论文部分内容阅读
宫颈癌是最常见的妇科恶性肿瘤,也是全球女性第三常见癌症死因,而近距离放射治疗(Brachytherapy)是治疗宫颈癌的有效手段。在放射治疗前,通常需要在宫颈癌病人的病灶内植入高密度金属材质的施源器。制定放疗计划过程中,计算机断层扫描(Computed tomography,CT)成像是必要的,CT图像的组织电子密度信息可用于照射剂量的计算。CT通过测量X射线在不同方向下穿透人体断层时的累积衰减系数,计算出它们在整个断面上的分布,并以数字图像的形式显示出来,以便于医生对病灶部位的诊断。然而植入的金属施源器衰减系数远高于人体组织,X射线在穿透施源器后被严重衰减,导致得到的CT图像存在金属伪影。由于施源器引入的金属伪影属于条纹伪影,会扩散到施源器邻近的软组织区域,模糊了周围组织的重要诊断信息,并且影响医生勾画靶区。因此,研究宫颈CT图像金属伪影去除算法具有临床意义。本文在分析和总结国内外CT图像金属伪影去除算法的相关研究成果基础上,基于深度学习框架,针对宫颈CT图像金属伪影去除问题,主要做了以下几项工作:(1)临床宫颈CT图像金属伪影数据仿真。由于缺乏含金属伪影的宫颈CT图像和配对的无金属伪影的宫颈CT图像的公开数据集,本文提出了临床宫颈CT图像金属伪影数据的仿真。在肿瘤医生的指导下,本文人工地模拟了施源器的形状、大小和所在的位置,通过数值仿真技术,在无金属伪影的宫颈CT图像上仿真出条纹金属伪影,得到配对的含金属伪影的宫颈CT图像。(2)实现了基于卷积神经网络的宫颈CT图像金属伪影去除算法。利用上面仿真的数据集,将含金属伪影的宫颈CT图像和配对的无金属伪影的宫颈CT图像(作为参考标签)输入到设计好的卷积神经网络中进行训练进而得到去除金属伪影的宫颈CT图像。实验结果证明卷积神经网络能较好去除金属伪影。(3)基于上述方法的改进,提出了一种基于残差学习的卷积神经网络模型(RL-ARCNN)用于去除宫颈CT图像的金属伪影。根据残差学习的理念,单独学习伪影图像,有利于减少学习过程中伪影对图像的影响,本文利用仿真数据集构建并训练了一个用于提取宫颈CT图像金属伪影的模型。该模型的输入为含金属伪影的宫颈CT图像,输出为提取的金属伪影。最后利用含金属伪影的宫颈CT图像减去所提取的金属伪影,得到去除金属伪影的宫颈CT图像。实验结果表明,通过RL-ARCNN得到的去伪影CT图像在量化评价方面能获取更高PSNR。同时在视觉评价方面该方法显现出更强的去金属伪影能力,并且能够保留较完整的组织纹理信息。