中心简介中心主要业务机构设置人员信息
中心动态通知公告培训信息学术报告
硬件环境软件环境运行情况
平台登录使用指南用户缴费规章制度培训资料常用下载FAQs
标志性成果应用领域中心科研 用户成果
应用领域
您现在所在的位置:首页 >> 应用领域 >> 医学影像数据重建
医学影像数据重建

     东南大学计算机科学与工程学院陈阳教授课题组开展了基于深度学习的低剂量CT重建图像噪声伪影抑制算法的研究。X射线对人体存在辐射损伤,低剂量CT成像能减少辐射风险,但会引入噪声伪影。为了抑制低剂量重建中的伪影噪声,增强图像细节,提高诊断准确性,研究团队提出了域渐进三维残差卷积网络,这个网络包括三个步骤:投影域网络、滤波反投影、图像域网络,能够同时在投影域和图像域进行处理。

图片5.png 

图一 投影数据及其对应的重建结果。(a)投影数据、 (b)重建结果

2019年,医学成像方向的顶级期刊《IEEE Transactions on Medical Imaging》发表了东南大学陈阳教授在低剂量CT重建方面的重要进展。构建了一个端到端的网络结构,能够将投影域数据直接变换到图像域,同时对图像中的噪声伪影进行抑制。论文题目为Domain Progressive 3D Residual Convolution Network to Improve Low-Dose CT Imaging

X射线断层成像广泛应用于临床、企业以及很多其他应用中,但X射线对人体具有辐射损伤,在众所周知的ALARAas low as reasonably achievable指导原则下,降低辐射剂量的同时保护图像细节具有十分重要的意义。最常见的降低辐射剂量的方法是通过减少操作电流和缩短X射线管曝光时间实现的,但这种方法会在成像结果中引入噪声伪影,降低信噪比,影响诊断准确性。在投影域对噪声进行处理,往往会造成空间分辨率损失,而在图像域进行处理,由于图像域的噪声不符合任何特定的分布类型,很难达到很好的抑制效果。

针对图像域和投影域的缺陷,研究团队提出了域渐进三维残差卷积网络,这是一个端到端的处理网络,能够对同时投影域数据和图像域进行处理。网络包含三个部分:投影域网络、滤波反投影、图像域网络,投影域网络和图像域网络都是基于残差网络的结构,残差网络中引入了旁路连接,实现了信息的跨层流通,缓解了深层网络中梯度消失的问题。同时,在低剂量图像处理方向,普遍认为低剂量图像是常规剂量图像恶噪声伪影的叠加,这也更适合利用残差网络进行学习。

图片6.png 

图四 噪声伪影抑制网络结构。(a)图像域网络、(b)投影域网络、(c)域渐进三维残差网络

投影域网络(SD-Net)主要是为了去除投影数据中的噪声,CT投影具有各向异性的特征分布,其强度沿扫描方向的变化比探测器仓方向的变化大,因此SD-Net的输入是具有44×44×24个体素的矩形块,网络具有9个连续的卷积层,网络中没有进行卷积填充;图像域网络(ID-Net)主要是为了去除图像中的噪声,由于用FBP重建得到的低剂量CT图像中含有伪影,会降低图像质量,采用图像域网络进行去除图像中的伪影。仅在投影域进行处理,会导致分辨率损失,而且可能会引入新的伪影,仅在图像域进行处理,无法完全去除伪影,采用域渐进三维残差网络,利用SD-Net抑制噪声,然后再通过ID-Net进一步细化,得到了相比较单域处理更好的效果。

域渐进三维残差网络实现了投影域数据到重建图像的端到端处理,相比较单域处理,结果更好,应用更方便。论文第一作者为东南大学陈阳教授学生尹相瑞,通信作者为陈阳教授,合作者包括东南大学舒华忠教授、长江学者罗立民教授等人。

这项研究工作得到了国家重点研发计划、国家自然科学基金委员会、广东省科技计划等的支持。