ISSN 1004-4140
CN 11-3017/P

基于积分不变性的CT图像硬化伪影校正方法

刘宇欣, 魏交统, 赵晓杰, 陈平, 潘晋孝

刘宇欣, 魏交统, 赵晓杰, 等. 基于积分不变性的CT图像硬化伪影校正方法[J]. CT理论与应用研究(中英文), 2025, 34(4): 571-579. DOI: 10.15953/j.ctta.2025.064.
引用本文: 刘宇欣, 魏交统, 赵晓杰, 等. 基于积分不变性的CT图像硬化伪影校正方法[J]. CT理论与应用研究(中英文), 2025, 34(4): 571-579. DOI: 10.15953/j.ctta.2025.064.
LIU Y X, WEI J T, ZHAO X J, et al. A Correction Method for Hardening Artifacts in CT Images Based on Integral Invariance[J]. CT Theory and Applications, 2025, 34(4): 571-579. DOI: 10.15953/j.ctta.2025.064. (in Chinese).
Citation: LIU Y X, WEI J T, ZHAO X J, et al. A Correction Method for Hardening Artifacts in CT Images Based on Integral Invariance[J]. CT Theory and Applications, 2025, 34(4): 571-579. DOI: 10.15953/j.ctta.2025.064. (in Chinese).

基于积分不变性的CT图像硬化伪影校正方法

基金项目: 

国家重点研发计划(半导体器件封装质量智能检测关键技术研究与应用示范(2023 YFE0205800));国家自然科学基金(基于X射线投影图像盲分离的预设能量CT成像算法研究(62201520);面向黄土质煤岩层孔裂隙结构动态表征的宽视场高分辨动态CT成像研究(U23 A20285);面向航发叶片残芯影像表征的X射线多谱CT成像方(62301508))。

详细信息
    作者简介:

    刘宇欣,女,硕士研究生,从事X射线成像研究,E-mail:875650798@qq.com

    通讯作者:

    魏交统✉,男,博士,副教授,从事图像重建与处理研究,E-mail:wei92837465@126.com

  • 中图分类号: TP 391

A Correction Method for Hardening Artifacts in CT Images Based on Integral Invariance

  • 摘要:

    常规CT系统中,X射线是多能的,导致CT图像中出现硬化伪影。对于多材料成像对象,在硬化校正时通常需要能谱或材料等先验信息。对此,本文提出一种适用于单电压条件下多材料物体CT成像的硬化伪影校正方法。该方法将X射线透射率图像看作是多个单能透射率图像的非负加权组合,以高斯分布的极大似然函数为目标函数,并结合不同角度下投影积分不变性作为约束条件,构建X射线透射率分解模型。通过求解该模型,可以获得窄能谱投影信息,进而重建出不同能量下的CT图像。实验结果表明,相比于直接重建的CT图像,本文方法重建得到的图像硬化伪影明显减弱。

    Abstract:

    In conventional computed tomography (CT) systems, X-ray beams used for imaging are polyenergetic. These beams cause hardening artifacts in the reconstructed images owing to their polychromatic nature. For a multi-material imaging object, prior information about the X-ray spectrum and composition of the imaging object is required for correcting the beam hardening. To avoid relying on such prior information, this study proposes a beam-hardening artifact correction method for CT imaging of multi-material objects under single voltage. In this method, the X-ray image is considered as a non-negative weighted sum of multiple single-energy X-ray images. The decomposition model for the X-ray transmission images is constructed using the maximum likelihood function of a Gaussian distribution as the objective function under the constraint of the projection integral invariance at different angles. To solve this model, the projection of the spatial terms on the X-ray path is obtained. Thus, CT images for X-ray beams with different energies can be reconstructed. For imaging experiments with dual-material and multi-material models, compared with directly reconstructed CT images, the hardening artifacts in the reconstructed images were significantly reduced using this method, indicating its effectiveness.

  • 随着肝脏恶性肿瘤的发病率持续上升,肝脏局灶性病变的准确鉴别和诊断非常关键[1]。在各种检查手段中,肝脏多时相增强CT扫描在探测肝病变方面得到了广泛应用[2]。然而,该检查方式需要患者多次重复扫描,这增加了辐射剂量累积的风险。据报道,多时相肝脏CT扫描的剂量可达到标准腹部和骨盆CT扫描的两倍[3]。由于肝脏CT图像的软组织对比度相对较低,因此,实现高质量图像重建并有效检测出病灶显得尤为重要。这一挑战是在保障图像质量的基础上,实现放射剂量的显著降低,并确保病灶的准确检出[4]

    迭代重建技术(iterative reconstruction,IR)是一种广泛应用的图像重建算法,在降低辐射剂量的同时,为提升图像质量提供了可行方案[5]。比如,肝脏图像重建常用的一种IR技术是自适应统计迭代重建(adaptive statistical iterative reconstruction-V,ASIR-V)[6]。尽管IR技术在医学成像领域具有广泛的应用,但由于其非线性计算特性,在处理超低剂量CT生成高噪声图像中经常出现失真现象[7]。这种情况在一定程度上影响了对疾病的诊断。

    近年来,深度学习图像重建(deep learning image reconstruction,DLIR)技术,作为一种利用神经网络模型训练以优化图像质量的方法,为低剂量CT扫描的发展提供了新的途径。通过应用DLIR技术,能够在维持图像空间分辨率和缩短重建时间的同时,有效降低图像中的噪声和伪影,同时保持噪声的纹理特征和组织的解剖细节[8-9]。与IR技术相比,基于神经网络的DLIR展现出在提升图像质量方面的显著优势,特别是在提高信噪比(signal-to-noise ratio,SNR)和对比噪声比(contrast-to-noise ratio,CNR)方面[10-11]。标准体模研究和腹部肿瘤临床研究均表明,DLIR技术在大幅减少辐射剂量的同时,能够显著提升图像质量[8,12]

    为了在尽可能降低CT剂量的同时保证肝脏病灶的显示质量,需要首先进行标准肝脏密度体模研究。鉴于此,本研究通过使用不同的扫描剂量,扫描模拟标准肝脏密度体模,比较DLIR与ASIR-V图像重建的质量,从而探索DLIR图像重建算法在低对比度图像质量提升方面的潜力。此外,我们比较DLIR算法在4.5 mGy(本实验采用的最低辐射剂量)和ASIR-V在15 mGy(肝脏扫描推荐剂量)[13]下的图像质量,通过定量分析探索DLIR在确保显示肝病变时所能达到的最低辐射剂量。

    本研究使用标准体模(Gammex CT phantom,model 472,Sun Nuclear)[14]。此体模设计为直径33 cm、层厚5 cm的圆盘形状,内含16个直径2.8 cm、长7 cm的插入物,用于模拟不同的人体组织密度。

    在本实验中,我们特别测量了代表标准肝脏密度(ρew=1.06)的插入物(图1箭头指示)。在整个扫描过程中,体模的位置始终保持固定不变。

    图  1  Gammex CT体模的照片,箭头所指是代表标准肝脏密度(1.06 g/cm3)的插入物
    Figure  1.  Image of the Gammex CT phantom shows an insert that represents liver density (1.06 g/cm3) (arrow)

    使用一台256排CT(Revolution CT,GE医疗)完成体模扫描工作(图1)。在进行扫描时,参照腹部诊断CT扫描参数设置(表1),将管电压设定为120 kVp[15],并根据需要调整管电流,以产生6种不同的辐射剂量(容积CT剂量指数(volume CT dose index(CTDIvol):30、20、15、10、7.5和4.5 mGy)。其中,以15 mGy的剂量为标准的腹部扫描剂量[13]。重建图像的层厚和层距都是1.25 mm,重建图像视野为30 cm×30 cm,图像重建矩阵为512×512。

    表  1  CT设备的参数
    Table  1.  Parameters of CT equipment
    变量参数
    管电压120 kVp
    层厚1.25 mm
    辐射剂量CTDIvol 30、20、15、10、7.5、4.5 mGy
    视野30 cm×30 cm
    重建图像矩阵512×512
    重建算法ASIR-V-50%,DLIR-H
    下载: 导出CSV 
    | 显示表格

    为了评估不同重建算法的效果,我们将体模扫描图像重建两次:一次使用高强度DLIR(DLIR-H)算法,另一次使用50%强度ASIR-V(ASIR-V-50%)算法作为对照。为确保数据的准确性,模拟不同扫描间CT值的微小差异,我们在每种剂量条件下对体模进行5次重复扫描。

    本研究使用imQuest软件(版本7.2,Duke大学)进行系统的图像质量定量分析。分析过程中,主要测量了平均CT值(Hounsfield unit,HU)、图像噪声、SNR和CNR。计算SNR和CNR的公式如下,这里以水为基准计算CNR:

    $$ \mathrm{SNR=HU}_{\mathrm{object}}\mathrm{/SD}_{\mathrm{object}}\ , $$ (1)
    $$ \mathrm{CNR}=\Big( {{\mathrm{HU}}}_{ \mathrm{object}} \mathrm{–HU}_{ \mathrm{watermean}} \Big)/\mathrm{SD}_{ \mathrm{watermean}} \mathrm{。} $$ (2)

    其次,我们通过测量噪声功率普(noise power spectrum,NPS)和基于任务的传递函数(task-based transfer function,TTF)对图像噪声纹理和空间分辨率进行分析。NPS空间分布频率(NPS spatial frequency,NPS-fpeak)是指NPS达到峰值(NPS-peak)所对应的频率,这一指标用于评估图像的噪声纹理和噪声数值幅度,而TTF用于评价图像的空间分辨率[16]。此外,为更客观地评估图像质量,本研究引入可检测度$d' $(detectability index)作为评价指标,它与图像质量呈正相关关系[2,16]

    正态分布的定量数据以(均值±标准差)的形式表示。经P-P图检验,所有数据均呈现正态分布特征,因此我们采用成组t检验比较两组之间的差异。使用Bland-Altman分析评价DLIR算法在4.5 mGy(本实验的最低辐射剂量)和ASIR-V在15 mGy(肝脏扫描推荐剂量)的图像质量差异。

    本研究使用GraphPad Prism 10和SPSS Statistics 27统计软件包进行数据分析,考虑P < 0.05具有统计学意义。

    在6种不同辐射剂量条件下(即CTDIvol为30、20、15、10、7.5和4.5 mGy),使用多层CT成功扫描代表标准肝脏密度的标准体模,对DLIR和ASIR-V两种图像重建算法的图像质量进行全面评估。

    表2记录了在不同辐射剂量条件下,两种算法重建图像的CT值、噪声、SNR和CNR的平均值及标准差。图2展示了这些关键指标随辐射剂量变化的趋势。

    表  2  在不同辐射剂量下,DLIR与ASIR-V算法重建图像的测量值比较
    Table  2.  Comparison of measurements of reconstructed images by DLIR and ASIR-V algorithms at different radiation doses
    CTDIvol/mGy CT value(P=0.001) Noise(P < 0.001) SNR(P < 0.001) CNR(P < 0.001)
    DLIR ASIR-V DLIR ASIR-V DLIR ASIR-V DLIR ASIR-V
    30 62.66±3.17 62.06±3.55 11.12±0.69 17.19±1.05 5.65±0.38 3.62±0.19 5.3±0.12 3.69±0.15
    20 55.91±2.08 57.58±2.81 12.15±0.34 19.39±0.33 4.61±0.22 2.97±0.15 4.09±0.26 3.2±0.17
    15 55.94±1.70 56.91±2.27 13.66±0.55 21.17±0.67 4.1±0.16 2.69±0.14 3.89±0.26 2.87±0.11
    10 55.74±2.18 57.71±3.17 15.18±0.30 24.19±1.06 3.67±0.10 2.39±0.17 3.83±0.33 2.63±0.27
    7.5 55.35±2.32 59.86±3.34 15.79±0.57 26.37±1.50 3.51±0.20 2.28±0.24 3.78±0.14 2.44±0.17
    4.5 55.88±3.31 59.94±4.77 17.41±0.32 29.33±0.91 3.21±0.24 2.05±0.20 3.42±0.35 2.18±0.30
    下载: 导出CSV 
    | 显示表格
    图  2  在不同辐射剂量下,DLIR与ASIR-V算法重建图像的测量值趋势图
    Figure  2.  Trend of measured values of reconstructed images by DLIR and ASIR-V algorithms at different radiation doses

    在30 mGy的剂量下,DLIR的CT值高于ASIR-V。而在其它剂量下,DLIR的CT值均显著低于ASIR-V。

    关于噪声水平,我们发现随着辐射剂量的增加,噪声水平逐渐降低。值得注意的是,在所有的剂量水平上,DLIR算法的噪声都显著低于ASIR-V。对于SNR和CNR,随着剂量增加,这两个指标呈上升趋势。在所有剂量条件下,DLIR算法的SNR和CNR均显著超过ASIR-V。这些数据统计结果表明,DLIR算法在多个关键性指标上均展现出一定的优势。

    表3展示在不同剂量辐射下,两种算法重建图像的NPS-peak、NPS-fpeak、TTF 50%和$d' $的平均值及标准差。图3描绘这些指标随辐射剂量变化的曲线。

    表  3  在不同辐射剂量下,DLIR与ASIR-V算法重建图像的量化分析比较
    Table  3.  Comparison of quantitative analysis of reconstructed images by DLIR and ASIR-V algorithms at different radiation doses
    CTDIvol/mGyNPS-peak(P < 0.001)NPS-fpeak(P=0.379)TTF50%(P=0.61)$d' $(P < 0.001)
    DLIRASIR-VDLIRASIR-VDLIRASIR-VDLIRASIR-V
    30189.02±34.50528.47±75.130.20±0.070.18±0.060.52±0.130.46±0.0815.95±2.649.16±1.43
    20234.72±6.99786.15±119.990.18±0.060.17±0.040.47±0.060.45±0.0513.49±1.186.93±1.09
    15303.35±25.14850.79±78.380.14±0.070.19±0.070.42±0.020.46±0.0611.94±2.095.61±1.28
    10391.89±36.381168.32±84.180.15±0.050.15±0.040.4±0.020.44±0.119.64±0.724.94±0.64
    7.5418.12±63.661674.62±316.680.12±0.050.12±0.030.35±0.060.35±0.0410.26±1.844.68±0.95
    4.5650.8±151.442385.55±474.440.09±0.020.12±0.040.35±0.040.30±0.068.81±0.634.43±0.40
    下载: 导出CSV 
    | 显示表格
    图  3  在不同辐射剂量下,DLIR与ASIR-V算法重建图像的量化
    Figure  3.  Quantitative trend of reconstructed images by DLIR and ASIR-V algorithms at different radiation doses

    观察曲线可知,NPS-peak随着辐射剂量的增加呈下降趋势。在任一剂量下,DLIR的NPS-peak均显著大于ASIR-V。对于NPS-fpeak,其值随着放射剂量的升高而增加。具体来说,在20 mGy和30 mGy的剂量下,DLIR的NPS-fpeak值大于ASIR-V;在7.5 mGy和10 mGy的剂量下,两者值相等;而在4.5 mGy和15 mGy的剂量下,DLIR的值小于ASIR-V的值(P=0.379)。TTF 50%随着辐射剂量的增加呈现上升趋势。在4.5、20和30 mGy的剂量下,DLIR的NPS-fpeak值大于ASIR-V;在7.5 mGy的剂量下,两者值相等;在10 mGy和15 mGy剂量下,DLIR的值小于ASIR-V。此外,$d' $的值随着辐射剂量的增加而升高。在所有剂量水平上,DLIR的$d' $值均显著超过ASIR-V。

    综上所述,DLIR和ASIR-V在不同辐射剂量下的图像重建性能存在差异,这些差异反映了两种算法在不同辐射剂量条件下对图像细节的捕捉能力和整体图像质量的处理效果。

    经过Bland-Altman差异性分析(表4图4),与常用的15 mGy剂量下的ASIR-V重建扫描比较,我们发现DLIR在4.5 mGy的辐射剂量下表现出显著的优势。具体来说,DLIR的噪声水平平均下降3.758(95% CI:−5.231,−2.285),这意味着其图像具有更低的噪声水平。

    表  4  4.5 mGy剂量下的DLIR图像质量测量值与15 mGy剂量下的ASIR-V图像质量测量值差异性的Bland-Altman分析
    Table  4.  Bland–Altman analysis of the difference in image quality measurements between DLIR (4.5 mGy) and ASIR-V (15 mGy)
    指标 DLIR vs. ASIR-V平均值(95%置信区间)
    CT Value −1.026(−6.450~4.398)
    Noise −3.758(−5.231~−2.285)
    SNR 0.522(0.090~0.954)
    CNR 0.552(0.171~1.274)
    NPS-peak −200.0(−398.3~−1.681)
    NPS-fpeak −0.104(−0.254~0.0457
    TTF50% −0.110(−0.256~0.036)
    $d' $ 3.198(0.638~5.758)
    下载: 导出CSV 
    | 显示表格
    图  4  4.5 mGy剂量下的DLIR图像质量测量值与15 mGy剂量下的ASIR-V图像质量测量值差异性的Bland- Altman散点图
    Figure  4.  Bland–Altman scatter plots of the difference in image quality measurements between DLIR (4.5 mGy) and ASIR-V (15 mGy)

    此外,DLIR的SNR提高0.522(0.090,0.954),CNR上升0.552(0.171,1.274)。最后,DLIR的可检测度指数($d' $)提高3.198(0.638,5.758)。以上结果表明DLIR的图像质量显著优于ASIR-V。

    经过6种不同辐射剂量下的体模扫描和图像质量评价实验,结果显示,DLIR重建图像的质量均优于ASIR-V重建。特别值得关注的是,在辐射剂量仅为4.5 mGy的情况下,DLIR的图像质量已达到相当于15 mGy ASIR-V的水平。这一发现对于优化放射影像学的图像质量和降低患者接受的辐射剂量具有重要的实际意义。

    在CT肝脏扫描领域,为了在减少辐射剂量的同时保证图像质量,目前广泛采用迭代重建技术[17-18]。尽管迭代重建技术在正常剂量和低剂量CT图像中取得了显著成效,但在处理超低剂量CT图像时,由于其噪声较大,可能会导致图像出现“斑片感”和“蜡像感”,从而影响肝脏病变诊断的准确性[9]

    Mileto等[19]指出,迭代重建算法在腹部病灶成像方面,仍存在噪声纹理不自然,进而影响放射医生诊断的问题。近年来出现了基于深度学习的DLIR算法,其主要目标是在保留图像纹理细节的同时降低噪声干扰[20]。Cao等[21]通过临床实验证明在肝脏病灶的增强CT扫描中,DLIR相比于ASIR-V在减少76%辐射剂量的同时,获得更优秀的CNR和诊断置信度。

    本实验通过扫描标准体模,定量探究DLIR和ASIR-V在重建后,图像质量方面各个参数上的差异,进一步证明在标准肝脏密度扫描中,DLIR相比于ASIR-V的优越性。

    本研究的结果表明,在降噪、提高信噪比和对比噪声比方面,DLIR算法的表现优于ASIR-V。在不同辐射剂量下,DLIR和ASIR-V之间的CT值没有显著差异。值得注意的是,随着辐射剂量的增加,两种算法之间的CT值差异逐渐减小。此外,DLIR和ASIR-V的测量结果均显示,随着剂量的增加,噪声逐渐降低,并且DLIR始终低于ASIR-V。同时,SNR和CNR逐渐提高,DLIR在这方面始终优于ASIR-V。Van STIPHOUT等[4]的系统性综述通过总结16篇论著,也证明在腹部CT扫描中,测量CT值时DLIR和IR无明显不同,测量SNR和CNR时DLIR显著优于ASIR-V。

    在图像的量化方面,随着剂量的增加,DLIR和ASIR-V两种算法处理下的NPS-peak均呈下降趋势,其中DLIR的降低幅度显著大于ASIR-V。然而,尽管两种算法处理下的NPS-fpeak和TTF 50%随剂量增加均呈上升趋势,但二者并未达到统计学上的显著差异。此外,随着剂量的增加,$d' $在DLIR和ASIR-V两种算法下均有所增加,其中DLIR的增加幅度显著超过了ASIR-V。这与Greffier等[8,22]实验研究结果相一致,其通过两次体模实验证明了在增加辐射剂量的条件下,采用ASIR-V算法得到的所有NPS-peak值均高于DLIR,同时ASIR-V获得的所有$d' $值也均低于DLIR。

    本研究证实了DLIR在降噪方面的优势,相较于ASIR-V,DLIR在同是15 mGy的辐射剂量下能降低噪声64%,SNR增加64%,CNR增加36%,NPS-peak减少64%,其$d' $值更是ASIR-V的两倍。即使在实验测得的最小剂量4.5 mGy条件下,相较于15 mGy的ASIR-V,DLIR噪声仍下降18%,SNR提高19%,CNR提高19%,NPS-peak下降24%,其$d' $值仍然是ASIR-V的1.6倍。DLIR能够在低对比度下优化肝脏病变的图像质量,比ASIR-V优化能力更强。

    在本研究中,我们针对上腹部CT扫描的典型临床应用,进行参数设置,其他研究发现即使在参数设置不同的情况下,DLIR相比于ASIR-V在图像优化能力上仍然表现更优秀[14,23]

    尽管如此,DLIR在肝脏病变扫描中仍存在潜在不足。Jensen等[24]提出,DLIR可能对小于0.5 cm的肝脏病灶和血管的检测图像造成模糊,并且其识别微小结构的能力可能有限,而这在肝脏病变诊断中尤为重要。

    本研究在图像重建方面采用了ASIR-V与DLIR两种方法。ASIR-V作为一种迭代重建技术的代表,而DLIR则代表了深度学习重建技术。尽管这两种特定的命名方式源于某品牌设备,但其他品牌设备亦存在类似技术,只是命名上有所差异[22,25-27]。本研究中从特定角度展现了深度学习图像重建在提升图像质量方面的优势。尽管难以涵盖所有设备,但其仍具备一定的代表性。

    本研究存在一些局限性。①在实验设计上,本研究对实验参数的设定相对有限,仅限于特定的电压和层厚。根据Van Stiphout等[4]的研究,层厚的选择可能会直接影响信噪比和对比噪声比的测量结果,以及诊断的置信度。②本研究采用的所有算法均来自同一制造商。Greffier等[22]通过比较不同CT供应商的迭代算法,证明不同制造商提供的算法可能会导致研究结果出现差异。③本研究设置的辐射剂量范围还不够大,未来需要扩大范围做进一步研究。以上这些因素可能对本研究结果产生一定的影响。④本实验扫描的是体模下的标准肝脏密度(1.06 g/cm3),未来我们将把本实验的结论和数据应用于不同碘密度及真实患者的CT扫描中,以此为将来的研究奠定基础。

    综上所述,在模拟标准肝脏密度的局灶性病变体模CT扫描实验中,DLIR相较于ASIR-V,不仅显著提升了SNR,CNR和$d' $值,而且大幅度降低了图像噪声,进而优化了图像的空间分辨率和整体质量。实验数据表明,DLIR技术能够在4.5 mGy的较低辐射剂量下,实现优于常规15 mGy剂量下ASIR-V重建图像的质量效果。这一发现为腹部CT增强扫描提供了新的可能性,即采用4.5 mGy的扫描剂量配合DLIR重建技术,有望在保障图像质量的同时,降低患者接受的辐射剂量。

  • 图  1   二维X射线平行束下的投影过程

    Figure  1.   Projection of two-dimensional X-ray parallel beams

    图  2   算法流程图

    Figure  2.   Algorithm flowchart

    图  3   样品1重建结果

    Figure  3.   Reconstruction results for sample 1

    图  4   重建图像一列(图3(a)红线位置)灰度值变化

    Figure  4.   Change in the grayscale values of a column (red line position in Fig.3 (a)) in the reconstruction result

    图  5   样品1伪彩色图

    Figure  5.   Pseudo color images of sample 1

    图  6   样品2重建结果

    Figure  6.   Reconstruction results for sample 2

    图  7   重建图像一列(图6(a)红线位置)灰度值变化

    Figure  7.   Change in the grayscale values of a column (red line position in Fig.6 (a)) in the reconstruction result

    图  8   重建图像一列(图6(a)绿线位置)灰度值变化

    Figure  8.   Change in the grayscale values of a column (green line position in Fig.6 (a)) in the reconstruction result

    图  9   样品2伪彩色图

    Figure  9.   Pseudo color images of sample 2

    表  1   不同方法下极差均值比

    Table  1   Mean range ratio for different methods

    参数 直接重建 积分不变性线性化校正方法重建 迭代校正方法重建 本文方法重建
    钛合金 钛合金 钛合金 钛合金
    极差Gregion 0.161 0.169 0.309 0.355 0.236 0.156 0.118 0.149
    均值μregion 0.183 0.259 0.656 0.654 0.270 0.264 0.157 0.245
    EMR 0.881 0.655 2.119 0.543 0.875 0.591 0.750 0.607
    下载: 导出CSV

    表  2   不同方法下极差均值比

    Table  2   Mean range ratio under different methods

    项目 直接重建 积分不变性线性化校正方法重建 迭代校正方法重建 本文方法重建
    氧化铝 氮化铝 氧化铝 氮化铝 氧化铝 氮化铝 氧化铝 氮化铝
    极差Gregion 0.018 0.038 0.018 0.043 0.059 0.026 0.017 0.038 0.021 0.015 0.031 0.009
    均值μregion 0.021 0.028 0.018 0.028 0.043 0.024 0.021 0.029 0.018 0.021 0.024 0.015
    EMR 0.870 1.370 1.016 1.507 1.351 1.081 0.780 1.309 1.163 0.734 1.277 0.629
    下载: 导出CSV
  • [1] 张秀琰, 陈明, 郑永果. 一种X射线射束硬化校正方法[J]. 软件, 2020, 41(2): 256-259.

    ZHANG X Y, CHEN M, ZHENG Y G, A Correction method of X-ray beam hardening[J]. Computer engineering & Software, 2020, 41(2): 256-259. (in Chinese).

    [2] 张俊, 李磊, 张峰, 等. X射线CT射束硬化校正方法综述[J]. CT理论与应用研究, 2013, 22(1): 195-204.

    ZHANG J, LI L, ZHANG F, et al. Review of the methods for beam hardening correction in X-ray computed tomography[J]. CT Theory and Applications, 2013, 22(1): 195-204. (in Chinese).

    [3] 陈世杰, 马巍, 李国玉. 冻土CT图像中环形伪影和射线束硬化伪影的成因及校正方法[J]. 冰川冻土, 2020, 42(4): 1407-1416.

    CHEN S J, MA W, LI G Y. Ring artifact and beam hardening artifact in CT image of frozen soil: Causes and correction methods[J]. Journal of Glaciology and Geocryology, 2020, 42(4): 1407-1416. (in Chinese).

    [4]

    HOMOLKA P, FIGL M. Equivalent thicknesses of beam hardening filters consisting of aluminium, copper, Al/Cu and Al/Gold combinations and plumbiferous acrylic for 40 to 150kVp diagnostic spectra[J]. Journal of Radiological Protection, 2018, 38(4): 1269-1283. DOI: 10.1088/1361-6498/aadaf4.

    [5]

    MCGUIRE A M, SMITH C D, CHAMBERLIN J H, et al. Reduction of beam hardening artifact in photon-counting computed tomography: Using low-energy threshold polyenergetic reconstruction[J]. Journal of Cardiovascular Computed Tomography, 2023, 17(5): 356-357. DOI: 10.1016/j.jcct.2023.08.007.

    [6] 綦振国, 杨晨菲. 卷积神经网络在射线检测中的应用浅析[J]. 无损探伤, 2023, 47(4): 11-13, 41.

    QI Z G, YANG C F. Application of convolutional neural network in radiographic testing[J]. Nondestructive Testing Technology, 2023, 47(4): 11-13, 41. (in Chinese).

    [7] 史再峰, 谢向桅, 曹清洁, 等. 基于卷积神经网络的能谱CT射束硬化伪影抑制方法[J]. 南开大学学报(自然科学版), 2021, 54(2): 74-79, 84.

    SHI Z F, XIE X Z, CAO Q J, et al. Beam hardening artifacts reduction in spectral CT based on convolutional neural network[J]. Acta Scientiarum Naturalium Universitatis Nankaiensis, 2021, 54(2): 74-79, 84. (in Chinese).

    [8]

    KALARE K, BAJPAI M, SARKAR S. et al. Deep neural network for beam hardening artifacts removal in image reconstruction[J]. Applied Intelligence, 2022, 52: 6037-6056. DOI: 10.1007/s10489-021-02604-y.

    [9]

    BRABANT L, PAUWELS E, DIERICK, M, et al. A novel beam hardening correction method requiring no prior knowledge, incorporated in an iterative reconstruction algorithm[J]. NDT & Engineering International, 2012, 51: 68-73.

    [10]

    XIU G Y, YUAN C Y, CHEN X H, et al. An innovative beam hardening correction method for computed tomography systems[J]. Traitement Du Signal, 2019, 36(6): 515-520. DOI: 10.18280/ts.360606.

    [11] 杨柳, 宋勇, 李廷, 等. 基于蒙卡模拟能谱划分的X射线图像硬化校正方法[J]. 中国医学物理学杂志, 2024, 41(9): 1145-1151. DOI: 10.3969/j.issn.1005-202X.2024.09.013.

    YANG L, SONG Y, LI T, et al. Beam hardening correction method based on Monte Carlo energy spectrum partitioning for X-ray image[J]. Chinese Journal of Medical Physics, 2024, 41(9): 1145-1151. DOI: 10.3969/j.issn.1005-202X.2024.09.013. (in Chinese).

    [12] 王星艺, 孙跃文, 曾天辰, 等. 文物CT图像伪影校正方法研究[J]. 文物保护与考古科学, 2022, 34(6): 115-120.

    WANG X Y, SUN Y W, ZENG T C, et al. Research on the artifact correction of CT images of cultural relics[J]. Sciences of Conservation and Archaeology, 2022, 34(6): 115-120. (in Chinese).

    [13]

    INGACHEVA A, CHUKALINA M. Polychromatic CT data improvement with one-parameter power correction[J]. Mathematical Problems in Engineering, 2019, 2019: 1405365. DOI: 10.1155/2019/1405365.

    [14] 罗婷, 赵星, 赵云松, 等. X射线CT正交基材料分解成像方法及其在校正金属伪影中的应用[J]. 光学学报, 2024, 44(8): 45-59.

    LUO T, ZHAO X, ZHAO Y S, et al. Orthogonal multi-material decomposition for X-ray CT and application in metal artifact correction[J]. Acta Optica Sinica, 2024, 44(8): 45-59. (in Chinese).

    [15]

    WEI J T, CHEN P, HAN Y, et al. A multi-energy computed tomography method without image segmentation or prior knowledge of X-ray spectra or materials[J]. Heliyon, 2022, 8(11): e11584. DOI: 10.1016/j.heliyon.2022.e11584.

    [16]

    WEI J T, CHEN P, HAN Y, et al. Blind separation model of multi-voltage projections for the hardening artifact correction in computed tomography[J]. Biomedical Signal Processing and Control, 2021, 64: 102236. DOI: 10.1016/j.bspc.2020.102236.

    [17]

    SAJJA S, LEE Y, ERIKSSON M, et al. Technical principles of dual-energy cone beam computed tomography and clinical applications for radiation therapy[J]. Advances in Radiation Oncology, 2019, 5(1): 1-16.

    [18] 王毅, 李勤, 江孝国, 等. 衰减透射法测量高能X射线能谱[J]. 强激光与粒子束, 2012, 24(6): 1466-1470. DOI: 10.3788/HPLPB20122406.1466.

    WANG Y, LI Q, JIANG X G, et al. High-energy X-ray spectrum estimation by attenuated transmission method[J]. High Power Laser and Particle Beams, 2012, 24(6): 1466-1470. DOI:10.3788/HPLPB20122406.1466. (in Chinese).

    [19] 王黎明, 赵英亮, 韩焱. 一种通用CT图像硬化校正算法研究[J]. 测试技术学报, 2005, (1): 52-56. DOI: 10.3969/j.issn.1671-7449.2005.01.013.

    WANG L M, ZHAO Y L, HAN Y. A universal method of CT image hardening correction[J]. Journal of Test and Measurement Technology, 2005, (1): 52-56. DOI: 10.3969/j.issn.1671-7449.2005.01.013. (in Chinese).

    [20]

    DIWAKAR M, KUMAR M. A review on CT image noise and its denoising[J]. Biomedical Signal Processing and Control, 2018, 42: 73-88. DOI: 10.1016/j.bspc.2018.01.010.

    [21] 林少春, 马建华, 陈武凡. 基于有序子集的惩罚加权最小二乘低剂量CT优质重建算法研究[J]. 中国组织工程研究与临床康复, 2008, (4): 679-682.

    LIN S C, MA J H, CHEN W F. High quality reconstruction of low-dose computed tomography based on ordered subsets penalized weighted least-squares[J]. Journal of Clinical Rehabilitative Tissue Engineering Research, 2008, (4): 679-682. (in Chinese).

    [22]

    WEI Y, YU H, WANG G. Integral invariants for computed tomography[J]. IEEE Signal Processing Letters, 2006, 13(9): 549-552. DOI: 10.1109/LSP.2006.874452.

    [23]

    TANG S, HUANG K, CHENG Y, et al. Optimization based beam-hardening correction in CT under data integral invariant constraint[J]. Physics in Medicine & Biology, 2018, 63(13): 135015.

图(9)  /  表(2)
计量
  • 文章访问数:  155
  • HTML全文浏览量:  37
  • PDF下载量:  33
  • 被引次数: 0
出版历程
  • 收稿日期:  2025-02-21
  • 修回日期:  2025-04-20
  • 录用日期:  2025-04-21
  • 网络出版日期:  2025-05-11
  • 刊出日期:  2025-07-04

目录

/

返回文章
返回
x 关闭 永久关闭