《基于先验信息感知学习的能谱CT及物质定量智能成像算法》由会员分享,可在线阅读,更多相关《基于先验信息感知学习的能谱CT及物质定量智能成像算法(16页珍藏版)》请在金锄头文库上搜索。
1、 基于先验信息感知学习的能谱CT及物质定量智能成像算法 段政,李丹阳,曾栋,边兆英,马建华1南方医科大学生物医学工程学院,广东广州 510515;2广州市医用放射成像与检测技术重点实验室,广东广州 510515与传统CT相比,能谱CT能够区分不同光子的能量并在一次扫描下同步采集多能谱通道(Bin)的数据1,利用额外的光谱信息和能量衰减特异性,可以鉴别和定量人体组织中软组织、骨骼和造影剂等不同材料,因此在临床应用领域2-5受到广泛关注。然而能谱CT基物质分解算法常对能谱CT图像噪声敏感,求解在数学上是病态的,分解后图像中的噪声统计分布与CT图像高度相关,积累了CT图像的噪声且降低了信号的大小,导
2、致分解后的基物质图像信噪比严重下降6,7。针对该问题,多种方法被提出。根据重建和分解过程的先后顺序,可分为一步重建分解方法8、基于投影域9和基于图像域10的两步分解方法。然而,一步重建分解方法模型计算量大,且不能并行计算;基于投影域的分解方法存在不能充分利用基物质图像先验信息且分解质量不稳定的缺点,基于图像域的分解方法面临分解噪声激增和容易引入了非线性误差的缺点。基于数据驱动的方法通过端对端网络学习多能图像与基物质图像之间的非线性映射,获得广泛关注。根据有无标签图像训练网络分为监督式11-15和自监督式16两种类型。然而,监督式深度学习方法需要大量配对训练数据,在样本数量有限的情况下,模型容易
3、过拟合产生失真,分解精度极大受限;自监督深度学习方法依赖数据的先验信息以及数据分布,缺少真值约束,容易造成网络学习出现偏差,局部复杂结构的噪声抑制效果容易受到影响,分解结果不稳定。鉴于此,受到近期有监督方法和自监督方法应用于低剂量CT恢复任务的启发17-21,我们提出基于先验信息感知学习的能谱CT半监督物质定量智能成像算法(SLMD-Net),通过耦合监督子模块和自监督学习子模块,共享网络参数权重,可以充分关注结构先验特征信息以提升对临床数据中复杂结构的分解性能和泛化性能。有监督子模块使用均方误差(MSE)函数构建标签数据和网络输出结果之间的损失函数。由于基物质图像空间存在分段光滑的性质,自监
4、督子模块根据基物质图像稀疏性引入全变分损失(TV)作为正则化项,以及引入加权最小二乘函数构建一致性损失目标函数,最终,监督和自监督损失函数分别以加权的形式整合到半监督网络中。收敛性分析、对比实验、小样本实验以及抗噪声鲁棒性实验证明了SLMD-Net可以有效改善基物质图像的质量,模型的收敛性能和泛化性能得到提升。1 材料和方法1.1 能谱CT物质分解模型基于图像域的分解假设CT像素空间中线性衰减系数(E)是由有效质量衰减系数和密度的加权线性组合,对此,基物质分解可以构建为以下矩阵形式22:但这会产生严重的噪声和伪影23。1.2 物质分解半监督学习框架针对信噪比严重退化的基物质图像,本文提出基于先
5、验信息感知学习的能谱CT半监督物质定量智能成像算框架(SLMD-Net),如图1所示,包括监督子模块和自监督子模块。1.2.1 监督子模块 当给定有标签样本时,成对的训练数据中含有丰富的结构特征信息,深度学习网络可以有效提取相应特征。为此,我们设计了一种深度网络模型f() 用于刻画样本空间(即低质量的基物质图像)与期望空间(即相应的高质量图像)之间的潜在关系,并估计高质量的图像,通过最小化MSE函数来优化训练网络模型,损失函数定义如下:1.2.2 自监督子模块 由于医学图像标记数据是昂贵的,且端对端有监督的训练方法通常对训练数据的大小、类型及噪声分布特性很敏感,l2范数容易使图像出现过拟合的现
6、象。为此,我们提出基于自监督的方法,通过学习大量无标签数据的先验特性等潜在信息对基物质图像质量进行恢复,从而减少网络对特定数据集分布的依赖性。当没有给定样本真值时,目标是通过网络训练来学习非配对数据的隐藏特征分布。由于材料图像的分段平滑性,TV正则化项可用于感知图像边缘信息。由此可构造无监督损失函数来降低基图像噪声。无监督损失函数包含2个部分,一是通过加权最小二乘的方法对数据一致性进行约束,二是通过全变分构建基物质图像的稀疏性,以抑制分解后的图像噪声并保持边缘清晰度。加权最小二乘损失函数和全变分正则化表达式为:其中 TV表示全变分范数,对于二维图像p,其全变分的计算公式为:因此,SLMD-Ne
7、t方法的损失函数为:其中,、分别为无监督部分、骨基图TV正则化项LTV-B和软组织基图TV正则化项LTV-S的权衡超参数权重。1.3 实验数据为验证所提SLMD-Net方法在能谱CT物质分解中的有效性和准确性,本文利用真实病人数据仿真的双能CT数据进行实验。1.3.1 数据集构建 病人数据来源于地方附属医院且每个病人均签订了临床研究知情协议。采集设备为GE公司的Discovery750 HD宝石能谱CT,对25位患有冠状动脉粥样硬化的患者进行双能CT增强扫描以获得基物质标签数据集。其中,高、低能量管电压分别设置为140 kVp和80 kVp,管电流设置为360 mA,扫描部位从胸部至腹部,共8
8、74层数据。数据集构建需要对已有的骨骼和软组织基物质图像进行低剂量能谱CT仿真得到含噪声的CT数据以及基于传统模型驱动的直接求逆方法后信噪比退化的基物质图像。数据集被划分为训练集、验证集和测试集。训练过程中,随机选取400张低剂量能谱CT图像分解的基物质图像与高剂量CT图像分解得到的基物质图像组成的训练数据对,用于基于数据驱动的有监督子模块的训练;随机选取另外400张基物质图像作为训练集,用于自监督子模块的训练。另外分别随机选取50,24张的剩余病人数据分别作为验证集和测试集,验证网络的性能。1.3.2 能谱CT仿真公式(8)为能谱CT成像模型:N0为入射光子数,S(E)为归一化X射线能谱,E
9、L、EH分别为该能量区间的上下阈值,表示X射线积分路径。单能下对应基物质线性衰减系数和质量衰减系数是通过美国国家标准技术研究院(NIST)网站查找得到24。根据该模型进行能谱CT扫描仿真。首先需要X射线能谱仿真,利用SPEKTR工具箱仿真出140 kVp连续能谱曲线,能量间隔为1 keV,球管内置1.6 mm 厚的Al材料过滤器,并归一化X射线光谱得到。其次是分别扫描临床高剂量分解的骨和软组织密度图像得到密度线积分弦图图像。扫描阈值设置为20,58,140 keV,其中相等数目的光子被划分到2 个能量区间。CT成像扫描参数设置如下:(1)X射线源-探测器距离为946.7460 mm,X射线源-
10、中心距离为538.52 mm;(2)均匀扫描360度,获得984个投影角度的扫描图;(3)沿平行X射线束放置888个探测器通道。投影数据使用Fessler工具包仿真得到。为产生噪声投影,在模拟的无噪声投影中加入泊松噪声模拟量子噪声。总光子量设置为3105。最后再进行负对数变换和滤波反投影(FBP)重建出两个能量Bins的CT图像。其中I0为空气扫描时的光子数,P是对原始数据进行负对数变换后的弦图。为提升材料的定量精度,通常选择质量衰减系数相差较大的物质组成分解矩阵,这可以减小分解矩阵的条件数。在低剂量情况下用双能CT分解双物质的实验来验证模型的性能。1.4 实验设置1.4.1 网络结构(U-N
11、et)由于U-Net网络在医学小样本任务中表现优异,双通道U-Net网络25被用于物质分解深度网络主体。如图1所示,输入和输出的通道数目分别是2,其中输入对应为两种不同能量下双能CT图像直接分解得到的两种质量退化的基物质图像,输入大小为512512,输出为经过网络训练学习后得到增强的两种高质量基物质图像。U-Net网络的特征图变化分为编码和解码两个过程,之间通过跳跃连接突出有效特征。编码过程包含4个卷积特征提取模块和4个下采样模块。特征提取模块由一个卷积单元和一个残差单元构成,每个单元块由一个大小为33的卷积核卷积层、批量归一化和ReLU(Rectified Linear Unit)激活函数构
12、成,卷积块用于扩展通道数目和特征提取。特征图下采样使用尺寸大小为22的最大池化层(Max Pooling),特征图的分辨率下降一半,下采样过程中特征图感知域大小分别为256256,128128,6464和3232。编码器主要通过33大小的反卷积层对特征图进行上采样,减少特征图的同时扩大特征图尺寸。输出层采用11卷积层,激活函数为Sigmoid。为了学习噪声图像和干净图像的残差特性,同时为了减少网络训练过程中由于网络过深导致梯度消失或者爆炸带来的训练困难问题,我们在输出层后加了一层残差层。1.4.2 训练参数设置 网络在pytorch1.9.0 框架下训练26,使用CUDA 加速,计算机硬件使用
13、一个内存为12G的NVIDIA Tesla K40C图像处理单元(GPU)进行训练,采用Adam优化器,初始学习率设置为110-3,批处理参数(batch size)设置为5,训练次数(epoch)设置为200,训练共耗时10 h,以确保目标函数收敛。1.4.3 超参数设置 为评估损失函数中不同的超参数对选择对本文所提出模型性能的影响,我们设计了三组不同的超参数(、和)组合进行定量评估,分别固定一个参数为110-4,然后将另外两个参数设置为梯度变化的值10,1,10-1,10-2,10-3进行训练。然后使用测试集数据对SLMD-Net测试的PSNR值进行对比。1.4.4 噪声水平设置 为评估S
14、LMD-Net在不同噪声水平下的性能,设计一组不同噪声水平的实验,分别采用原来入射光子数3105及其1/2、1/3、1/5进行仿真。1.5 定量评价指标1.5.1 定量评估 为定量评价所提算法的性能,采用均方根误差(RMSE),峰值信噪比(PSNR)27和特征相似性指数(FSIM)28对分解的基物质图像进行定量分析,其定义如下:其中P、Q分别表示去噪的图像和真值图像。m、n分别表示图像的长和宽。其中,k表示图像的二进制位数,k在本实验中为8,除数为均方误差(MSE)。PSNR常用于测量最大信号和背景噪声强度的比值,相比RMSE可以检测图像少量平移带来的误差,PSNR值越大,表示去噪的图像失真越
15、小,噪声去除效果越明显。其中,SL(x)=SPC(x)SG(x)表示相位一致性特征和梯度特征。PCm(x)=max(PC1(x),PC1(x) 表示图像的显著相位一致性, 表示图像空间域。FSIM可以很好的刻画局部结构,用于衡量两幅图像的结构相似性,当指标值越接近1,表示两幅图像特征越相似。1.5.2 专家主观图像质量评估 为了进一步评估不同分解方法在临床的应用,本研究邀请4位影像专家对不同方法分解的基物质图像进行质量评估。我们采用双盲图像质量评估策略,各个专家综合考虑分解准确度、噪声和伪影抑制程度以及结构、边缘的保持情况,使用110 Likert量表进行独立双盲打分,其中10代表最高分为10
16、分,最低分为1分。1.6 对比方法为验证SLMD-Net的性能,本文与3种模型驱动方法:基于FBP算法重建图像直接求逆法(FBP-DI)、最小二乘迭代求解法(PWLS-PCG)29、基于E3DTV正则化项的图像域分解方法(E3DTV)30;1种基于模型的自监督(UNTV-Net)算法,1种基于半监督学习的循环一致性生成对抗网络(Semi-CycleGAN)31,32以及2种数据驱动有监督深度网络:CT图像直接分解的蝴蝶式交互卷积神经网络(BFCNN)11和使用最小二乘损失函数的有监督网络(SUMD-Net)。SUMD-Net的网络结构与本文所提出的SLMD-Net相同,为了从定性和定量两方面对比SUMD-Net和SLMD-Net的性能,本文特意设计两组实验:一组实验