Metal artifact reduction on cervical CT images by deep residual learning

---

摘要

文章：https://doi.org/10.1186/s12938-018-0609-y

HUANG XIA, WANG JIAN, TANG FAN, et al. Metal artifact reduction on cervical CT images by deep residual learning[J]. BioMedical Engineering OnLine,2018(1). DOI:10.1186/s12938-018-0609-y.

---

背景：近距离放射治疗是宫颈癌最有效的治疗方法，对于近距离放射治疗，需要CT成像从而正确规划放射时的剂量。然而放射治疗的探头会引起金属伪影，因此需要开发一种有效的宫颈CT图像金属伪影消除算法。

方法：提出一种新的基于卷积神经网络的残差学习方法（RL-ARCNN）来减少宫颈CT图像中的金属伪影。具体地，第一步通过模拟金属伪影生成数据集，用于训练CNN。该数据集包括伪影插入、无伪影和伪影残留图像。然后训练RL-ARCNN网络以减少伪影，训练后的模型可用于宫颈CT图像的金属伪影去除。

结果：测试集上PSNR达到38.09，高于普通CNN网络的37.79，表明RL-ARCNN具有良好的伪影抑制效果。

结论：RL-ARCNN显著减少了金属伪影，提高了关键结构的可视化程度。金属伪影被有效地消除，无需原始投影数据和复杂的后处理过程。

一、方法

（一）数据生成

基于无伪影的CT图像生成含金属伪影的图像和伪影残留图像（即无伪影图像和含金属伪影图像的差异图）。
这种伪影生成方法很常见，基本上大部分有监督MAR方法都会用到这种模拟金属伪影，具体可见：

Zhang Y, Yu H. Convolutional neural network based metal artifact reduction in X-ray computed tomography. IEEE Tras Med Imaging. 2018;37(6):1370–82.

（二）网络结构

网络结构如下图所示，网络深度为D，网络的输入为50×50的图像块，第一层为64个3×3×1的卷积层和ReLU激活层，由于做了padding，因此输出为64个50×50的feature map，这一层输出得到的feature map包含了详细的局部纹理和大量相关的边缘信息；网络的第2至D-1层，为64个3×3×1的卷积层、批量归一化(BN)和ReLU激活层，由于每一层都做了zero-padding，因此输出仍为64个50×50的feature map.最后一层为1个3×3×64的卷积层，输出得到50×50的图像块，

（三）训练过程

参数初始化：偏置biases的初始化值都为0，权重的初始化值如下图所示：

neuron_in 和 neuron_out 分别表示输出层和输入层的神经元个数。

损失函数：即网络的优化目标

( p_iⁱ, p_i^f) 表示成对的含伪影和不含伪影的图像块。theta表示网络中的参数，R (p_iⁱ,theta) 表示网络的最终输出，从式子中可以看出，该网络的目标是预测含伪影（I_{artifact-insert})和不含伪影图像（I_{artifact-free})的差，即伪影残差图（I_{artifact-residual})，在获得I_{artifact-residual}后，用I_{artifact-insert} - I_{artifact-residual} = I_{artifact-free} 就可以去除伪影。

优化器：最常用的Adam，在这就不过多介绍了。

二、实验

（一）实验数据

35例宫颈癌患者，放射治疗前后的CT图像。其中20例（共600张CT）用于生成金属伪影图像，15例（共450中CT）为临床真实伪影图像。图像尺寸为512×512，分辨率为 0.738–1.084 × 0.738–1.084。

（二）实验过程

600张模拟伪影图像用于网络的训练和测试，450张用于训练，100张用于验证，50张用于测试。在整个训练过程中，随机生成50×50的图像块，学习率为0.01，权重衰减设置为log-5，Adam为默认值，batch size = 64, 共100个epochs。

（三）实验结果

实验指标：MSE和PSNR

MSE越小表明两张图像越相似，PSNR越大表明图像质量越好，此外常用的指标还有SSIM.

（1）patch size对结果的影响

唯一变量为patch size，PSNR的值越大，表明图像质量越好，从上表中可以看出50×50的PSNR最大，表现最好。

上表格为在不同patch size条件下，普通学习（即学习目标为I_{artifact-free}) 和残差学习（即学习目标为I_{artifact-residual}）的PSNR的值，比较的基准图像为I_{artifact-free}，从表中可以看出，在三种patch size下，残差学习的PSNR都最大，图像质量最好。

（2）图像的训练数量：

每个患者分别由30张宫颈CT图像，从图中可以看出随着训练量的增加，得到的图像的PSNR越大。

（3）视觉效果

第一行是无金属伪影的图像，第二行是伪影插入图像，第三行是伪影减少后的图像，第四行是伪影残留图像。伪影减少图像是通过伪影插入图像中减去伪影图像（也就是网络的输出）获得的。如上图所示，伪影几乎被完全移除，金属附近的组织特征被真实地保留下来。

（4）临床效果

数据：15名患者的450张真实伪影CT图像
由于缺乏ground truth，这里只做了定性比较。

从图中可以看出，伪影去除的较为关键，组织结构信息也保留了下来。

三、总结

提出了一种新的基于CNN的残差学习方法（RL-ARCNN)，以减少近距离放疗宫颈CT图像中的金属伪影。为了训练RL-ARCNN，生成了包括伪影插入、伪影消除和伪影残余图像的模拟数据集。在模拟数据集上的实验结果表明，RL-ARCNN可以很好地去除金属伪影。对临床伪影颈部CT图像的实验结果表明了该方法的有效性和鲁棒性。此外，RL-ARCNN不需要特殊的CT扫描设计，也不需要投影原始数据。