基于群體先驗(yàn)影像的低劑量CT影像復(fù)原

程璐 張?jiān)? 宋蕓

摘 要：為充分利用臨床已有群體患者常規(guī)劑量影像學(xué)特征，提出一種新的基于群體先驗(yàn)影像冗余信息的低劑量CT（LDCT）影像復(fù)原模式。該模式利用灰度共生矩陣提取群體影像中紋理特征以組建樣本數(shù)據(jù)庫，結(jié)合先驗(yàn)樣本在線搜索及目標(biāo)影像感興趣區(qū)先驗(yàn)冗余信息挖掘，并通過目標(biāo)區(qū)自適應(yīng)規(guī)整處理，實(shí)現(xiàn)LDCT影像有效復(fù)原，充分利用了臨床已有群體患者常規(guī)劑量影像（群體影像）中高質(zhì)量影像學(xué)特征。對臨床肺癌的仿真低劑量數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明該模式在噪聲抑制和紋理特征保存方面均優(yōu)于傳統(tǒng)算法。

關(guān)鍵詞：低劑量CT;CT影像復(fù)原;群體影像;先驗(yàn)知識;灰度共生矩陣

0 引言

CT掃描中X射線輻射所誘發(fā)的白血病、癌癥及遺傳疾病等引發(fā)全球關(guān)注[1]。英國癌癥研究協(xié)會對英國及其它14個發(fā)達(dá)國家統(tǒng)計(jì)預(yù)測表明，當(dāng)人活至75歲時，由X射線CT掃描輻射造成的患癌累積風(fēng)險(xiǎn)率在0.6%-1.8%之間[2]。低劑量CT （Low-dose CT，LDCT）成像技術(shù)能有效降低電離輻射量。臨床上通常采用降低X射線發(fā)射管電流（mAs）/電壓（kVp）強(qiáng)度實(shí)現(xiàn)低劑量CT掃描，但低電流/電壓掃描造成重建后的CT影像受到嚴(yán)重偽影噪聲干擾，無法滿足臨床診斷標(biāo)準(zhǔn)，為此人們提出了許多解決LDCT影像中偽影噪聲問題的方法，按數(shù)據(jù)處理的不同階段大致分為投影域?yàn)V波[3-4]、統(tǒng)計(jì)迭代重建[5-6]以及影像域復(fù)原[7-8]3類，每種策略各有優(yōu)缺點(diǎn)[9]。由于涉及知識產(chǎn)權(quán)等問題，當(dāng)前大部分商用CT僅提供重建后圖像數(shù)據(jù)，其原始投影數(shù)據(jù)對用戶不可見。為解決臨床應(yīng)用問題，本文采用影像域復(fù)原處理。

臨床上個體患者甚至群體患者的CT影像往往包含相似的紋理、結(jié)構(gòu)等特征，使得常規(guī)劑量CT（normal-dose CT， NDCT）影像中豐富的紋理結(jié)構(gòu)特征信息可作為LDCT影像復(fù)原的先驗(yàn)知識，進(jìn)而極大提升成像質(zhì)量。為有效提取先驗(yàn)知識，常用的研究思路是以個體患者自身前期同斷層或鄰斷層位置的NDCT影像為先驗(yàn)影像（個體先驗(yàn)影像），在配準(zhǔn)基礎(chǔ)上利用影像結(jié)構(gòu)相似性提取個體先驗(yàn)影像中體素灰度等先驗(yàn)知識，并將其應(yīng)用于LDCT影像規(guī)整處理[10-17]。如Yu等[10]提出PSRR算法，通過對LDCT影像與個體先驗(yàn)影像差異數(shù)據(jù)進(jìn)行非線性濾波，并與個體影像進(jìn)行融合以達(dá)到復(fù)原目的。Chen等[11]提出PICCS算法，通過在傳統(tǒng)總變分（Total Variation，TV）正則項(xiàng)中加入個體先驗(yàn)影像的灰度約束以達(dá)到提高成像質(zhì)量目的。此外，Zhang等[12]從個體先驗(yàn)影像中估計(jì)局部馬爾科夫隨機(jī)場系數(shù)，并將其應(yīng)用于懲罰加權(quán)最小均方誤差（PWLS）迭代重建函數(shù)的規(guī)整項(xiàng)中。近年來，通過充分挖掘個體先驗(yàn)影像中的結(jié)構(gòu)冗余先驗(yàn)知識，非局部均值（Non-local mean，NLM）算法[13]在LDCT影像復(fù)原領(lǐng)域表現(xiàn)出較大發(fā)展?jié)摿Α：郎萚14]提出基于非局部自相似圖像塊字典學(xué)習(xí)的偽CT圖像預(yù)測方法。首先，對訓(xùn)練CT與MRI圖像進(jìn)行圖像分塊，通過塊匹配算法聚類CT圖像塊，提取CT與MRI圖像塊的多尺度特征;然后，通過字典學(xué)習(xí)，獲得MRI圖像與CT圖像的映射關(guān)系矩陣，并對CT圖像塊進(jìn)行預(yù)測;最后通過重構(gòu)算法得到重建后的CT圖像。Ma等[15-16]提出ndiNLM （previous normal-dose scan induced NLM）算法，從個體先驗(yàn)影像中計(jì)算NLM權(quán)重，并利用該權(quán)重計(jì)算LDCT影像中對應(yīng)體素的加權(quán)均值并將其作為目標(biāo)體素估計(jì)，取得了極高的復(fù)原性能。趙瑩等[17]利用現(xiàn)有的基于深度學(xué)習(xí)的目標(biāo)檢測算法，實(shí)現(xiàn)對腹部CT圖像中多個器官的區(qū)域檢測，并且針對算法在檢測器官區(qū)域結(jié)果中存在部分區(qū)域預(yù)測框不夠準(zhǔn)確的問題，使用基于圖像連通性方法對預(yù)測框進(jìn)行修正。

上述個體先驗(yàn)影像引導(dǎo)方法[10-17]盡管在LDCT影像復(fù)原中取得了較好效果，但由于此類方法需對患者進(jìn)行重復(fù)掃描以獲取患者前期先驗(yàn)影像，極大限制了其實(shí)際臨床應(yīng)用。此外，由于僅使用先驗(yàn)影像中體素原始灰度信息進(jìn)行先驗(yàn)特征表示，忽視了樣本中豐富有價值的影像學(xué)特征知識，存在知識表達(dá)能力不足問題。

針對上述問題，本文提出一種新的基于群體先驗(yàn)影像冗余信息的LDCT影像復(fù)原模式。該模式利用灰度共生矩陣（GLCM）提取群體影像紋理特征，以組建群體影像特征離線數(shù)據(jù)庫。結(jié)合先驗(yàn)樣本在線搜索及目標(biāo)影像感興趣區(qū)（目標(biāo)區(qū)）先驗(yàn)知識挖掘，實(shí)現(xiàn)對目標(biāo)區(qū)自適應(yīng)規(guī)整處理，進(jìn)而實(shí)現(xiàn)LDCT影像有效復(fù)原。為方便實(shí)驗(yàn)結(jié)果對比，本文采用與文獻(xiàn)[13]-[15]相同的NLM方法進(jìn)行目標(biāo)區(qū)結(jié)構(gòu)先驗(yàn)冗余知識挖掘與目標(biāo)區(qū)規(guī)整。

3 結(jié)語

本文提出了一種新的基于群體先驗(yàn)影像冗余信息的LDCT影像復(fù)原模式。該模式通過建立具有完備影像特征表達(dá)能力的群體影像離線數(shù)據(jù)庫，通過先驗(yàn)樣本在線搜索及目標(biāo)區(qū)先驗(yàn)知識挖掘，實(shí)現(xiàn)對LDCT影像有效復(fù)原。

本文創(chuàng)新點(diǎn)主要體現(xiàn)在兩方面：①提出一種新的LDCT影像復(fù)原模式，通過建立離線數(shù)據(jù)庫，達(dá)到以群體影像為先驗(yàn)信息源目的。通過相似先驗(yàn)樣本在線搜索與先驗(yàn)知識挖掘，實(shí)現(xiàn)目標(biāo)影像感興趣結(jié)構(gòu)自適應(yīng)先驗(yàn)知識提取;②提出利用灰度共生矩陣方法提取群體影像紋理特征，并將其作為先驗(yàn)樣本表示形式，極大提高了群體影像樣本信息表達(dá)能力。

盡管本文算法能夠取得較好LDCT影像復(fù)原效果，但由于采用影像域復(fù)原策略，導(dǎo)致無法充分利用投影數(shù)據(jù)統(tǒng)計(jì)特性。在后續(xù)工作中要將本文成像模式與投影數(shù)據(jù)的統(tǒng)計(jì)特性相結(jié)合進(jìn)行LDCT影像統(tǒng)計(jì)迭代重建研究，使極低劑量CT取得更好的成像效果。

參考文獻(xiàn)：

[1] BRENNER D J， HALL E J. Computed tomography-an increasing source of radiation exposure [J]. New England Journal of Medicine， 2007， 357（22）： 2277-2284.

[2] NORTHROP R B. Signals and systems analysis in biomedical engineering [M]. CRC press， 2016.

[3] 鄭晗，康雁. 一種基于反投影濾波的精確心臟重建算法 [J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào)， 2018， 37（5）： 631-635.

[4] LIU J， MA J， ZHANG Y， et al. Discriminative feature representation to improve projection data inconsistency for low dose CT imaging [J]. IEEE Transactions on Medical Imaging，2017，36（12）： 2499-2509.

[5] SHANGGUAN H， LIU Y， CUI X， et al. Sparse-view statistical iterative head CT image reconstruction via joint regularization [J]. International Journal of Imaging Systems and Technology， 2016， 26（1）： 3-14.

[6] NIEN H， JEFFREY A F. Fast X-Ray CT image reconstruction using a linearized augmented lagrangian method with ordered subsets [J]. IEEE Transactions on Medical Imaging， 2015， 34（2）： 388-399.

[7] CHEN Y， LIU J， HU Y， et al. Discriminative feature representation： an effective post processing solution to low dose CT imaging [J]. Physics in Medicine & Biology， 2017， 62（6）：2103-2113.

[8] ZHANG Y K， LU H B， RONG J Y， et al. Adaptive non-local means on local principle neighborhood for noise/artifacts reduction of low-dose CT images [J]. Medical Physics， 2017， 44（9）： 230-241.

[9] JEROME Z L，PATRICK J. Guest editorial low-dose CT： what has been done， and what challenges remain [J]. IEEE Transactions on Medical Imaging， 2017， 36（12）： 2409-2416.

[10] YU H Y， ZHAO S Y， ERIC A， et al. Ultra-low dose lung CT perfusion regularized by a previous scan [J]. Academic Rdiology， 2009， 16（3）： 363-373.

[11] CHEN G H， PASCAL T L， TANG JIE， et al. Time-resolved interventional cardiac C-arm cone-beam CT：an application of the PICCS algorithm [J]. IEEE Transactions on Medical Imaging， 2012， 31（4）： 907-923.

[12] ZHANG H， HAN H， WANG J， et al. Deriving adaptive MRF coefficients from previous normal-dose CT scan for low-dose image reconstruction via penalized weighted least-squares minimization[J]. Medical Physics， 2014， 41（4）： 1916-1931.

[13] BUADES A， COLL B， MOREL J M. A review of image denoising algorithms， with a new one [J]. SIAM Journal on Multiscale Modeling and Simulation， 2005， 4（2）： 490-530.

[14] 胡永生， 張立毅. 基于非局部自相似圖像塊字典學(xué)習(xí)的偽CT圖像預(yù)測 [J]. 信號處理， 2017， 33（3）： 346-351.

[15] MA J H， HUANG J， FENG Q J， et al. Low-dose computed tomography image restoration using previous normal-dose scan [J]. Medical Physics， 2011， 38（10）： 5713-5731.

[16] ZHANG H， HUANG J， MA J H， et al. Iterative reconstruction for X-Ray computed tomography using prior-image induced nonlocal regularization[J]. IEEE Transactions on Biomedical Engineering， 2013， 30（10）： 1-12.

[17] 趙瑩，劉愛連，劉靜紅，等. 基于深度學(xué)習(xí)的像素閃爍算法對高體質(zhì)量指數(shù)患者低劑量腹部CT平掃圖像質(zhì)量的影響 [J]. 中國醫(yī)學(xué)影像技術(shù)， 2018， 34（3）： 434-438.

[18] HARALICK R M， SHANMUGAM K， DINSTEIN I. Textural features for image classification [J]. IEEE Transactions on System， Man and Cyberenetics. 1973， 3（6）： 610-621.

[19] MANJON J V， COUPE P， BUADES A. MRI noise estimation and denoising using non-local PCA [J]. Medical Image Analysis， 2015， 22（1）： 35-47.

[20] MA J， LIANG Z， FAN Y， et al. Variance analysis of x-ray CT sinograms in the presence of electronic noise background [J]. Medical Physics， 2012， 39（7）：4051-4065.

[21] WANG Z， BOVIK A C， SHEIKH H R， et al. Image quality assessment： from error visibility to structural similarity [J]. IEEE Transactions on Medical Imaging， 2004（13）： 600-612.

（責(zé)任編輯：杜能鋼）