基于对抗训练的U-Net神经网络在稀疏投影CT图像增强的应用

目的:针对稀疏投影的CT重建图像附带噪声和伪影的特性,使用神经网络模型对稀疏投影得到的低质量CT重建 图像进行图像增强。方法:在残差编码-解码卷积神经网络基础上提出一种基于对抗训练的U-Net神经网络模型,并使用 公开数据集TCGA-CESC癌症CT影像进行模型训练和测试。评价模型处理效果的指标包括峰值信噪比（PSNR）、结构相 似性（SSIM）和均方根误差（RMSE）。结果:在对180 次探测的CT重建图像的测试中,模型处理后的图像相比未处理图 像,PSNR、SSIM和RMSE指标平均值分别提升15.10%、37.89%和38.20%。在PSNR和SSIM指标平均值意义下,模型处 理后的图像优于1 800次探测的未处理CT重建图像。结论:本研究提出的神经网络模型能够减少伪影和噪点,对稀疏投 影CT图像增强有一定效果。     

基于深度学习的低剂量CT图像去噪

目的:提出一种基于深度学习的方法用于低剂量CT（LDCT）图像的噪声去除。方法:首先进行滤波反投影重建,然后利用多尺度并行残差U-net（MPR U-net）的深度学习模型对重建后的LDCT图像进行去噪。实验数据采用LoDoPaB-CT挑战赛的医学CT数据集,其中训练集35 820张图像,验证集3 522张图像,测试集3 553张图像,并采用峰值信噪比（PSNR）与结构相似性系数（SSIM）来评估模型的去噪效果。结果:LDCT图像处理前后PSNR分别为28.80、38.22 dB,SSIM分别为0.786、0.966,平均处理时间为0.03 s。结论:MPR U-net深度学习模型能较好地去除LDCT图像噪声,提升PSNR,保留更多图像细节。     

运用兆伏锥形束计算机断层成像校正千伏计算机断层成像中假牙的金属伪影

本文提出一种运用兆伏锥形束CT(MVCBCT)校正千伏CT(kVCT)图像中假牙金属伪影的新方法。该方法分别用kVCT和MVCBCT扫描佩戴假牙的患者,得到两种CT图像。在kVCT中阈值分割得到金属图像,运用MVCBCT和kVCT融合得到先验图像,对先验图像前投影来替代原始金属区投影,最后通过滤波反投影(FBP)重建图像。将本文方法校正后效果与归一化金属伪影校正法(NMAR)、以MVCBCT为先验图像的归一化金属伪影校正法(NMAR-MV),以及线性插值法(LIMAR)这三种常用伪影校正方法进行比较,计算其归一化均方根偏差(NRMSD)和平均绝对偏差(MAD)。实验结果显示本文方法去除了严重的金属伪影且没有引入其他伪影,基于参考图像计算的NRMSD值和MAD值最小。NMAR、NMAR-MV、LIMAR以及本文方法的NRMSD值分别为21.0%、22.1%、41.9%、17.0%;MAD值分别为232、235、553、205 HU。本文提出的伪影校正方法能较好地去除假牙的金属伪影,大幅改善CT图像质量。     

金标伪影对射波刀剂量计算及分布的影响

目的:分析金标伪影对射波刀剂量计算及分布的影响。方法:采用能谱CT的GSI扫描技术和MARS重建技术获取Lucy模体的原始CT图像和去除金标伪影后的CT图像,利用射波刀Multiplan?划系统对两组CT图像进行等中心计划设计计算,分析金标伪影对剂量计算及分布的影响。结果:金标伪影使CT图像伪影区域的CT值发生改变,最大可达63.22%,金标伪影低估了金标周围（伪影区域）正常重要组织的最大剂量值,高估了金标周围（伪影区域）正常重要组织的最小剂量值,高估了PTV的剂量覆盖率。结论:使用能谱CT可降低金标伪影对射波刀剂量计算及分布的影响。 【关键词】射波刀;金标伪影;剂量计算;剂量分布     

CT图像金属伪影校正算法研究现状

计算机断层成像(CT)技术已经广泛应用于临床诊断,它的高分辨率人体解剖信息对很多疾病的诊断提供了很大的帮助.然而,在患者体内有金属植入物的情况下,CT图像中往往伴随着大量黑色带状或明亮的放射条纹状伪影,统称为金属伪影.金属伪影使临床疾病诊断变得不再可靠,在放射治疗中也会给剂量分布的计算带来误差.消除CT图像中金属伪影的研究具有重要意义,对目前主要的金属伪影消除算法进行了总结和讨论.     

基于自适应方向性滤波和非局部均f值修补的CT图像金属伪影消除

CT图像金属伪影的校正长期以来都是一个重要课题.首先采用自适应方向性前置滤波器对含有金属伪影的图像进行处理,在一定程度上消除噪声,抑制条状伪影;其后采用均值漂移分割出原图像中的金属成分,最大互信息熵分割出伪影成分;使用平行束投影获取原始图像和金属成分的弦空间数据,从原图弦空间数据中减除伪影成分对应的弦图;继而采用非局部均值修补结合线性插值方法对弦空间数据进行补全;最后采样滤波反投影得到校正后的图像.实验表明,本算法对于含有金属伪影的水模和真实临床图像的校正,获得更好的匀质区域一致性和更好的伪影抑制性能.     

一种快速校正CT环形伪影的方法

背景：环形伪影严重影响了CT图像质量,对图像后处理造成困难以及容易造成误诊断。目前去除环形伪影必不可少。 目的：去除CT重建图像中的环形伪影,提高CT图像质量以及后续处理和量化分析的精度,便于诊断。 方法：首先把含环形伪影的CT图像进行线性变换,将灰度图像转换成浮点类型的图像。接着由直角坐标变换到极坐标,这样原来的环形伪影就被变换成线形伪影。设计多维滤波器,计算每个象素滤波后均值以及方差,通过与阈值比较确定伪影范围。最后通过对伪影范围进行修正以及对图像进行坐标变换,变为灰度图像。 结果与结论：通过Matlab 7.0软件设计程序,处理含环形伪影的CT图像。实验表明,此方法能有效快速地校正CT环形伪影,是一种属于图像后处理的校正方法。     

基于DenseCUT网络由头部锥形束CT图像生成合成CT图像

提出一种由头部锥形束CT(CBCT)图像生成合成CT(sCT)图像的无监督深度学习网络,并与循环生成对抗（CycleGAN）网络及对比非配对转换（CUT）网络进行比较。本研究共获取56例脑部肿瘤患者的计划CT(pCT)和CBCT数据（其中49例用于训练,7例用于测试）,分别使用CycleGAN网络、CUT网络以及本研究提出的密集对比非配对转换（DenseCUT）网络由CBCT图像生成sCT。DenseCUT网络有两点创新之处：将CUT网络与密集块网络结合;在损失函数中加入结构相似性。与pCT-CBCT相比,pCT-sCT(DenseCUT网络)的HU值平均绝对误差从34.38 HU降低到17.75 HU,峰值信噪比从26.19 dB提升到29.83 dB,结构相似性从0.78提升到0.87。本文方法可在不改变解剖结构的情况下从CBCT图像中生成高质量的sCT图像,同时降低图像伪影,使CBCT应用于剂量计算和自适应放疗计划成为可能。     

CT双能量成像在消除金属内固定伪影中的应用价值

目的对CT双能量成像技术在消除金属内固定伪影中的临床应用价值进行评估。方法选择52例骨折金属内固定术后复查患者,其中男性22例,女性30例;年龄14~80岁,平均年龄47岁。用西门子(Siemens)公司生产的Force CT双能量去金属伪影序列进行扫描;将扫描所获得的100 k V、Sn 150 kV能量数据调入Dual-Energy工作站软件内,并选用不同能谱值(ke V)进行金属伪影减影后处理,包括多平面重组(MPR)、容积再现(VR)。由2名5年以上工作经验的诊断医生对以上图像质量进行评价和比较。结果用低能谱值如40 keV、60 keV处理时,图像质量不佳,金属伪影多;当能谱值增加至90 keV时,金属伪影明显减少,图像质量有所改善,但部分图像尚不能达到满意的诊断效果;随着能谱值逐渐增大(最大190 keV),金属伪影减少或消失,局部骨质结构、内固定器材均能清晰显示;与常规120 kV图像比较,差异有统计学意义(χ~2=298.280,P 0.05)。结论 CT双能量成像技术应用高能谱值处理将更有效地去除金属伪影,清晰显示金属内固定物的位置、形态及局部细微结构,是骨折金属内固定术后复查的有效方法。     

基于参考图像的压缩感知磁共振扩散张量成像

基于参考图像的压缩感知磁共振扩散张量成像方法,利用相邻方向的扩散加权图像差异较小的特点,采用压缩感知理论实现快速扩散张量成像,回顾性选取扩散张量图像数据进行实验研究,在采样率为50%的均匀分布辐射线欠采样方式下进行基于参考图像的压缩感知扩散张量图像重建,结果表明重建后的扩散加权图的平均结构相似性（MSSIM）和峰值信噪比（PSNR）分别为0.904±0.044、（37.92±3.89） dB,各向异性分数图的MSSIM和PSNR分别为0.992、41.64 dB。因此,该方法在保证重建图像质量的前提下,可显著缩短数据采集时间,减少由于时间过长引起的图像伪影等问题。     

基于U-net卷积神经网络的宫颈癌临床靶区和危及器官自动勾画的研究

目的:基于U-net卷积神经网络的深度学习方法,探讨宫颈癌放疗临床靶区和危及器官自动勾画的可行性。方法:利用U-net卷积神经网络模型搭建的端到端自动分割框架,以100例已进行IMRT治疗的宫颈癌患者CT及组织结构信息为研究对象,并随机选取其中的10例作为测试集。勾画的对象包括临床靶区（CTV）、膀胱、直肠和左、右股骨头5个部分,比较手动和自动勾画的戴斯相似性系数（DSC）和豪斯多夫距离（HD）以评估自动勾画模型的准确性。结果:4种危及器官自动勾画的DSC值都在0.833以上,平均值是0.898;HD值均在8.3 mm以内,平均值为5.3 mm;临床靶区DSC值是0.860,HD值为13.9 mm。结论:基于U-net卷积神经网络建立的自动勾画模型能较为准确地实现宫颈癌临床靶区和危及器官的自动勾画,临床应用中可大幅提高医生的工作效率及勾画的一致性。     

Correction of CT artifacts and its influence on Monte Carlo dose calculations

Computed tomography (CT) images of patients having metallic implants or dental fillings exhibit severe streaking artifacts. These artifacts may disallow tumor and organ delineation and compromise dose calculation outcomes in radiotherapy. We used a sinogram interpolation metal streaking artifact correction algorithm on several phantoms of exact-known compositions and on a prostate patient with two hip prostheses. We compared original CT images and artifact-corrected images of both. To evaluate the effect of the artifact correction on dose calculations, we performed Monte Carlo dose calculation in the EGSnrc/DOSXYZnrc code. For the phantoms, we performed calculations in the exact geometry, in the original CT geometry and in the artifact-corrected geometry for photon and electron beams. The maximum errors in 6 MV photon beam dose calculation were found to exceed 25% in original CT images when the standard DOSXYZnrc/CTCREATE calibration is used but less than 2% in artifact-corrected images when an extended calibration is used. The extended calibration includes an extra calibration point for a metal. The patient dose volume histograms of a hypothetical target irradiated by five 18 MV photon beams in a hypothetical treatment differ significantly in the original CT geometry and in the artifact-corrected geometry. This was found to be mostly due to miss-assignment of tissue voxels to air due to metal artifacts. We also developed a simple Monte Carlo model for a CT scanner and we simulated the contribution of scatter and beam hardening to metal streaking artifacts. We found that whereas beam hardening has a minor effect on metal artifacts, scatter is an important cause of these artifacts.     

The reduction of artifacts due to metal hip implants in CT-attenuation corrected PET images from hybrid PET/CT scanners

CT beam hardening artifacts near metal hip implants may erroneously enhance or diminish radiotracer uptake following CT attenuation correction (AC) of PET images. An artifact reduction algorithm (ARA) was developed to reduce metal artifacts in CT-based AC-PET. The algorithm employed a Bayes classifier to identify beam-hardening artifacts, followed by a partial correction of the attenuation map. ARA was implemented on phantom and patient 18F-FDG studies using a clinical PET/CT scanner. In phantom studies ARA successfully removed two artifacts of erroneously elevated uptake near a stainless steel hip prosthesis which were depicted in the standard CT-AC PET. ARA has also identified two targets absent on the scanner PET images. Target-to-background ratios were 1.5-3 times higher for ARA-PET than scanner images. In a patient study, metal artifacts were of lower intensity in ARA-PET as compared to standard images. Potentially, ARA may improve detectability of small lesions located near metal hip implants.     

颞骨CT内面神经、迷路、听骨结构深度学习的自动化分割方法

目的 探讨神经网络的深度学习方法,进行颞骨CT内面神经、迷路及听骨结构的自动化分割的可行性和精确性。方法 选择常规颞骨CT检查患者的数据,随机分为两组,一组为训练集（20例）,另一组为测试集（5例）。在上述颞骨CT中采用手工分割的方法,分割出迷路、听骨及面神经结构。选择三维卷积神经网络3D U-Net作为深度学习中的神经网络结构部分,通过对训练集的训练,得到该网络的平均精度。用该网络模型对5组测试集中的不同解剖标志自动分割的结果与手工分割的结果进行测试,分别获得面神经、迷路及听小骨的测试精度。并将上述精度与另一种基于三维卷积神经网络结构的V-Net网络模型获得的精度进行比较。结果 在颞骨CT标本中,采用面神经、迷路及听小骨分别对3D U-Net-plus和V-Net网络结构的自动分割进行训练,在训练样本中,3D U-Net-plus网络结构的平均误差为0.016,V-Net网络结构的平均误差为0.035,两者差异有统计学意义（P<0.05）;利用3D U-Net-plus神经网络自动分割的迷路、听小骨及面神经与手工分割图像的Dice相似指数分别为0.618±0.107、0.584±0.089和0.313±0.069, 利用V-Net神经网络自动分割的迷路、听小骨、面神经与手工分割图像的Dice相似指数分别为0.322±0.089、0.176±0.100和0.128± 0.077,两者差异有统计学意义（P<0.001）。结论 采用3D U-Net-plus神经网络,在颞骨内听骨、迷路及面神经的自动识别和分割方面具有可行性,该方法优于V-Net神经网络。随着网络结构的优化和学习样本的扩大,其将更加接近人工分割的效果。     

基于卷积神经网络和图像显著性的心脏CT图像分割

目的心脏医学影像中,感兴趣部分的提取与分割是诊断心脏病变部位的关键。由于心脏舒张、收缩以及血液的流动,心脏CT图像易出现弱边界、伪影,传统分割算法易产生过度分割的情况。为此,提出一种基于卷积神经网络和图像显著性的心脏CT图像分割方法。方法采用卷积神经网络对目标区域进行定位,滤除肋骨、肌肉等造影对比不明显部分,截取出感兴趣区域,结合感兴趣区域的对比度计算并提高感兴趣区域的心脏组织的显著值。通过获得的显著值图像截取心脏图像,并与区域生长算法的分割结果进行对比。最后使用泰州人民医院11例患者的影像数据对算法模型进行训练和测试,随机选择9例用于训练,剩余2例用于测试。结果所提算法模型在心底、心中、心尖3个心脏分段的分割正确率分别达到了92.79%、92.79%、94.11%,均优于基于区域生长的分割方法。结论基于卷积神经网络和图像显著性的分割方法能够准确获取心脏的外围轮廓,轮廓边缘更加平滑,完全能够满足CT图像序列的心脏全自动分割任务需求,分割后的图像更有利于医生对患者心脏健康状况和病变部位的观察。     

Real-time ocular artifact suppression using recurrent neural network for electro-encephalogram based brain-computer interface

The paper presents an adaptive noise canceller (ANC) filter using an artificial neural network for real-time removal of electro-oculogram (EOG) interference from electro-encephalogram (EEG) signals. Conventional ANC filters are based on linear models of interference. Such linear models provide poorer prediction for biomedical signals. In this work, a recurrent neural network was employed for modelling the interference signals. The eye movement and eye blink artifacts were recorded by the placing of an electrode on the forehead above the left eye and an electrode on the left temple. The reference signal was then generated by the data collected from the forehead electrode being added to data recorded from the temple electrode. The reference signal was also contaminated by the EEG. To reduce the EEG interference, the reference signal was first low-pass filtered by a moving averaged filter and then applied to the ANC. Matlab Simulink was used for real-time data acquisition, filtering and ocular artifact suppression. Simulation results show the validity and effectiveness of the technique with different signal-to-noise ratios (SNRs) of the primary signal. On average, a significant improvement in SNR up to 27 dB was achieved with the recurrent neural network. The results from real data demonstrate that the proposed scheme removes ocular artifacts from contaminated EEG signals and is suitable for real-time and short-time EEG recordings.     

基于深度学习的跨模态医学图像转换

运用深度学习的方法基于脑部CT扫描图像合成相应的MRI。将28例患者进行颅脑CT和MRI扫描得到的CT和MRI的断层图像进行刚性配准,随机选取20例患者的图像输入U-Net卷积神经网络进行训练,利用训练好的网络对未参与训练的8例患者的CT图像进行预测,得到合成的MRI。研究结果显示:通过对合成的MRI进行定量分析,利用基于L2损失函数构建的U-Net网络合成MRI效果良好,平均绝对平均误差（MAE）为47.81,平均结构相似性指数（SSIM）为0.91。本研究表明可以利用深度学习方法对CT图像进行转换,获得合成MRI,现阶段可以达到扩充MRI医学图像数据库的目的,随着合成图像精度的提高,可以用于帮助诊断等临床应用。