一种X射线射束硬化校正方法

张秀琰　陈明　郑永果

摘  要： 在医学CT成像系统中，X射线源发出的X射线是多能的，若直接对其进行传统方法的重建，会导致射束硬化，使重建的图像出现“杯状”或“条状”伪影，降低图像质量，干扰诊断等问题，因此需要对CT硬化伪影进行校正。本文提出了一种射束硬化伪影的校正方法，利用近似材料衰减系数与x射线能量的关系，通过从原始重建图像中减去伪影图像来获得校正后的图像。该方法不需要先验知识。数值实验表明，该方法能有效、快速地校正射束硬化伪影。

关键词： CT图像;射束硬化;伪影校正;多色投影

中圖分类号： TP391.41    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.02.055

【Abstract】： In the medical CT imaging system， the X-ray from the X-ray source is multi-functional，If we directly reconstruct it with traditional methods， it will lead to beam hardening， make the reconstructed image appear "Cup" or “strip” artifacts， reduce image quality， interfere with diagnosis and other problems， so we need to correct CT hardening artifacts.In this paper， a correction method of beam hardening artifacts is proposed. The corrected image is obtained by subtracting the artifacts from the original reconstructed image by using the relationship between the approximate material attenuation coefficient and the X-ray energy. This method does not need prior knowledge. Numerical experiments show that this method can correct beam hardening artifacts effectively and quickly.

【Key words】： CT image; Beam hardening; Artifact correction; Multicolor projection

0  引言

自X射线发现以来，X射线成像技术很快得到发明并应用[1]，成为一种先进的无损检测技术，涉及工业、医学、数学、计算机等多个学科领域。该技术通过对物体进行不同角度的射线投影测量而获取物体横截面信息[2]，因其具有的特点和优势，已逐渐在工业、医学、材料等多个领域拥有广泛的应用。

目前为止，国内外对于射束硬化引起的伪影校正有两种方式：硬件校正和软件校正[3]。硬件校正方面有早期采用的水袋法和目前较流行的滤波片方法[4]。软件校正方面分为前处理和后处理两类，前者通常采用多色投影的线性化技术，对单一材料的“杯状”伪影有良好的校正效果。如：Herman[5]提出了一种预处理校正算法，该算法利用推导出的单能量投影来重建CT图像。而后者用于校正复杂些的CT检测对象。通常会引入迭代方法[6]，如骨校正算法，可以较好地校正因骨组织引起的“条状”伪影。大多数射束硬化校正方法需要先验知识，或适用于组成成分简单的物体，由于缺少先验知识，CT图像的射束硬化伪影校正的难度将会增大。

本文提出的方法利用近似材料衰减系数与X射线能量的关系，通过从未校正的重建图像中减去近似计算得到的伪影图像来获得校正后的图像。该方法不需要先验知识。数值实验表明，该方法能有效、快速地校正射束硬化伪影。

2  射束硬化校正方法

2.1  校正过程

本文提出了一种射束硬化校正方法，可以较好地去除伪影，保留原有图像中的信息。该方法主要包括获取金属区域、获得金属伪影的投影数据、对伪影数据进行近似计算、得到校正后的图像。其主要过程包括：

首先在CT系统中扫描被测物体，得到多能投影数据，再利用FBP算法对其进行重建，得到原始CT重建图像，即未校正的图像，该图像中含有由金属部分带来的伪影;

然后利用阈值分割方法从未校正的图像中分割出金属部分。分割金属时设置阈值为3000HU，在未校正的图像中，若其像素值大于阈值，则保持不变，否则设置为零，这样就得到了金属部分;

其次，利用前向投影的方法对金属部分进行投影，得到金属部分的投影数据，即金属伪影的投影数据;

接着，建立校正模型，即寻找能谱函数的近似，得到伪影函数的近似表达式，得到确定的伪影函数。本文中假设金属部分在重建图像中的衰减系数是相同的，因此金属伪影主要与金属区域的几何特征、X射线的能谱函数与金属的衰减系数有关。由（5）式可知，若得到金属伪影的重建图像需要先获得金属区域的投影数据，并对其进行近似计算。

但是由于在实际的CT扫面系统中，能谱函数是未知的，且金属区域的衰减系数与X射线的能量有关，因此需要寻找能谱函数的近似替代函数，得到特征函数。X射线能谱函数满足在整个能量区间范围内的积分是1，近似函数也同样需要满足这一特性。本文方法根据能谱图的特性选择了一种二次函数形如的近似函数作为替代函数，即：

通过上述可以实现对获得的金属伪影投影数据的近似计算，得到了近似伪影数据。

最后，获得校正后的图像。在多能X射线的扫描下，射束硬化会导致原始的多能X射线投影数据与理想的单能状态之间产生差异，该差异可以代表金属伪影的投影数据[10]。因此本文只考虑金属材料带来的射束硬化现象，因为相比于水和骨头，金属的衰减系数会更依赖于X射线的能量。如果利用任意一种重建算法进行重建，如滤波反投影（FBP）算法或反投影滤波（BPF）算法，重建后的图像中会出现金属伪影，因此需要对其校正，得到不含伪影的图像，即为目标图像。目标图像则可以通过多能投影数据的重建图像与金属伪影的重建图像相减得到。

2.2  实验步骤流程图

实验步骤流程图如图1所示。

2.3  实验结果与结论

基于上述校正步骤，进行数值实验来验证提出方法的有效性。CT系统参数如下：X射线源与旋转中心之间的距离为743.75 mm，探测器单元长度为0.776 mm，相邻弧形探测器之间的夹角为0.0573度，探测器数量单位为1025，在360度内进行全扫描，投影角度个数为984，重建图像的矩阵大小为512× 512。

本實验选择的是腰椎CT图像，如图2所示，其图像中不含金属。在这个实验中，选择了两个可调因子和，其中多色X射线扇形束是在120 kV下产生的。对于多色投影数据，FBP算法的重建结果在图3（a）所示，其中可以清楚地观察到射束硬化的“杯状”和“条带”伪影。

根据本文中提出的方法，重建的校正图像如图3（b）所示。

3  讨论和结论

对于射束硬化效应，存在许多减少伪影的方法，但他们的临床应用并不完全成功。目前，还没有标准的解决方案。因此，如何减少这些伪影仍然是一项非常具有挑战性的工作。我们提出了一种基于材料与X射线的简化吸收关系和近似积分的校正方法，并且仅用一种金属材料获得伪影图像和校正图像的投影信息。所提出的方法主要包括从初始重建图像分割金属区域，计算伪影图像的近似投影和获取校正图像。与一些射束硬化校正相比，本文提出的校正方法可以有效地减少伪影。然而，一些“条状”伪影仍然是可见的，这与伪影的形成原因和两个因子的选择有关。

对于所提出的方法，适当选择两个可调因子是非常重要的。因此，在不久的将来，我们将为两个因子设计一个最优选择方法，这将通过优化计算而不是通过许多测试给出。另外，如果检测到的物体包含两种以上的金属材料，如何设计和实施校正方法也将是一项有意义的工作。

参考文献

陈蒙. 医学X光成像中图像去噪算法研究[J]. 软件， 2013（11）： 62-63.

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.

张学松， 赵柏山. 基于Radon变换的CT图像杯状伪影校  正[J]. CT 理论与应用研究， 2016， 25（5）： 539-546.

李丹. 工业 CT 图像杯状伪影校正方法研究[D]. 重庆： 重庆大学， 2012.

G. T. Herman. Correction for beam hardening in computed tomography， Physics in Medicine and Biology， 24（1） （1979） 81–106.

Wang G， Snyder D L， O"Sullivan J A， et al. Iterative deblurring for CT metal artifact reduction[J]. IEEE Transactions on Medical Imaging， 1996， 15（5）： 657-664.

A Beer. Bestimmung der absorption des rothen lichts in farbigen flussigkeiten. Annalen der Physik， 162， 78-88 （1852）.

L. Gjesteby， Q. S. Yang， Y. Xi， B. Claus， et al.， Reducing metal streak artifacts in CT images via deep learning： Pilot results， in Proc. 14th Int. Meeting Fully Three-Dimensional Image Reconstruction Radiol. Nucl. Med.， （6） （2017） 611-614.

Yan C H， Whalen R T， Gary S. Beaupré， et al. Reconstruction Algorithm for Poly-Chromatic CT Imaging： Application to Beam Hardening Correction[J]. IEEE Transactions on Medical Imaging， 2000， 19（1）： 1-11.

Chen ming， Xia Dimeng， Wang Dan. etc. An analytical method for reducing metal artifacts in x-ray CT images， Mathematical problems in Engineering， 2019（2019） （2019） 1-7.