络综合提取并最终恢复出无伪影的或组织结构清晰的去运动伪影ct图像。

49、本发明的有益效果如下：

50、(1)本发明提供的运动伪影仿真方法，可以得到较逼真的运动伪影、运动模糊效果，可实现运动伪影特征多样化、非均匀化特征，进而有利于解决真实ct影像数据运动伪影去除问题；

51、(2)本发明提供的运动伪影仿真方法，无需基于呼吸运动、心脏运动等生理机理，可以高效地仿真出运动伪影、运动模糊特征，进而构建配对的ct影像数据集，解决ct影像数据难获取、带运动伪影ct影像配对数据稀缺的问题；

52、(3)本发明提供的基于核的unet网络(kbunet)，充分提取运动模糊信息，相比其他方法，可以显著提高ct影像去运动伪影效果；

53、(4)本发明提供的基于核的unet网络(kbunet)，可以解决不同运动幅度、运动方向、模糊程度的多样化非均匀运动伪影难于去除的问题，可以同时处理不同特征的运动伪影，保留无伪影区域的组织结构细节，提高影像清晰度，较好地优化ct影像质量，有利于相关影像区域人体组织识别、病灶判别，提高诊断效果；

54、(5)本发明提供的基于核的unet网络(kbunet)，可以高效地去除运动伪影，提高ct影像诊断效率。