基于卷积神经网络注意力机制U-net校正CT图像中的金属伪影

2022-05-25朱昱霖谢耀钦梁晓坤张成龙周炫汝张怀岺

中国医学影像技术 2022年5期

朱昱霖，谢耀钦，梁晓坤，邓磊，张成龙，周炫汝，张怀岺*

(1.广东医科大学生物医学工程学院，广东东莞 523808；2.中国科学院深圳先进技术研究院，广东深圳 518055)

金属为高密度物体，衰减系数高于人体组织，X线穿过其中时可出现急剧衰减，导致投影数据的完整性和连续性受到破坏；所产生的金属伪影可严重降低CT图像质量，影响对于人体真实组织结构的观察结果，进而降低CT用于精准诊疗及评估的准确性，使其临床应用受到限制[1-2]。目前已有多种方法[3-4]用于校正金属伪影(metal artifact correction, MAR)；其中的传统MAR方法包括投影数据图像校正(即在投影域和图像域进行数据恢复)、基于解析重建的滤波反投影法(filtered back projection, FBP)和迭代重建算法。随着深度学习的发展，卷积神经网络(convolutional neural network, CNN)逐渐用于重建低剂量CT图像及伪影校正[5-10]。本研究观察基于CNN的注意力机制U-net(Attention U-net)校正CT图像中的金属伪影的价值。

图1 Attention U-net校正CT图像中的金属伪影的主要步骤

1 材料与方法

1.1 实验材料自超市购入猪前蹄1支，以直径7.5 mm高速钢直钻金属麻花钻头自其蹄部前表面穿至踝部。

1.2 仪器与方法采用自制锥形束CT(cone-beam CT, CBCT)平台，瓦里安公司4343CB探测器及G242球管，医蒙德公司ESP 45-80高压发生器；桌面CBCT系统的几何结构与Trilogy放射治疗机配备的瓦里安On-Board Imager(OBI)CBCT 系统完全匹配。以亚克力圆筒底座固定猪蹄，使其基本呈垂直直立位，并以底座为水平基准旋转360°进行连续透视，管电流90 mA，管电压120 kVp，X线源至探测器距离为1 500 mm、至旋转轴的距离为1 000 mm，共获得399幅不同角度原始CT图像，分辨率1 024×1 024像素，像素大小0.139 mm。利用数据扩充方法(图像平移、旋转及形变)将原始CT图像数目扩增至2 374幅，并分为训练集、验证集和测试集，分别含1 891、118和365幅图像。本研究获得院伦理委员会批准(编号：SIAT-IACUC-220211-YGS-XYQ-A2115)。

1.3 图像处理利用Attention U-net网络快速分割CT图像中的金属轨迹(图1)。首先以训练集及验证集训练Attention U-net框架；之后，输入测试集并分割其原始CT图像Iimg中的金属轨迹Ia及非金属投影Iu，通过对Iimg中的金属轨迹进行插值而得到无金属轨迹的图像In；之后采用迭代重建算法重建Ia，同时校正条状伪影，获得重建图像Im及二值化重建图像Imask，并采用FBP重建In得到三维重建图像Ir；最后通过Imask·Im得到只有金属信息的图像，通过(1-Imask)·Ir得到金属区域以外组织的图像，将二者拼接而得到校正图像If：

If=Imask·Im+(1-Imask)·Ir

(1)

1.3.1 确定金属区域采用Attention U-net框架模型，端到端地从原始CT图像中分割金属区域。

输入训练集及验证集，以Dice损失函数优化训练Attention U-net框架模型；采用MatlabR2018b、Nvidia GTX980显卡及Win10系统，以Adaptive Momentum(Adam)算法训练神经网络，学习率初始值0.003，训练100轮。Dice损失函数为：

(2)

式中，W0为网络预测的金属区域，Wa为实际金属区域。

输入测试集，于编码阶段提取测试集Iimg中相关空间信息，并将其传播到解码阶段(图2)；分别以编码部分和解码部分为卷积层和反卷积层，其中的编码部分同CNN，均由5个重复的卷积层组成。首先输入Iimg，以64通道3×3卷积层块和线性整流(rectified linear unit, ReLU)层进行处理，于下采样卷积层中采用2×2最大池化、步长2，使功能通道数较前一层倍增；之后进行上采样，并以注意力块将对应的下采样和上采样连接层进行连接，经2×2反卷积层后，使特征通道数降为前一层之半，重复4次反卷积和ReLU，使输出图像与输入图像大小相同；最后以1×1卷积层和sigmoid函数映射组织的分割目标。

1.3.2 金属投影区域插值对Iimg中的金属轨迹Ia进行插值校正，得到无金属区域的图像In。

1.3.3 金属信息补偿采用迭代重建算法重建Ia，获得重建图像Im及二值化重建图像Imask，并以FBP重建In而得到三维重建Ir，所获重建图像中的金属伪影减少，金属位置成为一个圆斑；为恢复图像完整性，通过式(1)获得校正图像If，以在保持组织结构完整性的同时恢复丢失的信息。

1.4 其他MAR方法分别采用传统普通阈值MAR(简单分割)、图像增强后的传统普通阈值MAR(阈值分割)、Cycle生成对抗网络(generative adversarial networks, GAN)MAR及手动分割MAR(参考标准)校正Iimg金属伪影。

图2 基于注意力机制的卷积神经网络架构 (W、L和C分别为Attention U-net通道的长度、宽度和体素数， W1×L1=512×448，C1=64，Wn=2Wn-1，Ln=2Ln-1，Cn=2Cn-1)

图4 采用Attention U-net校正金属伪影前、后的猪前蹄CT图 A～C.校正前的轴位、冠状位及矢状位CT图； D～F.校正后的轴位、冠状位及矢状位CT图 (图蓝线为选定的第135列等高线)

2 结果

相比传统MAR方法，经Attention U-net校正后，金属伪影对CT图像的影响降低，细节和轮廓得以恢复，见图3。

2.1 定性评价 Attention U-net校正金属伪影较好，同时可保留解剖结构数据并抑制二次伪影产生，见图4。

2.2 定量评价校正前、后SUN分别为165.0(133.6，198.1)和27.2(14.4，38.7)，AI分别为137.5(99.4，164.6)和29.1(21.1，38.7)，即相比校正前，校正后图像振幅及像素点CT值更为稳定。见表1和图5。

3 讨论

散射及射束硬化等现象产生的金属伪影可严重降低CT图像质量，进而影响临床诊断。以传统MAR方法分割金属轨迹的效能较差，主要由于金属投影的模糊性和局部性使分割后图像中仍存在明显散射现象，且重建图像过程中的某些微小误差可致严重伪影，如设定的分割阈值低于金属阈值时，未分割的金属轨迹部分可形成残余伪影，而高于金属阈值则可致金属周围组织模糊、相邻解剖结构缺失。目前多以Cycle GAN直接生成校正图像，可造成不同程度组织结构失真[3-4]。本研究采用Attention U-net，通过精准分割金属轨迹而确定金属掩模，可基本解决MAR方法的上述不足；首先以Attention U-net自动分割金属轨迹，再对金属区域进行插值后直接重建，降低了算法复杂度、提高了计算效率；重建图像过程中对金属部分进行补偿，有利于恢复图像的完整性，避免校正后图像存在黑斑。