Ring-artifact Correction Method for Large-size Object CT Images Based on Gradient Featured Cluster Analysis
-
摘要:
针对CT扫描系统的环形伪影，本文提出一种基于图像梯度特征聚类分析的Hough变换的环状伪影校正方法。利用极坐标图像梯度特征进行聚类分析，对重建图像数据分类初筛，将重组数据采用Hough变换直线检测并映射找出原图像中的伪影数据，进而插值消除极坐标图像的直线伪影，达到重建图像环形伪影消除的目的。模拟和实测图像的测试结果表明，采用图像梯度特征提取后，检测出有效伪影直线的数量大幅提升，重建图像中的环状伪影、弧形伪影及中心区的团状伪影都得到有效去除，且大大减少传统Hough变换法误检测直线的现象。
Abstract:In this paper, a Hough transform method based on image gradient featured extraction is proposed to eliminate the ring artifacts of CT scanning system. Firstly, we use the gradient featured cluster analysis of the polar coordinate image to preliminary select the reconstructed image data. Then the Hough transform is adopted to detect the lines of the recombined data. When the artifacts in the original image are mapped out, the linear artifacts in the polar coordinate image are eliminated by interpolation. Then we can purposefully eliminate the ring artifacts in the reconstructed image. Simulation and experimental results show that with the image gradient featured cluster analysis, the effective number of detected artifact lines is greatly increased, the ring artifacts, arc artifacts and cluster artifacts in the central area of the reconstructed images are effectively removed, and the erroneous detection of lines by traditional Hough transform method is greatly reduced.
-
2019年新型冠状病毒存在人和人之间的广泛传播[1]。COVID-19感染后，易引起肺部炎症（简称新冠肺炎），CT因其简便快捷，且能够早期发现病灶，目前已被广泛应用于临床[2]。2022年12月至2023年1月期间，新型冠状病毒（COVID-19）又一次在人与人之间广泛传播，很多患者感染后，均引起了新冠肺炎。
本文分析新冠肺炎患者早期（新冠感染 7 d以内）、进展期及转归期CT影像特点及演变规律，以提高广大医护人员对新冠肺炎不同时期影像表现的认识。
1. 资料与方法
1.1 一般资料
收集2022年12月1日至2023年1月31日在河北省人民医院感染科门诊、呼吸科门诊及呼吸科病房收治的COVID-19核酸或抗原检测阳性的患者113例，统计所有患者CT检查并分析检查结果，按照新型冠状病毒肺炎影像指南（2020年第二版简版）中 COVID-19影像分期及表现对上述所有患者进行分期，早期为新冠感染1～7 d内；进展期为病变范围扩大、密度增高实变，本组中进展期为8～30 d；转归期为病变范围较前次CT检查减小，密度减低，本组中转归期为12～57 d。
本组患者共113例，33例新冠病毒核酸检测阳性，96例新冠抗原检测阳性，其中8例新冠病毒核酸检测及新冠抗原检测均阳性，达到COVID-19病原学诊断标准。男性73例（60％），女性40例（40％），年龄18～90岁，平均（63.8±13.8）岁。所有患者均行HRCT检查。
1.2 HRCT扫描方法
使用西门子及GE多层螺旋CT扫描仪（SOMATOM Definition Flash CT 128排，SOMATOM Force 96×2排CT，Revolution CT ES，128排），患者采取仰卧位，于吸气末屏气扫描。
扫描范围：从肺尖至膈底。CT扫描参数：管电压120 kV，管电流320 mA，FOV 500 mm，层厚5 mm，重建层厚0.625～1.25 mm。
CT图像由两位胸部影像医生共同阅片完成，最终结果由两位医生协商达成一致。
2. 结果
2.1 一般情况
113例患者，无明显发热10例，103例发热，温度在37～40 ℃不等，均伴咳嗽、咳痰。33例新冠病毒核酸检测阳性，96例新冠抗原检测阳性，其中8例新冠病毒核酸检测及新冠抗原检测均阳性，达到COVID-19病原学诊断标准。
实验室检查；中性粒细胞增高及淋巴细胞减低83例，中性粒细胞减低及淋巴细胞升高7例，中性粒细胞及淋巴细胞正常15例，未测血像8例。
2.2 CT表现
113例患者均为临床确诊新冠病毒感染患者。32例患者行1次CT检查，41例行CT检查2次，20例行CT检查3次，15例行CT检查4次，5例行CT检查5次。本组113例患者共行CT检查259次。其中早期（新冠感染 7 d以内）CT检查32次，进展期CT检查87次，转归期CT检查140次。通过分析患者每次CT影像特点，得出新冠病毒感染患者的影像特点及演变规律。
早期（新冠感染 7 d以内）32例患者行32次CT检查：CT表现为磨玻璃密度影26例，实变+磨玻璃密度影 6例。进展期（新冠感染 8～30 d）74例患者做87次CT检查：其中11例进展期均行2次CT检查，1例进展期行3次CT检查，62例进展期均行1次CT检查。87次检查中磨玻璃密度影32次，实变+磨玻璃密度影 55次。转归期（新冠感染 12～57 d）89例转归期行140次CT检查：其中1例转归期行4次CT检查，8例转归期均行3次CT检查，32例转归期均行2次CT检查，48例转归期均行1次CT检查。140次CT检查中48次磨玻璃密度影，90次实变+磨玻璃密度影，2次未见异常。所有113例患者中，所有患者在早期和进展期均为多叶多发病灶，1例在转归期为单叶多发病灶。
早期32次CT检查中，胸膜下分布13次，支气管血管束周围+胸膜下分布 19次。进展期87次CT检查中，胸膜下分布24次，支气管血管束周围+胸膜下分布 63次。转归期140次CT检查中，胸膜下分布48次，2次完全吸收好转，支气管血管束周围+胸膜下分布 90次。
早期32次检查中，磨玻璃密度影内小叶间隔增粗32次，病灶内血管增粗32次。进展期87次CT检查中，病灶内小叶间隔增粗85次，病灶内血管增粗87次。转归期140次CT检查中，小叶间隔增粗5次，病灶内血管增粗1次，48次伴条索影。
早期1次支气管气充气征，进展期6次胸腔积液，6次支气管充气征，3次肺气肿，转归期2次支气管充气征，1次胸腔积液。
本组患者早期CT多表现为磨玻璃密度影，磨玻璃影内见小叶间隔增粗及增粗血管影，多胸膜下分布，部分胸膜下及支气管血管束周围分布，进展期病变多由磨玻璃密度影演变为实变影，由中心开始实变，病变整体范围无明显扩大，只是变实并略有膨胀感，恢复期病变由实变影逐渐消退，密度减低，直接吸收或转变为磨玻璃密度影，逐渐吸收。病灶少的吸收快，病灶弥漫的2月左右仍有少许磨玻璃密度影及条索影（表1）。
表 1 不同时期CT表现Table 1. CT findings in patients with new coronary pneumonia in different periodsCT表现 早期 进展期 转归期 磨玻璃 26（81％） 32（37％） 48（34％） 实变+磨玻璃 6（19％） 55（63％） 90（64％） 胸膜下分布 13（40％） 24（28％） 48（34％） 胸膜下+支气管血管周围分布 19（60％） 63（72％） 90（64％） 多叶 32（100％） 87（100％） 137（98％） 单叶 1（2％） 其内小叶间隔增粗 32（100％） 85（97％） 5（3％） 其内血管增粗 32（100％） 87（100％） 1（10％） 支气管充气征 1（3％） 6（7％） 2（1％） 条索 48（55％） 48（34％） 胸腔积液 6（7％） 1（1％） 肺气肿 3（3％） 本组2例患者2月左右完全吸收好转，患者一般在2～3周时临床症状已明显缓解，但影像仍有病灶存在，与我们平时看到的肺炎的影像吸收要比临床症状延迟一段时间是一致的。
3. 讨论
目前研究表明，新型冠状病毒为β属冠状病毒，有包膜，颗粒呈圆形或椭圆形，直径60～140 nm[3]。新型冠状病毒有3种传播途径：经呼吸道飞沫传播和密切接触传播；在相对封闭的环境中经气溶胶传播；接触被病毒污染的物品后也可造成感染，人群普遍易感[3-4]。新型冠状病毒感染后可引起上呼吸道感染的症状，如发热、咳嗽、咯痰、鼻塞、流涕等症状，严重者引起肺炎。
2019年的新型冠状病毒致病力较强，临床上大部分患者会引起肺炎。随着新型冠状病毒不断变异，奥密克戎毒株成为主要流行株。截至2022年10月奥密克戎毒株已变异成免疫逃逸能力和传播力更强的毒株，但致病力明显减弱，引起肺炎的患者数明显低于2019年奥密克戎毒株[5]。Wang等[6]文中COVID-19的诊断原则为RT-PCR检测呈阳性，下呼吸道标本检测阳性率最高。但有的报道显示RT-PCR的灵敏度只有60％～71％，假阴性较多，延误治疗[7-9]。
《新型冠状病毒感染诊疗方案（试行第十版）》中提出诊断标准[3]为：具有新冠病毒感染的相关临床表现，具有以下一种或以上病原学、血清学检查结果：①新冠病毒核酸检测阳性；②新冠病毒抗原检测阳性；③新冠病毒分离、培养阳性；④恢复期新冠病毒特异性IgG抗体水平为急性期4倍或以上升高[3]。本组病例为2022年12月至2023年1月期间113例河北省人民医院临床确诊新冠肺炎的患者，其中新冠抗原阳性96例，新冠核酸阳性33例，其中抗原+核酸均阳性 8例。
3.1 不同时期新冠肺炎影像表现不同
自2019年至今，新冠病毒感染者较多，对新冠病毒感染后胸部CT中磨玻璃、实变、小叶间隔增粗、支气管血管增粗等表现，国内外研究中多有报道[10-19]。本组病例根据新型冠状病毒肺炎影像诊断指南（2020年第二版简版）[20]进行分期，分为早期、进展期、重症期、转归期。早期多见于发病1周内的新冠病毒感染者，常表现为局部胸膜下磨玻璃密度影；进展期病变范围增大，实变及磨玻璃密度影均增大，支气管血管束增粗，也可见网格影；重症期出现呼吸衰竭并进展为“白肺”；转归期病变范围减小，密度减低。
本组病例不同时期影像表现：早期均为多肺叶分布32例，无单肺叶分布；早期胸膜下为主的磨玻璃密度影26例，胸膜下+支气管血管束周围分布磨玻璃密度影 6例，中心见小叶间隔增粗及增粗血管影32例；进展期实变影+磨玻璃密度影 55例，磨玻璃密度影32例；转归期实变+磨玻璃影90例，条索影48例，磨玻璃影48例，转归期病灶逐渐吸收消散，病变范围减小，密度变淡（图1）。本组病例与新型冠状病毒肺炎影像诊断指南（2020年第二版简版）指南影像分期的表现是一致的。也就是说新冠病毒虽然一直在变异，但引起的病理机制和影像表现特点是相近的。本组病例大多为多叶多灶感染，但无一进展为重症期，与临床早诊早治密切相关[10-12]。所有患者均达至临床治愈出院。临床症状在2～3周时多数已无明显不适。
![]()
图 1 新冠肺炎不同时期CT表现Figure 1. CT imaging features and evolution of different stages of COVID-193.2 新冠肺炎CT影像学表现有一定的演变规律
本组病例首次CT检查在1～7 d内的为早期CT影像，早期肺内病灶密度以磨玻璃密度为主，磨玻璃密度影表现为胸膜下分布、支气管血管束周围+胸膜下分布，两者比例均不少；本组病例进展期在第8～30 d，病变由磨玻璃密度逐渐变成实性密度+磨玻璃密度，实性密度在磨玻璃密度影中心部；本组病例转归期在第12～57 d，病变范围开始逐渐减小，实变密度逐渐变淡又转变为磨玻璃密度影，部分病灶吸收变小，并出现纤维索条影。本组病例转归期CT检查次数1～4次不等，病灶随时间延长，密度逐渐变淡，范围逐渐减小，部分出现索条影。此时临床症状早于影像已基本消失。此外本组病例中有4例患者出现胸腔积液，1例右侧少量胸腔积液，1例左侧少量胸腔积液，2例双侧少量胸腔积液，转归期3例积液减少，1例积液吸收，考虑炎症累及胸膜所致。
本组其他病例未发现累及胸膜引起胸腔积液病例。本组病例通过多次CT复查观察影像变化趋势，不同时期新冠肺炎的影像变化特点，提高对新冠肺炎的认识，从而与细菌性肺炎、其他间质性肺炎相鉴别[16-19]。
3.3 局限性
本研究局限性。①样本量较小，对新冠肺炎CT影像特点及演变规律具有一定的局限性；②入组病例部分早期未做 CT，部分进展期未做CT，部分恢复期未做CT，导致影像数据不完整。
但综合这些数据资料，也能够反映出新冠肺炎HRCT的特点及演变规律，新冠病毒感染后肺部HRCT有其独有的特征[13]，具有较高特异性和灵敏度[14]，结合实验室检查及临床症状可以明确诊断，对于新冠抗原或核酸检测阳性患者伴有临床发热持续不退的，应及时进行CT检查，早期明确是否存在新冠肺炎，及时分期，早期及时治疗可以预防重症肺炎的出现，挽救生命。
-
![]()
图 1 重建图像从（a）笛卡尔坐标系转化为（b）极坐标
Figure 1. Reconstructed images in (a) Cartesian coordinate and (b) polar coordinate
![]()
图 2 （a）无环形伪影和（b）含环形伪影图像的梯度分布
Figure 2. Gradient distribution of images (a) without ring artifacts and (b) with ring artifacts
![]()
图 4 重组前后的极坐标系图像
Figure 4. The images in polar coordinate before and after reorganization
![]()
图 6 环形伪影消除结果对比
注：（a）（e）无伪影和噪声的图像，（b）（f）添加环形伪影和噪声的图像，（c）（g）基于传统Hough变换法的环形伪影消除图像，（d）（h）基于图像梯度聚类分析的环形伪影消除图像。两行分别对应极坐标系（a）～（d）和笛卡尔坐标系（e）～（h）的图像。
Figure 6. Comparison of ring artifact elimination results
![]()
图 8 风机叶片和集装箱图像的检测结果
注：（a）（d）极坐标变换图，（b）（e）Hough变换直线标记结果，（c）（f）基于图像梯度特征提取后Hough变换直线标记结果。
Figure 8. Detection results of images of fan blade and container
-
[1] 李新斌, 张丽, 陈志强, 等. 行包货物实时验放CT智能解决方案[J]. CT理论与应用研究, 2022, 31(5): 597−615. DOI: 10.15953/j.ctta.2022.124. LI X B, ZHANG L, CHEN Z Q, et al. CT intelligent solution for real-time inspection and release of baggage and cargo[J]. CT Theory and Applications, 2022, 31(5): 597−615. DOI: 10.15953/j.ctta.2022.124. (in Chinese).
[2] 黄清萍, 金鑫, 许晓飞, 等. X射线衍射技术在安检领域的研究进展[J]. CT理论与应用研究, 2023, 32(6): 843−856. DOI: 10.15953/j.ctta.2023.158. HUANG Q P, JIN X, XU X F, et al. Research progress of X-ray diffraction technology in security inspection[J]. CT Theory and Applications, 2023, 32(6): 843−856. DOI: 10.15953/j.ctta.2023.158. (in Chinese).
[3] LI L, ZHAO T, CHEN Z. First dual MeV energy X-ray CT for container inspection: Design, algorithm, and preliminary experimental results[J]. IEEE Access, 2018, 6: 45534−45542. DOI: 10.1109/ACCESS.2018.2864800.
[4] 李俊江, 胡少兴, 李保磊, 等. CT图像环状伪影校正方法[J]. 北京航空航天大学学报, 2007, 33(11): 1378−1382. DOI: 10.3969/j.issn.1001-5965.2007.11.028. LI J J, HU S X, LI B L, et al. Ring artifact correction for industrial CT images[J]. Journal of Beijing University of Aeronautics and Astronautics, 2007, 33(11): 1378−1382. DOI: 10.3969/j.issn.1001-5965.2007.11.028. (in Chinese).
[5] 王钰, 黄苏红, 蔡玉芳. 工业CT图像环形伪影校正[J]. 光学精密工程, 2010, 18(5): 1226−1233. WANG J, HUANG S H, CAI Y F. Ring artifact correction for ICT images[J]. Optics and Precision Engineering, 2010, 18(5): 1226−1233. (in Chinese).
[6] 朱险峰, 何希儒. CT环形伪影原因分析与处理[J]. 牡丹江医学院学报, 2001, 22(2): 56−57. DOI: 10.3969/j.issn.1001-7550.2001.02.055. [7] Van NIEUWENHOVE V, de BEENHOUWER J, de CARLO F, et al. Dynamic intensity normalization using eigen flat fields in X-ray imaging[J]. Optics Express, 2015, 23(21): 27975−27989. DOI: 10.1364/OE.23.027975.
[8] ANAS E M A, LEE S Y, HASAN M K. Classification of ring artifacts for their effective removal using type adaptive correction schemes[J]. Computers in Biology and Medicine, 2011, 41(6): 390−401. DOI: 10.1016/j.compbiomed.2011.03.018.
[9] ANAS E M A, LEE S Y, HASAN M K. Removal of ring artifacts in CT imaging through detection and correction of stripes in the sonogram[J]. Physics in Medicine & Biology, 2010, 55: 6911−6930.
[10] MÜNCH B, TRTIK P, MARONE F, et al. Stripe and ring artifact removal with combined wavelet—Fourier filtering[J]. Optics Express, 2009, 17: 8567−8591. DOI: 10.1364/OE.17.008567.
[11] 马继明, 宋岩, 王群书, 等. X射线CT环形伪影去除方法[J]. 强激光与粒子束, 2014, 26(12): 124001. DOI: 10.11884/HPLPB201426.124001. MA J M, SONG Y, WANG Q S, et al. Ring artifact correction for X-ray computed tomography[J]. High Power Laser and Particle Beams, 2014, 26(12): 124001. DOI: 10.11884/HPLPB201426.124001. (in Chinese).
[12] SIJBERS J, POSTNOV A. Reduction of ring artifacts in high resolution micro-CT reconstruction[J]. Physics in Medicine and Biology, 2004, 49: N247. DOI: 10.1088/0031-9155/49/14/N06.
[13] WU H, LI J, WANG H. Removing ring artifacts in cone-beam CT via TV-stokes and unidirectional total variation model[J]. Medical physics, 2019, 46: 1719−1727. DOI: 10.1002/mp.13430.
[14] LIANG X, ZHANG Z, NIU T, et al. Iterative image-domain ring artifact removal in cone-beam CT[J]. Physics in Medicine & Biology, 2017, 62: 5276−5292.
[15] FANG W, LI L, CHEN Z. Removing ring artefacts for photon-counting detectors using neural networks in different domains[J]. IEEE Access, 2020, 99: 1−1.
[16] CHANG S, CHEN X, DUAN J, et al. A CNN-based hybrid ring artifact reduction algorithm for CT images[J]. IEEE Transactions on Radiation and Plasma Medical Sciences, 2021, 5(2): 253−260. DOI: 10.1109/TRPMS.2020.2983391.
[17] LIU Y, WEI C, XU Q. Detector shifting and deep learning based ring artifact correction method for low-dose CT[J]. Medical Physics, 2023, 50(7): 4308−4324. DOI: 10.1002/mp.16225.
[18] ZHAO S, LI J, HUO Q. Removing ring artifacts in CBCT images via generative adversarial network[C]//International Conference on Acoustics, Speech and Signal Processing (ICASSP), 2018: 1055-1059.
[19] KORNILOV A, SAFONOV I, REIMERS I, et al. Deep neural networks for ring artifacts segmentation and corrections in fragments of CT images[C]//Conference of Open Innovations Association (FRUCT), IEEE, 2021: 181-193.
[20] PALEO P, MIRONE A. Ring artifacts correction in compressed sensing tomographic reconstruction[J]. Journal of Synchrotron Radiation, 2015, 22(5): 1268−1278. DOI: 10.1107/S1600577515010176.
[21] SALEHJAHROMI M, WANG Q, ZHANG Y, et al. A new iterative algorithm for ring artifact reduction in CT using ring total variation[J]. Medical Physics, 2019, 46(11): 4803−4815. DOI: 10.1002/mp.13762.
[22] SELIM M, RASHED E A, ATIEA M A, et al. Sparsity-based method for ring artifact elimination in computed tomography[J]. PLOS ONE, 2022, 17(6).
[23] WALSH D, RAFTERY A. Accurate and efficient curve detection in images: The importance sampling Hough transform[J]. Pattern Recognition, 2002, 35(7): 1421−1431. DOI: 10.1016/S0031-3203(01)00114-5.
[24] WALSH D C I. The importance sampling Hough transform[C]//Advances in Imaging and Electron Physics, 2005, 138: 321-359.
[25] FANG W, LI L, CHEN Z, et al. First commercial dual-energy MeV CT for container imaging: Experimental results[C]//The 6th International Conference on Image Formation in X-ray Computed Tomography, Regensburg, 2020.
-
期刊类型引用(0)
其他类型引用(1)
下载:
计量
- 文章访问数: 195
- HTML全文浏览量: 18
- PDF下载量: 42
- 被引次数: 1
