资源描述
基于深度学习的医用锥形束 CT 图像
散射伪影校正的研究进展
摘要:医用计算机断层扫描成像系统中,X 射线与物体相互作用产生的康普顿散射光子严重影响了图像 质量,尤其在锥形束计算机断层扫描和多层探测器系统中。 目前已有许多散射伪影校正方法,归纳为 3 类:硬件校正、软件校正、软硬件混合校正方法,但近年随着计算机计算能力的提高以及深度学习在 医学图像处理领域的发展,出现了一些新的散射校正方法。本文首先介绍传统校正方法;然后详细介绍 基于深度学习方法进行散射伪影校正,并将其分为基于图像域和基于投影域的深度学习方法,以及对不 同的深度学习网络在散射伪影校正中的应用进行讨论;最后展望深度学习在多源计算机断层扫描技术中 的应用前景。
关键词:X 射线光学;深度学习;康普顿散射;锥形束CT;伪影校正
计算机断层扫描技术(computed tomography,CT)是利用X 射线从多个方向照射待测物体,得 到透射 X 射线量,并使用数学方法重建出物体某一断层上 X 射线衰减系数分布图,重现物体内部结 构信息的一种技术。该技术凭借诊断价值高、成像速度快和待测物体无损等优势,广泛应用于医用 诊断、辅助放疗、工业测量和动物实验等领域。然而随 CT 技术不断发展,CT 图像的伪影问题也日 益凸显,包括射束硬化伪影、散射伪影、金属伪影、运动伪影以及混淆伪影等,其中X 射线散射导 致采集图像出现杯状伪影或高衰减物质间的条状或带状的散射伪影,降低图像对比度,使 CT 值不准 确,严重影响图像质量[1]。
目前,医用锥形束 CT( cone-beam computed tomography,CBCT)散射伪影校正一直是一个亟 待解决的问题,人们也研究出许多去除散射伪影的方法,并将其分为:硬件校正方法、软件校正方
法、软硬件混合校正方法[2-4] ,有研究表明,近年来发展的深度学习方法的校正效果优于常用的传统 校正方法[5-6]。
本文介绍传统的医用 CBCT 散射伪影校正方法,重点介绍基于深度学习的医用 CBCT 散射伪影校 正,将其按数据集分为基于投影域的学习方法和基于图像域的学习方法,并简述两者优缺点;其次 从深度学习网络结构的角度分析不同网络的优劣;最后对深度学习方法用于医用CBCT 散射伪影校正 的前景进行展望。
1 CT 散射伪影
1.1 CT 散射伪影的产生
医用 CT 的能量范围一般在 20~140 keV,在此范围内,X 射线与物质的相互作用有 3 种:光电效
应、康普顿散射和瑞利散射[7] 。光电效应产生次级粒子:光电子、俄歇电子和特征 X 射线,其中特 征 X 射线,由于其能量较低,在患者体内被完全吸收,不会产生到达探测器影响图像质量的光子。
康普顿散射和瑞利散射则都会产生偏离 X 射线光子路径的散射光子,并被探测器接收,但有研 究表明,两种散射效应中,康普顿效应占主导地位。由于散射效应的存在,导致采集图像出现杯状 伪影或高衰减物质间的条状或带状伪影,降低图像对比度,使 CT 值不准确,影响图像质量[1] ,因此 对散射伪影的校正非常必要。
1.2 CT 散射伪影的校正方法
锥形束 CT 系统通常指带平板探测器和开放式旋转机架的CT 系统,然而随着多层螺旋 CT 层数的 增加,多层螺旋 CT 系统几何成像也越接近于 CBCT 系统[8] ,因此,介绍的医用CBCT 散射伪影校正方 法包括带平板探测器的 CBCT 系统和多层螺旋 CT 系统的散射校正方法。
硬件校正,即在 X 射线成像系统的各个部件上添加一些校正工具以减少到达探测器的散射线, 或者改变初始射线的能量和能谱分布[2] ,包括:准直器校正、反散射栅校正、滤线板校正、空气隙 校正等。准直器校正是通过垂直置于探测器前的高吸收系数的薄板吸收散射线来进行校正,其结构 如图 1(a)所示,该方法在扇形束 CT 中的校正效果明显,可以去除 89% 左右的散射线[9] ,在锥形 束 CT 中的校正效果不明显。反散射栅校正通过置于探测器前的栅格来阻止散射线到达探测器,其结 构如图 1(b)所示,该方法在高 X 射线散射条件(大的被测物体和大的照射野)、高成像剂量和低 分辨率重建,散射情况得到明显改善,在低剂量和低散射条件下,会损害图像质量,增加图像噪声, 而散射也不会被很好地去除[10-11];也有学者研究移除反散射栅带来的网格伪影来提高校正图像质量[12]。 滤线板校正则置于 X 射线出口处,吸收易发生散射的低能 X 射线,改善 X 射线质量,剩余的高能 X 射线具有较好的前向性,减少了散射[13] ,其结构如图 1(c)所示。空气隙校正通过增加物体与探测 器之间的距离,来进行散射校正,其结构如图 1(d)所示,该方法受到投影放大比的限制会使得图
像变模糊[14-15]。
X射线源
滤线板
入射光子 入射光子
散射光子
初级射束光子 初级射束光子
准直器 散射光子
反散射栅
闪烁晶体 光电二极管
(a)准直器校正 (b)反散射栅校正 (c)滤线板校正
X射线源
散射光子
(d)空气隙校正
图 1 硬件校正方法示意图
Fig.1 Schematic diagram of the hardware correction method
软件校正,即利用得到的X 射线投影图像,依据数字图像处理的方法,通过对图像本身的分析 和被扫描物体性质的估计,得到散射分布图来进行校正[2] ,包括:卷积法和反卷积法、蒙特卡洛 (Monte Carlo,MC)模拟校正方法、玻尔兹曼运输方程散射估计方法、深度学习方法等。卷积法是 把 CT 扫描得到的初级射线强度 Ip 与散射点扩展函数 hPSF 进行卷积,再与权重函数 W(T) 相乘得到散射 强度 Is = W(T) · Ip * hPSF [16] ,并通过实验来获得改进的散射点扩展函数中的相关系数以及权重函数,该
方法非常依赖所设置的实验条件,不能提供所有可能的 CT 场景且完全正确的散射估计[16-18] 。MC 方法 是随着计算机计算能力的发展而出现的以概率统计理论为指导的一类数值计算方法,该方法能够精 确地模拟粒子运输,被认为是锥形束 CT 散射伪影校正的金标准[19] ,但真实模拟实际的物理过程,导 致其计算量大,模拟速度缓慢[20];有许多学者也研究了MC 方法的加速策略,如使用GPU 加速计算过 程,使用低光子数的 MC 仿真[21] ,使用深度学习方法得到低光子数到高光子数的图像映射[22] ,减少对 未到达探测器粒子的追踪[23];使用 MC 和卷积核混合方法[24]等。玻尔兹曼运输方程散射估计方法首先 将 CT 投影过程划分为 3 个步骤:射线源到扫描对象的光子追踪、光子在扫描对象内的吸收或散射、 扫描对象中所有体素到每个探测器像素的散射通量追踪,然后使用线性玻尔兹曼输运方程确定性求 解器计算每个步骤中的光子和散射光子的路径,并得到探测器处的散射光子分布,有研究表明该方 法可以在临床可接受的时间内获得可靠的校正精度,是一种很有潜力的 MC 替代方法[25-26]。
软硬件混合校正的方法包括:散射校正板校正方法、初级射线调制校正方法等。散射校正板将 一块嵌有规则排列的柱状金属的有机玻璃板,置于被测物体和探测器之间[27] ,得到被金属阻挡位置 上的散射情况,拟合得到整个散射分布,其硬件结构如图 2(a)所示,校正原理如图 2(c)所示, 该方法需要被照射对象接受两次照射,增加患者的辐射剂量[28] 。初级射线调制校正方法[29-30]将一片 均匀布满突起的铝板或铜板,置于射线源和被测物体之间,形成不同的空间衰减,利用散射线的低 频特性,使用高通滤波器对投影滤波,扣除散射线,得到校正后的图像[31] ,其硬件结构如图 2(b) 所示,校正原理如图 2(d)所示。还有学者提出一种时域初级射线调制校正方法,使用可移动的初 级射线调制器来去除伪影[32]。
2 mm
Front view
1 mm 2 mm
Side view
(a)散射校正板
X射线源
散射校正板
散射光子
(c)散射校正板校正方法示意图
散射线 初级射线
(b)初级射线调制器
X射线源 初级射线调制器
(d)初级射线调制校正方法示意图
图 2 软硬件混合校正方法示意图
Fig.2 Schematic diagram of the hybrid correction method of software and hardware
此外,散射线校正方法还可被分为两种:预处理方法和后处理方法。预处理方法通过阻止散射 光子到达探测器来去除散射伪影,包括:准直器校正、反散射栅校正、滤线板校正、空气隙校正。 后处理方法从受散射污染的投影图像中估计散射信号,然后从投影图像中减去估计的散射值,生成 散射校正后的投影数据,包括:卷积法、蒙特卡洛模拟校正方法、玻尔兹曼运输方程散射估计方 法、散射校正板校正方法和初级射线调制校正方法[8]。
2 深度学习在锥形束 CT 散射校正中的应用
近年来,随着计算机计算能力的提高,深度学习已经发展出许多应用,包括医学图像处理、医 学图像分割、医学图像配准、医学图像分类、 目标检测等[33] 。一些学者也提出使用深度学习方法去 除医用 CBCT 图像伪影,提高图像质量。2018 年,Kida 等[34]称首次开发出一种用于改善 CBCT 图像质 量的深度卷积神经网络的方法。此前 2017 年一篇会议论文[35]中也提出使用深度学习方法进行能谱 CT 图像的散射校正,该方法校正伪影的流程图如图 3 所示,首先使用含散射伪影的 CBCT 图像做深 度学习网络模型训练的输入,不含散射伪影的 CT 图像做网络模型训练的标签来指导网络模型训练 的过程,然后使用训练好的模型处理 CBCT 散射伪影图像,可以很好地解决散射伪影的问题并提高 图像质量。
Test Ground truth
图 3 深度学习散射伪影校正方法的流程图
Fig.3 Flow diagram of deep learning method for scattering artifact correction
有研究证明深度学习校正结果优于散射核校正和混合校正的传统方法。在 CT 值准确性方面,深 度学习网络方法较传统散射核估计方法和 MC 混合散射估计方法分别提高了 75.5% 和 27.7% [5-6] ,其 可视化的校正效果如图4 所示。
深度学习去除散射伪影,按数据集可分为基于投影域的校正方法、基于图像域的校正方法以及 基于投影域和图像域联合校正方法。
基于投影域的校正方法是指用于网络训练的数据是 CT 系统在不同角度采集的投影数据,网络训 练结束后,输入带散射伪影的 CBCT 投影数据,可以获得校正后的 CBCT 投影数据,然后重建得到校 正后的图像数据。
如表 1,Hansen 等[36]使用了30(15︰7︰8)个前列腺癌患者的放射治疗计划 CT(plan CT,PCT) 和 CBCT 投影数据来训练一个残差U-Net 网络模型,网络包括 5 个下采样块和 5 个上采样块以及 5 个 跳跃连接,每个下采样块和上采样块后面都添加一个残差连接块以便能更好地去除低频的散射伪影, 文章首次对深度学习网络模型校正后的放疗 CBCT 图像的剂量测量精度进行综合评价,结果显示采
用 2% 的剂量差标准,所有患者的容积调强放射治疗计划的通过率接近 100% ,有很高的剂量计算精 度。Nomura 等[37]使用Gate 进行 MC 仿真得到数字模体的投影( 14400 ︰200︰360)来训练一个经典 的 U-Net 网络模型,包括 4 个下采样和 4 个上采样以及 4 个跳跃连接,使用残差学习模式:含伪影 的投影数据(散射线和初级射线)做输入,仅伪影的投影数据(散射线)做标签,文章研究证明了 深度学习模型的性能优于常规的散射校正方法(快速自适应散射核方法 Fasks)。Lee 等[38]也使用 Gate 进行 MC 仿真得到 12960 ︰360 对数字胸部投影数据来训练网络模型,包括两个 CNN 网络:一个 低频 Ls-Net,一个高频 Hs-Net,Ls-Net通过扩展卷积层增加感受野以估计整个图像上缓慢变化的 低频散射分量,Hs-Net使用传统的卷积层来估计快速变化的高频散射分量,结果显示训练好的网络 模型只需要 17.3ms 即可很好地完成单个投影的散射校正。Rusanov 等[39]使用两个头部模体,一个胸 部和一个盆腔模体采集的投影数据训练网络,两个患者的头颈部采集投影数据测试网络,文章使用 Hansen 等[36]的网络结构,改用仅包含散射的残差投影数据做训练标签,结果显示深度学习模型的性 能优于 Varian 商用软件的校正效果。
Ground truth(GT) No scatter correction KSE HSE DSE
CT reconstruction
Difference to GT
P1,140 kV
图 4 卷积核方法、卷积核与 MC 混合方法和深度学习方法校正散射伪影的对比图
Fig.4 Comparison diagram of kernel-based scatter estimation (KSE), the hybrid scatter
estimation (HSE) and deep scatter estimation (DSE) for scattering artifact correction
基于图像域的校正方法是指用于网络训练的是重建后的图像数据,含散射伪影的图像数据做输 入,不含散射伪影的图像数据做标签,以此来训练网络模型。
如表 1,Kida 等[34]使用了前列腺癌患者盆腔 14400 ︰ 3600 幅放疗 PCT 和 CBCT 图像数据,首次使 用传统的U-Net 网络模型去除 CBCT 图像的散射伪影,并使图像质量得到了明显的提高,但从文中可 视化结果了解到,由于不完全匹配的输入和标签数据,使得校正结果的结构发生了形变。Xie 等[42] 使用20 个肺癌患者胸部放疗图像数据,并经过 PCT 和 CBCT 初步配准和切割成小块图像再配准的两 步配准法处理,确保 PCT 与 CBCT 图像间结构上的一致性,以及使用仅包含散射的残差图像做标签来 训练 CNN 网络,结果显示在胸部数据集上能较好保留结构信息并提高图像质量。Jiang 等[43]使用MC- GPU 包仿真得到 2400 ︰480︰320 盆腔图像数据,提出了结合 U-Net和残差学习框架的 DRCNN 方法, 包括 4 个下采样和 4 个上采样,同时使用两个残差网络模块,一个添加在局部卷积层内,一个添加 在全局网络模型的输入和输出之间, 以减缓网络的梯度消失问题,优化网络学习的映射精度。 Liang 等[44]使用110 例头颈癌患者头颈部图像数据 PCT 和 CBCT,使用 CycleGAN 网络,包括两个生成 器和两个鉴别器,并用未配对 CBCT 和PCT 实现无监督学习的模型训练,结果显示 CycleGAN 网络将 头颈癌患者 CT 值的平均绝对误差 MAE 从 69.29HU 降低到 29.85HU,另外还证明了该模型优于 DCGAN 和 PGGAN 两种无监督深度学习的网络模型。Park 等[53]使用牙科CBCT 设备采集面部 CBCT 图像和多层
表 1 基于深度学习神经网络的 CBCT 散射伪影校正的研究汇总
Table 1 Research summary of CBCT scattering artifact correction based on deep learning neural network
项目
作者
年份
数据模体
数据获取
数据集(训练︰测试/ 训练︰验证︰测试)
网络
MAE/HU
SSIM
其他指标
耗时/s
基于投影域
Hansen 等[36]
2018
前列腺癌患者的 盆腔
放射治疗 PCT 和 CBCT
15︰7︰8(患者 数)
U-Net
144.000 降至 46.000
-
ME/HU:138.000 降 至-3.000
0.010/投影
Maier 等[6]
2018
头部、胸部、盆 腔
MC 仿真
22︰6(患者数)
U-Net
-
-
ME/HU:278.000 降至 6.000
0.010/投影
Nomura 等[37]
2019
数字几何数字胸 部和数字头部模 体
Gate 的 MC 仿真
14400 ︰200︰360
U-Net
头 17.900 胸 29.000
头 1.000 胸 0.999
PSNR/dB:
头:37.200 胸:31.700
4.800/360 投影
Lee 等[38]
2019
数字胸部模体
Gate 的 MC 仿真
12960 ︰360
CNN
-
MC:0.960
CNN:0.992
PSNR/dB:
MC:42.100 CNN:49.720
0.017/投影
钟安妮[40]
2020
头颈癌患者的头 颈部
gDRR 和 gMMC 包进 行 MC 仿真
22︰3(患者数) 盆腔模体测试
U-Net
-
头 0.999
盆腔 0.999
UIQI:头 0.994 盆腔 0.997
头,盆腔:9.050, 9.670/360 投影
Lalonde 等[41]
2020
头颈癌患者的头 颈部
MCGPU 包仿真患者 CBCT 投影
29︰9︰10(患者 数)
U-Net
69.640 降至 13.410
-
ME/HU:-28.610 降至 -0.801
0.014/投影
Ma 等[22]
2020
头部盆腔
gCTD 包进行 MC 仿真
头部:45︰45 盆腔测试
Deep Q-Net
-
0.990
PSNR/dB:
36.050 dB
1.810/投影
Rusanov 等[39]
2021
头胸腹模体和患 者头颈部
放疗 PCT 和 CBCT
8004 ︰ 1000(头 胸腹模体︰患者 头颈)
U-Net
318.000 降至 74.000
0.750 提升至 0.812
CNR:6.690 到 13.900
20.000/500 投影
基于图像域
Kida 等[34]
2018
前列腺癌患者的 盆腔部
放射治疗 PCT 和 CBCT
14400 ︰ 3600
U-Net
-
脂肪 0.965 肌肉 0.969
PSNR/dB:
脂肪 50.600 肌肉 51.300
20.000/180 切片
Xie 等[42]
2018
肺癌患者的胸部
放射治疗 PCT 和 CBCT
15︰5(患者数)
Deep CNN
-
-
PSNR/dB:7.889 提升至 8.823
0.008/切片
Jiang 等[43]
2019
患者盆腔
MC-GPU 包进行 MC 仿真
2400 ︰480︰320
U-NetRNM
-
0.950 提升至 0.990
RMSE/HU:
200.000 降至 20.000
27.000/160 切片
Liang 等[44]
2019
头颈癌患者头颈 部以及一个真实 头部模体
放射治疗 PCT 和 CBCT
81(6480) ︰ 9(720) ︰20
CycleGAN
69.290 降至 29.850
0.730 提升至 0.850
PSNR/dB:25.280 提升至 30.650
-
续表 1
项目
作者
年份
数据模体
数据获取
数据集(训练︰测试/ 训练︰验证︰测试)
网络
MAE/HU
SSIM
其他指标
耗时/s
基于图像域
Kurz 等[45]
2019
前列腺癌患者的盆 腔部
放射治疗 PCT 和 CBCT
25︰8(患者数)
CycleGAN
103.000 降至 87.000
-
ME/HU:24.000 降至 -6.000
10.000/88 切片
Harms 等[46]
2019
头部盆腔
放射治疗 PCT 和 CBCT
头部︰22︰2
盆腔︰19︰1(患者 数)
Res-CycleGAN
头部 23.800 降 至 13.000
盆腔 56.300 降 至 16.100
-
PSNR/dB:头 32.300 提升至 37.500。盆 腔 22.200 提升至
30.700
-
Chen 等[47]
2020
头颈癌患者头颈部
放射治 PCT 和 CBCT
30(2400) ︰
7(560) ︰7(560)
U-Net
44.380 降至 18.980
0.711 提升至 0.891
PSNR:27.350 提升 至 33.260 dB
-
Kida 等[48]
2020
前列腺癌患者的盆 腔部
放射治 PCT 和 CBCT
16︰4(患者数)
CycleGAN
-
0.575 提升至 0.688
CT 值:更接近 PCT
1.000/32 切片
Tien 等[49]
2021
乳腺癌患者胸部
放射治 PCT 和 CBCT
12(8706) ︰ 3(1 150)
Cycle-Deblur GAN
0.053 降至 0.024
0.987 提升至 0.996
PSNR/dB:24.435 提 升至 30.560
0.170/切片
Dong 等[50]
2021
前列腺癌患者的盆 腔部
放射治疗 PCT 和 CBCT
49︰9(患者数)
CycleGAN
49.960 降至 14.600
0.728 提升至 0.825
PSNR/dB:26.820 提 升至 32.500
-
Qiu 等[51]
2021
肺癌患者的胸部
放疗 PCT 和 CBCT
4︰1(20 患者)
HM-Cycle-GAN
110.000 降至 66.200
0.850 提升至 0.910
PSNR/dB:23.000 提 升至 30.300
-
Liu 等[52]
2021
患者胸部数据
放疗 PCT 和 CBCT
32︰8︰12(患者 数)
GAN
70.560 降至 32.700
0.640 提升至 0.860
PSNR/dB:28.670 提 升至 34.120
< 1.000/切片
Park 等[53]
2022
患者颌面部骨骼
多层螺旋 CT 和牙 科 CBCT
11000,11422(不配 对):1100;6831 ︰ 1 100(配对)
GAN
-
-
骨强度/HU:1 162.000 提升至 1220.000
0.200/切片
Zhang 等[54]
2022
头颈癌患者头颈部
放疗 PCT 和 CBCT
90︰30(患者数)
Conditional GAN
36.230 降至 16.750
0.830 提升至 0.920
PSNR/dB:25.340 提 升至 30.580
0.620/切片
投影 域与 图像 域
Iskender
等[55]
2021
数字钛棒模体和图像 映射的数字胸部模体
MC 仿真
27︰3(患者数)
DCNN
钛棒 35.000 降 至 15.100
胸部 35.800 降 至 12.300
钛棒 0.988 提升 至 0.997。
胸部 0.860 提升 至 0.975
PSNR/dB:钛棒 36.840 提升至 50.860。胸部 26.850 提升至 37.150
2.000~4.000/重 建体积
注:MAPE(mean absolute percentage error)平均绝对百分比误差,ME(mean error)平均误差,MAE(mean absolute error)平均绝对值误差,PSNR(peak signal to noise ratio)峰值 信噪比,SSIM(structured similarity indexing method)结构相似性指数方法,RMSE(root mean square error)均方根误差,UIQI(universal image quality Index)通用图像质量 指数,CNR(contrast-to-noise ratio)对比度噪声比,RNM(residual network modules)残差网络模型。
螺旋 CT 采集 CT 图像,使用两次 GAN 网络模型,先使用未配对的数据训练一个非配对 GAN 网络模型 以获取匹配的 CBCT 图像数据和相应生成 CT 图像数据再去训练另一个配对 GAN 网络模型,该模型能 很好地去除伪影校正过程中生成的类骨伪影。
基于图像域和投影域联合去散射伪影是用原始投影和初始重建图像两部分数据作为深度学习网 络的输入,训练网络参数以去除散射伪影。Iskender 等[55]提出了一种基于卷积神经网络的深度学习 方法,使用Gate 平台对数字钛棒模体和医学图像映射模体进行仿真,获得训练集和测试集,用原始 投影和初始重建图像两部分数据作为深度卷积神经网络的输入来训练模型以获得对应角度的散射分 布,该方法充分利用模型训练前的先验信息,在峰值信噪比、结构相似性、平均绝对误差 3 方面都 要优于 Maier 2018 年提出的 DSE 方法[6] ,且训练的网络参数仅为U-Net 网络的一半。
针对投影数据和图像数据训练网络模型的效果,有学者使用U-Net 网络模型来验证,结果显示, 图像域数据训练结果在放疗剂量评估方面的效果较好。Landry 等[56]将U-Net 网络分别应用于图像域 和投影域的去伪影过程中,比较了 3 种不同的数据集对单个U-Net 网络结构的训练:U-net1数据集 是原始 CBCT 投影和校正 CBCT 投影,U-net2 数据集是原始 CBCT 图像和经配准的 PCT 图像切片,U- net3 数据集是原始 CBCT 图像和校正的 CBCT 投影重建图像切片,结果认为使用校正 CBCT 图像切片 数据的 U-Net3 训练结果在质子束单野均匀照射中剂量评估效果最佳,对于电子束容积旋转调强放射 治疗的剂量评估,所有的U-Net 都提供了好的准确性,但基于投影域数据和基于图像域数据训练网 络模型效果优劣的研究相对较少,还无法明确该问题的结果。
散射伪影校正方法所采用 的深度学 习 网络模型既有监督学 习 网络模型 ,如 U-Net、DCNN、 CGAN 等,又有无监督学习网络模型,如 CycleGAN、CycleGAN 变形等,主要与所获取的 CBCT 数据和 CT 数据是否对应匹配相关。有监督学习网络需要完全匹配的 CBCT 和 CT 数据,如 MC 仿真获取的数 据集,模体扫描获取的数据集以及放疗获取的经配准的数据集,其中放疗获取的PCT 和CBCT 来自同 一个患者在不同设备上的扫描结果,患者的体位往往会发生变化,且断层也无法精确对应患者的同 一体层,即使经过复杂的配准过程也难以获得完全匹配的数据,往往会影响有监督学习网络的学习 效果。而无监督学习网络无需对应匹配的数据即可实现 CBCT 图像转换为无伪影风格的图像,往往使 用易于获得的放射治疗 CBCT 和 PCT 图像数据,该数据集的优点是数据来自真实的临床患者,能够反 映患者复杂的组织结构,且数据样本多样。
针对有监督学习网络和无监督学习网络模型的训练效果,表 1 中不同实验选用数据集不尽相同, 包括患者头颈数据、胸部数据、盆腔数据,头胸腹模体数据,MC 包的模拟数据等;还有各实验结果 的评估指标也不完全相同,无法直接通过表 1 比较不同实验中网络模型的校正效果。但有研究使用 相同的数据集来比较有监督学习和无监督学习去除散射伪影的优劣,Rossi等[57]使用盆腔公共数据 集,通过有监督学习U-Net 网络和无监督学习 CycleGAN 网络来进行 CBCT 伪影校正,结果显示,有 监督学习方法在定量分析中效果较优,相比于无监督学习,其 CT 值(62% 相比于 50%)、结构相 似性指数(2.5% 相比于 1.1%) 和峰值信噪比(15% 相比于 8%) 都有所提高。然而定性结果显 示,有监督学习方法由于成对图像之间的不匹配可能会导致边缘模糊、变形或某些解剖结构消失等 错误。
无监督学习校正方法有较好的图像边界,但可能会损失图像细节,且模型参数多,训练时间 长[49,51] ,有研究通过改善模型来弥补存在的不足,如在生成器中添加 inception block 模块通过不 同大小的卷积提取不同类型的特征优化网络 [49] ,添加与直方图匹配有关的损失函数[51]等来保留图像 结构细节。
3 总结与展望
CBCT 散射伪影的去除已经发展出许多优秀的传统方法,但各方法在校正准确性、模型复杂度、 成像剂量、耗时等方面也存在一定的局限。计算机计算能力的不断提高以及深度学习网络在图像处
理领域的发展,使得医学图像领域的诸多问题都能尝试使用深度学习的方法来解决,所以有研究将 深度学习应用于提高图像质量或者伪影去除,在网络模型训练结束后,短时间即可获得好的校正结 果,被证明是一种很有潜力的散射伪影去除方法。
然而对于医学图像处理而言,会更希望校正过程中能完全保留图像的解剖结构,不能去除掉原 有结构或添加不存在的结构。基于这方面的考虑,在之后处理散射伪影的深度学习模型研究或模型 改进的过程中,也许会更关注对图像结构保真度的研究以及进行更严格的效果评价,这样才有利于 深度学习方法进行散射伪影校正的实际落地以及基于散射伪影校正的其他临床应用的发展,如:直 接应用于诊断 CT 散射伪影校正,可以替代常用的基于散射核的方法和基于 MC 的混合方法;用于放 疗定位 CBCT 伪影去除以便分次治疗 CBCT 上的精确剂量计算[36,41,43,45,56];应用于放射治疗 4D-CBCT 图 像的伪影校正[58];应用于能谱 CT 散射伪影去除,为能谱 CT 的基物质图像分解提供更高质量的图 像[35]等。然而,深度学习神经网络是一种数据驱动的方法,往往需要大量的数据去训练网络,才能 得到好的去伪影效果。
基于单源多层探测器 CT 图像散射伪影校正已经发展了很多方法,且许多已经商用的多层探测 器 CT 扫描仪可以得到好的去除散射伪影的图像。随着 CT 技术的进步以及临床需求的不断提高,对 于多源 CT 的研究也逐渐成为一种趋势,多源 CT 可成倍地提高时间分辨率,有很好的低剂量和心脏 成像的前景。然而相比于单源多层探测器 CT 的散射伪影,多源 CT 除了成对的源和探测器间的前向 散射,还有不同的源和探测器对之间的交叉散射[59]。
有学者将单源多层探测器 CT 的伪影校正方法应用于双源或多源 CT 上来进行散射伪影校正,比 如散射校正板校正方法[60] 、蒙特卡洛模拟校正方法、基于物理模型的迭代方法[61] 、初级射线调制校 正方法[62]以及深度学习方法[63]等,然而对于多源 CBCT 散射伪影的研究仍然不够,还需要不断地探索 和验证,尤其是深度学习方法的应用。
参考文献
[1] JOSEPH P M, SPITAL R D. The effects of scatter in X-ray computed tomography[J]. Medical Physics, 1982, 9(4): 464-472.
[2] 邵义文, 卢文婷, 周凌宏. 锥形束 CT 系统的散射校正方法分析[J]. 中国医学物理学杂志, 2008,25(3): 634-637.
SHAO Y W, LU W T, ZHOU L H. Review of the methods for X-ray scatter correction in cone-beam CT system[J]. Chinese Journal of Medical Physics, 2008, 25(3): 634-637. (in Chinese).
[3] 张峰, 闫镔, 李建新, 等. 工业 X-CT 散射校正技术综述[J]. CT 理论与应用研究, 2009,18(4): 34-43.
ZHANG F, YAN B, LI J X, et al. Review of scatter correction on X-ray industrial computed tomography[J]. CT Theory and Applications, 2009, 18(4): 34-43. (in Chinese).
[4] 戎军艳, 刘文磊, 高鹏, 等. 锥束 CT 散射抑制方法综述[J]. CT 理论与应用研究, 2016,25(2): 235-250. DOI:10.15953/j.1004-4140.2016.25.02.15.
RONG J Y, LIU W L, GAO P, et al. The review of scatter suppression methods in cone beam CT[J]. CT Theory and Applications, 2016, 25(2): 235-250. DOI:10.15953/j.1004-4140.2016.25.02.15. (in Chinese).
[5] MAIER J, SAWALL S, KNAUP M, et al. Deep scatter estimation (DSE): Accurate real-time scatter estimation for X-ray CT using a deep convolutional neural network[J]. Journal of Nondestructive Evaluation, 2018, 37(3): 1-9.
[6] MAIER J, EULIG E, VöTH T, et al. Real-time scatter estimation for medical CT using the deep scatter e
展开阅读全文