CT中金屬偽影的校正研究.pdf

1、從1972年第一臺臨床CT機問世以來，CT機已經(jīng)成為醫(yī)院中不可缺少的臨床診斷設(shè)備和科研工具。CT圖像不僅可以用于人類疾病的診斷，還在許多其它領(lǐng)域得到了應(yīng)用。然而，實際的和理想的CT系統(tǒng)之間總是存在著差異，具體反映為數(shù)據(jù)的不準確，由這些不準確的數(shù)據(jù)重建圖像就會產(chǎn)生各種偽影。根據(jù)偽影形成原因和偽影特點的不同，一般有幾何偽影、硬化偽影、散射偽影、運動偽影和金屬偽影等。其中金屬偽影的存在一直是影響CT圖像質(zhì)量的重要因素。在臨床應(yīng)用時，利用CT對

2、病人進行掃描難免會遇到病人攜帶或體內(nèi)含有金屬的情況，這些金屬使得重建之后的圖像中出現(xiàn)明暗交錯的條紋偽影。通常情況下，這些偽影不會導(dǎo)致誤診，因為人體組織的病理學(xué)特征和它們的表現(xiàn)不一樣。然而，當它們出現(xiàn)的強度和區(qū)域很大時，會降低圖像質(zhì)量甚至導(dǎo)致圖像不能閱讀。金屬偽影的成因相當復(fù)雜。金屬物體可以導(dǎo)致射束硬化、部分容積或工作于數(shù)據(jù)采集電子設(shè)備的動態(tài)范圍底部。此外，有證據(jù)表明，金屬物體的運動是偽影產(chǎn)生過程中的一個主要原因?？梢姡斐山饘賯斡暗囊蛩?/p>

3、很多，但其根本原因仍與金屬本身的高衰減特性有關(guān)，物質(zhì)的高衰減使X射線硬化，同時也會使散射現(xiàn)象加劇。
　　 針對該問題，學(xué)術(shù)界提出了各種金屬偽影校正方法(Metal Artifact Reduction，MAR)。這些校正方法大致可以分為三類:迭代重建方法、投影插值方法和混合法。迭代法也被稱為“逐步近似法”，是解矩陣方程時常用的方法。迭代法假設(shè)圖像是均勻的，開始時可設(shè)置矩陣中的值為任意值，然后將理論計算值與實測投影值進行比較，并對

4、二者之間的差進行修正。如此不斷重復(fù)，直至假設(shè)值與測量值相同或在可接受的誤差范圍內(nèi)為止。迭代算法又可分為兩類:基于代數(shù)迭代重建法和基于統(tǒng)計迭代重建法。1970年，Gordon等將代數(shù)迭代重建算法(Algebraic Reconstruction Technique，ART)概念引入圖像重建領(lǐng)域。ART重建算法是一個對修正圖像向量不斷迭代的過程。它先將被重建區(qū)域離散化為一幅數(shù)字化圖像，然后從不同的角度對其進行投影，由這些投影數(shù)據(jù)建立線性方程

5、組，通過迭代該方程組得到被重建區(qū)域的衰減系數(shù)分布。這里的衰減系數(shù)即圖像的像素值，可以看作是線性方程組的未知數(shù)。當所重建的圖像像素一定時，只要建立的方程數(shù)目足夠多，就可以通過解此線性方程組來確定衰減系數(shù)的值，從而重建圖像。當CT圖像中含有金屬偽影時，投影數(shù)據(jù)在某些區(qū)域缺失，可以認為是某些線性方程組的缺失，但只要方程組數(shù)目足夠大，仍然可以重建圖像。統(tǒng)計迭代重建法由目標函數(shù)和迭代方法組成。常見的目標函數(shù)有最大似然(Maximum Likeli

6、hood，ML)函數(shù)，最大后驗概率(Maximum a Posteriori，MAP)和最小均方誤差等。迭代方法有期望最大法(Expectation Maximization，EM)，最速下降法和共軛迭代法等。不同的目標函數(shù)和迭代方法組合可以形成不同的統(tǒng)計迭代重建法，如最大似然期望最大算法(Maximum Likelihood Expectation Maximization，MLEM)和最大后驗概率期望最大算法(Maximum a P

7、osteriori Expectation Maximization，MAPEM)。迭代法是利用迭代重建算法重建物體以消除金屬偽影的方法，能有效去除金屬偽影和抑制噪聲，但其運算量非常大，速度慢，難以被實際應(yīng)用。投影插值法一般都是基于濾波反投影(Filtered Back Projection，F(xiàn)BP)算法。相對于迭代重建法，F(xiàn)BP算法計算量小，速度快，實用性更高。但它對金屬等高衰減物質(zhì)極為敏感，當數(shù)據(jù)發(fā)生突變時，明顯的偽影會出現(xiàn)在重建圖

8、像中。當被掃描的物體含有金屬時，投影的金屬軌跡邊緣的數(shù)據(jù)會發(fā)生突變，使重建的圖像在金屬物周圍出現(xiàn)偽影。如果能夠避免鄰近金屬軌跡的投影數(shù)據(jù)發(fā)生突變，就能消除金屬偽影。投影插值法就是基于這一思想產(chǎn)生的。它的流程如下:首先利用FBP算法對初始投影重建得到未校正、含有金屬偽影的圖像，從未校正圖像中分割出金屬，再對分割出的金屬進行前向投影以確定投影中金屬軌跡的位置;然后利用周圍非金屬區(qū)域?qū)饘賲^(qū)域插值，對插值后的投影再用FBP重建;最后將金屬疊加

9、到經(jīng)過插值重建后的圖像得到最終校正圖像。插值法中非常關(guān)鍵的兩個步驟是:分割金屬和對投影插值。二者對最終得到的校正結(jié)果起著決定性作用。
　　 目前常用的插值方法有線性插值，多項式插值和樣條插值等。1987年，Kalender等提出線性插值的方法。線性插值是最簡單的一種插值方法，而且能在很大程度上消除金屬物體帶來的條紋偽影。但是插值區(qū)間左右兩端點不平滑，重建時在這兩端點處產(chǎn)生尖峰。校正后的圖像中在金屬區(qū)域的邊界會產(chǎn)生新的條紋偽影。樣

10、條函數(shù)插值可以得到光滑的曲線，避免了邊界點投影值突變造成的長條狀偽影。但是這種插值方法的重建圖像上有彗星狀的亮條紋，整體校正效果不如線性插值好。以上的插值方法都能在一定程度上消除金屬偽影，但是重建結(jié)果會丟失金屬部分的信息。投影插值方法由于具有理論簡單，速度快，實現(xiàn)容易的優(yōu)點成為當前主流校正金屬偽影的算法，但是它只在處理簡單的金屬物體時效果顯著。由于迭代法和插值法各自具有不同的優(yōu)缺點，很容易想到把二者結(jié)合起來，綜合二者的優(yōu)點來校正金屬偽影

11、。2005年，Xia D等提出的FBP與EM混合法就是典型的插值迭代混合法。該算法在確定金屬區(qū)域后，用EM迭代法對金屬區(qū)域進行重建，隨后用金屬周圍投影值對金屬區(qū)域插值，再用FBP算法對整個投影進行重建，最后的重建結(jié)果是金屬區(qū)和非金屬區(qū)圖像的疊加?；旌戏ㄈ匀换诓逯捣ǖ目蚣?，只是在對金屬區(qū)域重建時使用了迭代法，對金屬部分有較好的重建結(jié)果，而金屬周圍的區(qū)域和插值法的重建結(jié)果是相同的。混合法吸收了插值法和迭代法二者的優(yōu)點，算法速度較快，可以反

12、映金屬物體結(jié)構(gòu)，但是金屬周圍的區(qū)域失真，其在實際的CT應(yīng)用中仍存在很大的局限性。
　　 上述方法的校正結(jié)果均直接使用CT圖像的原始數(shù)據(jù)，即從探測器獲得的原始投影數(shù)據(jù)，或是間接使用原始數(shù)據(jù)使其用某種方式代替FBP數(shù)據(jù)。但在許多實際應(yīng)用中往往無法獲取原始數(shù)據(jù)，只能由已被污染的CT圖像推測真實結(jié)果。為了克服這一問題，本文提出了一種基于霍夫變換和數(shù)學(xué)形態(tài)學(xué)的CT圖像金屬偽影消除算法。該方法直接將CT圖像作為輸入，通過極坐標和笛卡爾坐標系

13、的相互轉(zhuǎn)換，用形態(tài)學(xué)過濾器對偽影進行過濾消除。首先，通過線檢測和霍夫變換提取出初始圖像中的條紋偽影，并通過曲線擬合和最小二乘法找到金屬物體的中心坐標;其后，以金屬物體的中心坐標為注視點，對含有金屬偽影的初始圖像進行極坐標變換;繼而在極坐標圖像中，選擇合適的結(jié)構(gòu)元素和形態(tài)學(xué)過濾器消除偽影;最后將過濾后的極坐標圖像轉(zhuǎn)換為笛卡爾坐標系中的圖像。該算法不僅考慮了偽影像素的亮度，還考慮了偽影的幾何特性，并比較了不同形態(tài)學(xué)過濾器以及不同大小的結(jié)構(gòu)元

14、素對算法結(jié)果的影響。實驗結(jié)果表明，此算法可以有效地減少條紋狀的偽影，僅對局部區(qū)域產(chǎn)生非常細微的模糊，并且由于耗時短，有望應(yīng)用于臨床，或作為其他偽影校正方法的前處理步驟。由于算法的有效性受重建的CT圖像質(zhì)量的制約和形態(tài)學(xué)過濾器的影響，對偽影污染不嚴重的圖像效果不顯著，在以后的研究中將加強形態(tài)學(xué)過濾器的適應(yīng)性。單純采用插值方法的一個主要缺點是信息的丟失，尤其是金屬區(qū)域的邊緣信息，會導(dǎo)致圖像中相應(yīng)邊緣的模糊。針對這一問題，本文介紹了一種歸一化

15、金屬偽影消除(Normalized Metal Artifact Reduction，NMAR)算法。該方法仍采用插值算法的框架，首先對圖像進行各向異性高斯濾波以濾除噪聲和平滑條紋偽影;隨后采用K均值聚類算法得到金屬圖像和先驗圖像，對相關(guān)圖像進行前向投影得到相應(yīng)的弦圖;接著利用先驗圖像的前向投影進行歸一化和線性插值，再乘以先驗圖像的投影進行反歸一化;最后對校正投影進行FBP重建得到校正圖像。實驗表明，NMAR算法對金屬植入物有較好的校正