[发明专利]一种基于自监督学习的高精度CT金属伪影校正方法

说明书

本发明公开了一种基于自监督学习的高精度CT金属伪影校正方法，属于计算机医学成像技术领域，具体为：创建用于训练网络的数据集，并将数据集分为训练集和测试集；构建基于紧标架的模型驱动的图像域子网络、基于Transformer的数据驱动正弦域子网络以及一个新颖的耦合机制用以连接两个子网络；为优化耦合模型‑数据双驱动网络，设计损失函数；训练数据集及损失函数训练优化耦合双驱动网络，直至训练结束，获得最优网络模型；将测试集图像输入到步骤3中训练好的网络模型中，得到金属伪影校正图像。本申请在利用具有较少网络参数量的同时具有高精度的金属伪影校正性能，缓解了训练网络对配对CT图像的需求。

技术领域

本发明属于计算机医学成像技术领域，特别涉及一种基于自监督学习的CT金属伪影校正方法，可用于临床高精度CT金属伪影校正。

背景技术

计算机断层成像(computed tomography,CT)是一种无损检测技术，在医学、工业等众多领域得到了广泛应用。在医学上，该技术利用X射线对人体的特定部位进行扫描，根据不同的人体组织对X射线的吸收能力不同，对扫描数据重建出断层面图像。当人体内存在金属或其他高密度物质时，导致对应的投影数据污染，重建后的图像就会出现金属伪影。金属伪影的存在会严重降低图像的质量，从而影响医生的诊断。因此，研究CT金属伪影校正的技术，提升重建图像质量，在放射诊断学科中有着重要的意义。

现有的CT金属伪影校正技术主要分为传统金属伪影校正方法和基于深度学习的金属伪影校正方法。传统金属伪影校正方法主要分为三类：物理效应校正、正弦域(X射线投影域)插值和迭代重建。物理效应校正通过建模潜在的光束硬化物理效应，然后在正弦域直接校正受金属影响的区域。当金属植入物是高原子数金属时，校正将产生不令人满意的结果。正弦域插值利用各种插值技术替换原始投影数据中被金属污染的部分。但是这种方法很容易引入二次伪影，造成重建图像中金属伪影严重的部位结构严重变形。迭代重建技术是从观测的正弦图中去重建干净的CT图像，该方法通常是非常耗时的并且参数调整非常繁琐。根据利用域知识的不同，基于深度学习的方法主要分为三类：图像域方法、正弦域方法和双域方法。图像域网络把金属伪影校正看作是图像恢复问题，直接校正金属伪影，无需使用正弦域数据。在图像域网络中，一致性约束经常被忽略。正弦域方法通过将深度卷积神经网络用于生成金属迹区域的数据来替换损坏的数据，该方法通常引入严重的二次伪影。为了解决上述单域方法存在的问题，双域方法应运而生，并且成为了当下的主流。但是目前的双域方法一般缺乏模型可解释性、网络参数量巨大和需要配对CT图像等问题。

综上所述，虽然已有的CT金属伪影校正方法繁多，但均有各自的局限性。因此，在现有的金属伪影校正方法基础上，提出了一种新的CT金属伪影校正方法来进一步提高重建图像质量。

发明内容

本发明的目的在于针对上述已有方法的不足，提出一种基于自监督学习的高精度CT金属伪影校正方法，主要解决以往算法中可解释性不足、训练网络所需GPU空间大、网络参数量大、需要配对CT图像以及金属伪影校正精度低等问题，以降低网络参数、提升框架可解释性、缓解对配对CT图像的需要和提升金属伪影校正的精度。

本发明的一种基于自监督学习的高精度CT金属伪影校正方法，包括以下步骤：

(1)构建自监督CT金属伪影校正网络模型，即耦合模型-数据双驱动网络模型，该网络模型包括基于Transformer的数据驱动正弦域子网络(SS-Net)和基于紧标架的模型驱动图像域子网络(IM-Net)，IM-Net中包含一个用于耦合两个网络的先验伪影注意力阈值生成模块(PATG)；

(2)训练网络：

(2.1)准备数据集，用收集的无伪影正弦图s合成金属污染的正弦图s_ma，对它们做滤波反投影操作得到无伪影CT图像x和金属污染CT图像x_ma。将CT图像和正弦图裁剪为设定的尺寸，并将它们分为训练集和测试集，设定最大训练次数，并初始化训练参数；