基于深度学习的锥束计算机断层扫描投影域金属分割用于金属伪影抑制
图像与视频处理
2023-10-10 v2 计算机视觉与模式识别
摘要
金属伪影校正是锥束计算机断层扫描(CBCT)扫描中的一个具有挑战性的问题。植入人体的金属植入物会在重建图像中引起严重的伪影。广泛使用的基于修复的金属伪影减少(MAR)方法需要将投影中的金属痕迹分割作为第一步，这是一项具有挑战性的任务。一种方法是使用深度学习方法在投影中分割金属。然而，深度学习方法的成功受到现实训练数据可用性的限制。由于植入物边界不清晰以及投影数量庞大，获取可靠的真实标注既费力又耗时。我们提出使用X射线模拟从临床CBCT扫描生成合成金属分割训练数据集。我们比较了具有不同光子数量的模拟效果，并比较了几种用于扩充可用数据的训练策略。我们将模型在真实临床扫描上的性能与传统的基于区域生长阈值的MAR、移动金属伪影减少方法以及一种近期的深度学习方法进行了比较。我们表明，具有相对较少光子数量的模拟适用于金属分割任务，并且使用全尺寸和裁剪投影一起训练深度学习模型可提高模型的鲁棒性。我们展示了在受严重运动、体素尺寸欠采样和视场外接金属影响的图像质量方面的实质性改善。我们的方法可以轻松集成到现有的基于投影的MAR流程中以获得改善的图像质量。该方法可提供一种在CBCT投影中准确分割金属的新范式。
引用
@article{arxiv.2208.08288,
title = {Deep learning based projection domain metal segmentation for metal artifact reduction in cone beam computed tomography},
author = {Harshit Agrawal and Ari Hietanen and Simo Särkkä},
journal= {arXiv preprint arXiv:2208.08288},
year = {2023}
}