[發(fā)明專利]一種使用深度學(xué)習(xí)的CBCT去偽影方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810825059.2
• 申請(qǐng)日: 2018-07-25
• 公開（公告）號(hào): CN109064521A
• 公開（公告）日: 2018-12-21
• 發(fā)明（設(shè)計(jì)）人: 楊騁遠(yuǎn);謝世朋
• 申請(qǐng)（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號(hào): G06T11/00
• 分類號(hào): G06T11/00;G06T7/30;G06N3/08;G06N3/04
• 代理公司: 南京縱橫知識(shí)產(chǎn)權(quán)代理有限公司 32224
• 代理人: 董建林

本發(fā)明公開了一種使用深度學(xué)習(xí)的CBCT去偽影方法，首先體配準(zhǔn)對(duì)整體的CBCT?CT數(shù)據(jù)集進(jìn)行預(yù)處理，使得兩種數(shù)據(jù)的數(shù)量相等，再通過精配準(zhǔn)之后送入深層卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行殘差學(xué)習(xí)，得到偽影圖，最后將CBCT與偽影圖的做殘差，實(shí)現(xiàn)CBCT的偽影去除。優(yōu)點(diǎn)：本發(fā)明在實(shí)用IGRT圖像庫(kù)真實(shí)數(shù)據(jù)的基礎(chǔ)上，通過二次配準(zhǔn)對(duì)數(shù)據(jù)預(yù)處理，引接下來通過深層卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)框架進(jìn)行殘差學(xué)習(xí)偽影分布；同時(shí)采用GPU加速，縮短了訓(xùn)練的時(shí)間，加速了實(shí)驗(yàn)的訓(xùn)練過程，有效地去除CBCT的亮暗不均勻偽影及條紋狀偽影，有利于進(jìn)一步發(fā)揮CBCT系統(tǒng)的優(yōu)勢(shì)與潛力。

技術(shù)領(lǐng)域

本發(fā)明涉及一種使用深度學(xué)習(xí)的CBCT去偽影方法，屬于醫(yī)學(xué)圖像處理技 術(shù)領(lǐng)域。

背景技術(shù)

錐形束計(jì)算機(jī)斷層成像技術(shù)(Cone beam computed tomography，CBCT)因 為其自身的掃描速度快、輻射劑量相對(duì)較低及射線利用率相對(duì)較高等優(yōu)點(diǎn)，并 且還能解決分次放療間患者的擺位誤差等問題，而廣泛利用在IGRT系統(tǒng) (Image-guided RadiationTherapy)中。相比于傳統(tǒng)的體層CT，基于CBCT圖像 進(jìn)行計(jì)劃驗(yàn)證的技術(shù)有能降低患者所受福射劑量且耗時(shí)短等優(yōu)點(diǎn)。但是由于 CBCT的探測(cè)器信噪比低，且沒有遮擋散射的準(zhǔn)直器，會(huì)存在大量的散射偽影與 噪聲，導(dǎo)致重建圖像的CT值(HounsfieldUnit，HU)不精確，對(duì)于后續(xù)圖像分 割、配準(zhǔn)等醫(yī)生的診斷產(chǎn)生很大的影響。

為了去除CBCT的散射偽影，Endo等人提出放置準(zhǔn)直器的方法,Xu.Y等人 提出基于蒙特卡洛羅模擬的散射偽影校正方法，通過使用蒙特卡羅模擬方法來 模擬出CBCT圖像中的散射偽影，在CBCT去偽影方面取得了良好的效果。此 外，其他一些方法比如主射線調(diào)制，移動(dòng)擋板等，也為CBCT的散射矯正提供 了多個(gè)角度的思路。

然而這些方法或引入了硬件設(shè)備，或增加了輻射劑量，或需要其他先驗(yàn)知 識(shí)進(jìn)行約束。某些方法只對(duì)某種偽影有矯正效果，對(duì)其他偽影則適應(yīng)性不夠理 想。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是克服現(xiàn)有技術(shù)的缺陷，提供一種使用深度學(xué) 習(xí)的CBCT去偽影方法，去除CBCT中的散射偽影。

為解決上述技術(shù)問題，本發(fā)明提供一種使用深度學(xué)習(xí)的CBCT去偽影方法， 其特征是，包括如下步驟：

(1)從IGRT系統(tǒng)獲取CBCT圖像和CT圖像對(duì)，組成CBCT-CT數(shù)據(jù)集， 對(duì)CBCT-CT數(shù)據(jù)集進(jìn)行基于互信息的配準(zhǔn)，提高同一個(gè)病人相同部位CBCT和 CT的匹配度，并解決由CBCT、CT切片厚度不同導(dǎo)致兩種數(shù)據(jù)數(shù)量不同的問題；

(2)將匹配過的CBCT-CT數(shù)據(jù)集進(jìn)一步劃分成子圖像塊，對(duì)相同位置的 CBCT-CT子圖進(jìn)行二次配準(zhǔn)，得到CBCT-CT子塊組；

(3)將兩次配準(zhǔn)之后的子塊組通過一個(gè)深度神經(jīng)網(wǎng)絡(luò)進(jìn)行殘差學(xué)習(xí)，估計(jì) 出CBCT圖像與對(duì)應(yīng)位置的CT圖像之間的殘差分布；

(4)根據(jù)模型求出待測(cè)CBCT的殘差圖，并用CBCT減去殘差圖得到去除 偽影的CBCT圖像。

進(jìn)一步的，所述步驟(1)中待配準(zhǔn)兩圖像的互信息由下式給出：

其中，R為CBCT圖像作為參考圖像，F(xiàn)′為CT圖像作為待配準(zhǔn)圖像，為 對(duì)待配準(zhǔn)圖像進(jìn)行的變換，p_R,F′(r,f′)代表兩圖像的聯(lián)合概率密度，p_R(r)代表參 考圖像的邊緣概率密度函數(shù)，p_F′(f′)代表待配準(zhǔn)圖像的邊緣概率密度函數(shù)，由此 進(jìn)一步可以推導(dǎo)出待配準(zhǔn)圖像的變換，即

求出即最終用于配準(zhǔn)的變換。

進(jìn)一步的，所述步驟(2)同樣使用步驟(1)中基于互信息的配準(zhǔn)，將原 圖像的各個(gè)重疊滑動(dòng)子塊進(jìn)行精配準(zhǔn)。