基于群体先验影像的低剂量CT影像复原

来源:用户上传      作者:

　　摘 要：为充分利用临床已有群体患者常规剂量影像学特征，提出一种新的基于群体先验影像冗余信息的低剂量CT（LDCT）影像复原模式。该模式利用灰度共生矩阵提取群体影像中纹理特征以组建样本数据库，结合先验样本在线搜索及目标影像感兴趣区先验冗余信息挖掘，并通过目标区自适应规整处理，实现LDCT影像有效复原，充分利用了临床已有群体患者常规剂量影像（群体影像）中高质量影像学特征。对临床肺癌的仿真低剂量数据进行实验，结果表明该模式在噪声抑制和纹理特征保存方面均优于传统算法。
　　关键词：低剂量CT;CT影像复原;群体影像;先验知识;灰度共生矩阵
　　0 引言
　　CT扫描中X射线辐射所诱发的白血病、癌症及遗传疾病等引发全球关注[1]。英国癌症研究协会对英国及其它14个发达国家统计预测表明，当人活至75岁时，由X射线CT扫描辐射造成的患癌累积风险率在0.6%-1.8%之间[2]。低剂量CT （Low-dose CT，LDCT）成像技术能有效降低电离辐射量。临床上通常采用降低X射线发射管电流（mAs）/电压（kVp）强度实现低剂量CT扫描，但低电流/电压扫描造成重建后的CT影像受到严重伪影噪声干扰，无法满足临床诊断标准，为此人们提出了许多解决LDCT影像中伪影噪声问题的方法，按数据处理的不同阶段大致分为投影域滤波[3-4]、统计迭代重建[5-6]以及影像域复原[7-8]3类，每种策略各有优缺点[9]。由于涉及知识产权等问题，当前大部分商用CT仅提供重建后图像数据，其原始投影数据对用户不可见。为解决临床应用问题，本文采用影像域复原处理。
　　临床上个体患者甚至群体患者的CT影像往往包含相似的纹理、结构等特征，使得常规剂量CT（normal-dose CT， NDCT）影像中丰富的纹理结构特征信息可作为LDCT影像复原的先验知识，进而极大提升成像质量。为有效提取先验知识，常用的研究思路是以个体患者自身前期同断层或邻断层位置的NDCT影像为先验影像（个体先验影像），在配准基础上利用影像结构相似性提取个体先验影像中体素灰度等先验知识，并将其应用于LDCT影像规整处理[10-17]。如Yu等[10]提出PSRR算法，通过对LDCT影像与个体先验影像差异数据进行非线性滤波，并与个体影像进行融合以达到复原目的。Chen等[11]提出PICCS算法，通过在传统总变分（Total Variation，TV）正则项中加入个体先验影像的灰度约束以达到提高成像质量目的。此外，Zhang等[12]从个体先验影像中估计局部马尔科夫随机场系数，并将其应用于惩罚加权最小均方误差（PWLS）迭代重建函数的规整项中。近年来，通过充分挖掘个体先验影像中的结构冗余先验知识，非局部均值（Non-local mean，NLM）算法[13]在LDCT影像復原领域表现出较大发展潜力。胡永生等[14]提出基于非局部自相似图像块字典学习的伪CT图像预测方法。首先，对训练CT与MRI图像进行图像分块，通过块匹配算法聚类CT图像块，提取CT与MRI图像块的多尺度特征;然后，通过字典学习，获得MRI图像与CT图像的映射关系矩阵，并对CT图像块进行预测;最后通过重构算法得到重建后的CT图像。Ma等[15-16]提出ndiNLM （previous normal-dose scan induced NLM）算法，从个体先验影像中计算NLM权重，并利用该权重计算LDCT影像中对应体素的加权均值并将其作为目标体素估计，取得了极高的复原性能。赵莹等[17]利用现有的基于深度学习的目标检测算法，实现对腹部CT图像中多个器官的区域检测，并且针对算法在检测器官区域结果中存在部分区域预测框不够准确的问题，使用基于图像连通性方法对预测框进行修正。
　　上述个体先验影像引导方法[10-17]尽管在LDCT影像复原中取得了较好效果，但由于此类方法需对患者进行重复扫描以获取患者前期先验影像，极大限制了其实际临床应用。此外，由于仅使用先验影像中体素原始灰度信息进行先验特征表示，忽视了样本中丰富有价值的影像学特征知识，存在知识表达能力不足问题。
　　针对上述问题，本文提出一种新的基于群体先验影像冗余信息的LDCT影像复原模式。该模式利用灰度共生矩阵（GLCM）提取群体影像纹理特征，以组建群体影像特征离线数据库。结合先验样本在线搜索及目标影像感兴趣区（目标区）先验知识挖掘，实现对目标区自适应规整处理，进而实现LDCT影像有效复原。为方便实验结果对比，本文采用与文献[13]-[15]相同的NLM方法进行目标区结构先验冗余知识挖掘与目标区规整。
　　3 结语
　　本文提出了一种新的基于群体先验影像冗余信息的LDCT影像复原模式。该模式通过建立具有完备影像特征表达能力的群体影像离线数据库，通过先验样本在线搜索及目标区先验知识挖掘，实现对LDCT影像有效复原。
　　本文创新点主要体现在两方面：①提出一种新的LDCT影像复原模式，通过建立离线数据库，达到以群体影像为先验信息源目的。通过相似先验样本在线搜索与先验知识挖掘，实现目标影像感兴趣结构自适应先验知识提取;②提出利用灰度共生矩阵方法提取群体影像纹理特征，并将其作为先验样本表示形式，极大提高了群体影像样本信息表达能力。
　　尽管本文算法能够取得较好LDCT影像复原效果，但由于采用影像域复原策略，导致无法充分利用投影数据统计特性。在后续工作中要将本文成像模式与投影数据的统计特性相结合进行LDCT影像统计迭代重建研究，使极低剂量CT取得更好的成像效果。
　　参考文献：
　　[1] BRENNER D J， HALL E J. Computed tomography-an increasing source of radiation exposure [J]. New England Journal of Medicine， 2007， 357（22）： 2277-2284. 　　[2] NORTHROP R B. Signals and systems analysis in biomedical engineering [M]. CRC press， 2016.
　　[3] 郑晗，康雁. 一种基于反投影滤波的精确心脏重建算法 [J]. 中国生物医学工程学报， 2018， 37（5）： 631-635.
　　[4] LIU J， MA J， ZHANG Y， et al. Discriminative feature representation to improve projection data inconsistency for low dose CT imaging [J]. IEEE Transactions on Medical Imaging，2017，36（12）： 2499-2509.
　　[5] SHANGGUAN H， LIU Y， CUI X， et al. Sparse-view statistical iterative head CT image reconstruction via joint regularization [J]. International Journal of Imaging Systems and Technology， 2016， 26（1）： 3-14.
　　[6] NIEN H， JEFFREY A F. Fast X-Ray CT image reconstruction using a linearized augmented lagrangian method with ordered subsets [J]. IEEE Transactions on Medical Imaging， 2015， 34（2）： 388-399.
　　[7] CHEN Y， LIU J， HU Y， et al. Discriminative feature representation： an effective post processing solution to low dose CT imaging [J]. Physics in Medicine & Biology， 2017， 62（6）：2103-2113.
　　[8] ZHANG Y K， LU H B， RONG J Y， et al. Adaptive non-local means on local principle neighborhood for noise/artifacts reduction of low-dose CT images [J]. Medical Physics， 2017， 44（9）： 230-241.
　　[9] JEROME Z L，PATRICK J. Guest editorial low-dose CT： what has been done， and what challenges remain [J]. IEEE Transactions on Medical Imaging， 2017， 36（12）： 2409-2416.
　　[10] YU H Y， ZHAO S Y， ERIC A， et al. Ultra-low dose lung CT perfusion regularized by a previous scan [J]. Academic Rdiology， 2009， 16（3）： 363-373.
　　[11] CHEN G H， PASCAL T L， TANG JIE， et al. Time-resolved interventional cardiac C-arm cone-beam CT：an application of the PICCS algorithm [J]. IEEE Transactions on Medical Imaging， 2012， 31（4）： 907-923.
　　[12] ZHANG H， HAN H， WANG J， et al. Deriving adaptive MRF coefficients from previous normal-dose CT scan for low-dose image reconstruction via penalized weighted least-squares minimization[J]. Medical Physics， 2014， 41（4）： 1916-1931.
　　[13] BUADES A， COLL B， MOREL J M. A review of image denoising algorithms， with a new one [J]. SIAM Journal on Multiscale Modeling and Simulation， 2005， 4（2）： 490-530.
　　[14] 胡永生， 張立毅. 基于非局部自相似图像块字典学习的伪CT图像预测 [J]. 信号处理， 2017， 33（3）： 346-351.
　　[15] MA J H， HUANG J， FENG Q J， et al. Low-dose computed tomography image restoration using previous normal-dose scan [J]. Medical Physics， 2011， 38（10）： 5713-5731.
　　[16] ZHANG H， HUANG J， MA J H， et al. Iterative reconstruction for X-Ray computed tomography using prior-image induced nonlocal regularization[J]. IEEE Transactions on Biomedical Engineering， 2013， 30（10）： 1-12.
　　[17] 赵莹，刘爱连，刘静红，等. 基于深度学习的像素闪烁算法对高体质量指数患者低剂量腹部CT平扫图像质量的影响 [J]. 中国医学影像技术， 2018， 34（3）： 434-438.
　　[18] HARALICK R M， SHANMUGAM K， DINSTEIN I. Textural features for image classification [J]. IEEE Transactions on System， Man and Cyberenetics. 1973， 3（6）： 610-621.
　　[19] MANJON J V， COUPE P， BUADES A. MRI noise estimation and denoising using non-local PCA [J]. Medical Image Analysis， 2015， 22（1）： 35-47.
　　[20] MA J， LIANG Z， FAN Y， et al. Variance analysis of x-ray CT sinograms in the presence of electronic noise background [J]. Medical Physics， 2012， 39（7）：4051-4065.
　　[21] WANG Z， BOVIK A C， SHEIKH H R， et al. Image quality assessment： from error visibility to structural similarity [J]. IEEE Transactions on Medical Imaging， 2004（13）： 600-612.
　　（责任编辑：杜能钢）
转载注明来源:https://www.xzbu.com/8/view-15067942.htm