一种去除CT图像中金属伪影的图像后处理方法

摘要

本发明涉及一种去除CT图像中金属伪影的图像后处理方法，包括以下步骤：将CT的原始图像由直角坐标图像转换为极坐标图像；在极坐标图像中确定金属投影区域；在极坐标图像中建立模型；采用上述的模型进行模型修正；修正上述模型修正中引入的正反投影误差；将极坐标图像转换成直角坐标图像。本发明方法提出的建立模型的方法，可以建立出好的模型，最终会得到好的校正结果，修正了因正反投影引入的误差，使校正之后的结果更好，保证了处理速度。

说明书

技术领域

本发明涉及一种医学领域中CT图像处理技术，具体的说是一种去除 CT图像中金属伪影的图像后处理方法。

背景技术

在临床上，如果被扫描的断层包含金属，由于金属对X射线的高衰减 特性，导致穿过金属的对应的通道值具有严重的测量误差(本文称这样的 通道为损坏通道)，这种误差使重建出来的图像产生类似图1所示的伪影， 这些伪影主要表现为在从金属发出的黑色和白色的条纹以及充满图像的放 射状细纹。

图2是某一视角下加权、卷积之前的生数据，其中的尖峰部分是对应 的穿过假牙的部分。假牙面积越大，对应的尖峰就越宽；假牙的密度越大， 射线穿过的假牙越长，对应的尖峰的幅度就越大。尖峰越宽，表示损坏通 道的范围就越大；尖峰的幅度越大，表示损坏的程度就越大。金属伪影的 强度与损坏通道的范围和程度是成正比的。不同大小、不同形状、不同密 度的金属表现出不同形状和强度的金属伪影。

在临床应用中，如果被扫描的断层包含金属，则重建出来的图像具有 严重的金属伪影(见图1)，该伪影使诊断无法进行。因此需要设计一个方 法来减弱金属伪影的强度，以便于诊断。

现在已有的发明创造也可以减弱CT图像中的金属伪影，但这些发明创 造或者是其处理效果较差，或者其运算复杂程度较高，或者是只适用于某 种扫描类型和临床应用，具有一定的局限性。例如采用建立模型图像的方 法，不能够建立好的模型，因此最终的校正结果很差，会保留一些未被去 除掉的伪影，而且还可能引入新的伪影，这样的校正结果往往还是不能用 于临床诊断。

从所校正的数据的位置划分，目前已有的方法分为投影域处理和图像 域处理：

1)投影域处理

通过校正金属对应的投影数据来达到校正金属伪影的目的。

该方法的优点：

(1)当金属非常小时，也即是说所要处理的投影数据的范围非常小时， 该方法很有效果。

(2)比较适合断层扫描，和z-filter重建算法。

该方法的缺点：

(1)不合适金属较大的情况，当金属较大时，需要处理的投影数据范 围很大，很难处理好。而实际临床中的假肢、假牙都是比较大的金属。

(2)对于采用三维重建算法的多排CT，该方法需要处理很大数据量 的投影数据，无论在处理效果上还是在处理效率上，都面临着很大困难。

2)图像域处理

通过对重建的图像直接处理来达到校正金属伪影的目的。

该方法的优点：

(1)不受CT排数的限制，具有非常好的通用性。

该方法的缺点：

(1)图像域处理中比较好的方法是基于模型的修正方法，但由于所建 立的模型都很差，因此最终校正的结果也很差，依然有伪影未被去除掉， 甚至引入了新的伪影，处理后的结果仍然无法用于临床诊断。

发明内容

针对现有技术中如果被扫描CT图像的断层包含金属，则重建出来的图 像具有严重的金属伪影等不足之处，本发明要解决的技术问题是提供一种 减弱金属伪影的强度，以便于诊断的去除CT图像中金属伪影的图像后处理 方法。

为解决上述技术问题，本发明采用的技术方案是：

本发明去除CT图像中金属伪影的图像后处理方法包括以下步骤：

将CT的原始图像由直角坐标图像转换为极坐标图像；

在极坐标图像中确定金属投影区域；

在极坐标图像中建立模型；

采用上述的模型进行模型修正；

修正上述模型修正中引入的正反投影误差；

将极坐标图像转换成直角坐标图像。

所述确定金属投影区域包括以下步骤：

从原始图像中分割出金属图像；

对分割出的金属图像进行正投影，根据所得到的投影数据确定金属投 影区域。

通过以下公式从原始图像中分割出金属图像：

其中，f(x，y)是输入图像，S是所设定的金属阈值，m(x，y)是分割出的 金属图像。

通过以下步骤建立模型：

原始图像分成四个区域，即金属区域、骨头区域、软组织区域以及空 气区域；

判断四个区域的CT值，如果原始图像中某一点的CT值属于软组织区 域范围，则该点的CT值为原始图像中软组织区域CT值的平均值；

通过以下公式建立模型：

$g(x,y)=\left(\begin{array}{cc}c& \mathrm{Hlc}\le f(x,y)\le \mathrm{Hhc}\\ f(x,y)& \mathrm{otherwise}\end{array}\right)---\left(2\right)$

其中，g(x，y)为所建立的模型图像，f(x，y)为原始图像，Hhc、Hlc分 别为决定软组织区域的两个阈值，c代表软组织区域。

所述建立模型还包括对金属伪影粗校正步骤：

设原始投影数据为Raw_orig，金属投影数据为Raw_metal，在每个view下，从 Raw_orig中减去Raw_metal得到差值投影数据Raw_diff，即：

Raw_diff(k)＝Raw_orig(k)-Raw_metal(k)k∈all views    (3)

对于每个view，在金属投影区域内，对差值投影数据作线性插值，得到 插值投影数据Raw_iter，即：

${\mathrm{Raw}}_{\mathrm{iter}}\left(k\right)=\frac{q-k}{q-p}{\mathrm{Raw}}_{\mathrm{diff}}\left(p\right)+\frac{k-p}{q-p}{\mathrm{Raw}}_{\mathrm{diff}}\left(q\right)k\in (p,q)---\left(4\right)$

其中p为金属投影区域的起点，q为金属投影区域的终点，k为金属区 域(p，q)中的任何一点。

对于金属投影区域的每一个点，如果插值数据大于差值数据，修改原 始数据，否则不修改，即

${{\mathrm{Raw}}^{\prime }}_{\mathrm{orig}}\left(k\right)=\left(\begin{array}{cc}{\mathrm{Raw}}_{\mathrm{orig}}\left(k\right)+{\mathrm{Raw}}_{\mathrm{iter}}\left(k\right)-{\mathrm{Raw}}_{\mathrm{diff}}\left(k\right)& \mathrm{if}{\mathrm{Raw}}_{\mathrm{iter}}\left(k\right)>{\mathrm{Raw}}_{\mathrm{diff}}\left(k\right)\\ {\mathrm{Raw}}_{\mathrm{orig}}\left(k\right)& \mathrm{otherwise}\end{array}\right)---\left(5\right)$

其中k∈(p，q)。

还包括修正粗校正过程本身的误差及建立最终修正原始图像模型步 骤，其中修正粗校正过程本身的误差为：

根据由原始图像建立的模型和由粗校正建立的模型确定软组织区域；

根据所确定的软组织区域对原始图像建立模型；

用该模型的正投影数据代替原始投影数据，代入上面的粗校正过程中， 得到的结果就包含了粗校正的误差。

根据由原始图像建立的模型和由粗校正建立的模型确定软组织区域 为：

对于原始图像建立的模型图像中骨头区域的每一个点，如果同时属于 粗校正结果建立的模型图像中软组织区的点，则将该点划为原始图像建立 的模型图像中骨头区域的点；

对于原始图像建立的模型图像中空气区域的每一个点，如果不同时属 于图粗校正建立的模型图像中空气区的点，则将该点划为原始图像建立的 模型图像的软组织区域的点。

所述建立最终修正原始图像模型为：

由原始图像确定软组织区域；

如果原始图像的空气区域不属于粗校正图像和修正粗校正误差的图像 的空气区域，则划为软组织区域；

如果原始图像的骨头区域不属于修正粗校正误差的图像的骨头区域， 则划为软组织区域；

用模型的投影数据修正原始投影数据为：

设原始投影数据为Raw_orig，模型的正投影数据为Raw_mol，修改之后的原 始数据为Raw′_orig，则

${{\mathrm{Raw}}^{\prime }}_{\mathrm{orig}}\left(k\right)={\mathrm{Raw}}_{\mathrm{mol}}\left(k\right)+a\times \frac{q-k}{q-p}+b\times \frac{k-p}{q-p},k\in (p,q)---\left(6\right)$

其中a＝Raw_orig(p)-Raw_mol(p)，b＝Raw_orig(q)-Raw_mol(q)，其中p为金属投影区域 的起点，q为金属投影区域的终点，k为金属区域(p，q)中的任何一点。

修正上述模型中正反投影引入的误差为：

对最终修正原始图像的模型进行正反投影，得到该模型的正反投影的 结果，将模型正反投影的结果减去模型图像，得到正反投影误差信息；

从模型修正的结果中减去正反投影误差信息，得到了去除正反投影的 误差信息。

本发明具有以下有益效果及优点：

1.本发明方法在图像后处理技术中的模型修正方法的关键在于所建立 的模型的好坏，本发明提出的建立模型的方法，可以建立出好的模型，最 终会得到好的校正结果。

2.本发明方法修正了因正反投影引入的误差，使校正之后的结果更好。

3.本方法中采用极坐标的正反投影，保证了处理速度。

4.本发明方法不依赖于机器的硬件参数，完全适用于更高排数的CT 产品(16排以上的产品)。

临床证明，该方法可以大大减弱金属伪影，使具有金属伪影的图像经 处理后，可以用于临床。

附图说明

图1为两幅头部假牙金属伪影CT图像；

图2为头部假牙金属伪影CT图像在某一视角下加权、卷积之前的生数 据图；

图3为本发明方法中模型修正流程图；

图4A为在CT系统中重建出来的直角坐标图像；

图4B为图4A的极坐标图像；

图5为某一视角下的金属投影数据；

图6A为根据图4B建立的模型；

图6B为根据图6A模型图像的细划分；

图7A为根据图4B粗校正的结果；

图7B为根据图7A所建立的模型；

图7C为修正粗校正误差的模型；

图7D为图7C进行粗校正的结果；

图8A为修正粗校正误差的结果；

图8B为根据图8A所建立的模型；

图9为所建立的最终修正原始图像的模型；

图10为根据模型图像图6A进行模型修正的结果；

图11为根据模型图像图9进行模型修正的结果；

图12为正反投影引入的误差图像，如图像中的红框所示；

图13为模型图像进行正反投影后得到的图像；

图14为模型修正的结果减去模型正反投影误差的结果图像；

图15为全部区域修正正反投影误差的结果图像；

图16为将极坐标图像图14转换直角坐标图像的结果；

图17为将极坐标图像图10转换直角坐标图像的结果。

具体实施方式

本发明去除CT图像中金属伪影的图像后处理方法包括以下步骤：

将CT的原始图像由直角坐标图像转换为极坐标图像；在极坐标图像中 确定金属投影区域；在极坐标图像中建立模型；采用上面的模型进行模型 修正；修正上述模型修正中引入的正反投影误差；将极坐标图像转换成直 角坐标图像。

本发明方法是一种图像后处理的方法，即对重建出来的具有金属伪影 的图像(称为原始图像)进行处理，其基本思想如下：首先对原始图像正 投影，得到原始图像的正投影数据(称为原始投影数据)；然后对原始图像 阈值分割，分割出金属图像，对金属图像正投影得到金属投影数据，根据 金属投影数据判断出原始投影数据中穿过金属的投影区域；再根据原始图 像建立模型图像，对模型图像正投影，得到模型的正投影数据；之后用模 型正投影数据在金属投影区域内修改原始投影数据；最后用修改后的原始 投影数据反投影重建，得出来的图像就是减弱金属伪影的图像。这一修正 过程简称为模型修正，图3给出了该过程的示意图。

上述整个过程的核心在于模型图像的建立，所建立的模型图像的好坏 直接决定了最终的校正结果，只有能够建立出好的模型图像，才能够得到 好的校正结果。

第1步，将直角坐标图像转换极坐标图像

从图3可以看出，模型修正的方法要使用大量的正反投影，而正反投 影计算复杂度是很高的，为了能够满足临床速度的需求，本文采用极坐标 的正反投影。因此，需要先把重建出来的直角坐标图像转换为极坐标图像。

图4A是重建出来的直角坐标图像，图4B是由图4A转换而来的极坐标 图像，金属伪影校正就是基于图4B展开的。

第2步，确定金属投影区域

模型修正是通过修改金属区域的原始投影数据来校正金属伪影，因此首 要的是如何确定金属投影区域。

该过程分成两步：

一.从原始图像中分割出金属图像，由于金属的CT值要高于其他部分， 因此通过预先设定一个合适的阈值就可以分割出金属部分，即

其中，f(x，y)是输入图像，S是所设定的金属阈值，m(x，y)是分割出的金 属图像；

二.对分割出的金属图像进行正投影，根据所得到的投影数据确定金属 投影区域。图5为某一视角下的金属投影数据，可以看出金属区域的投影 数据不为零，非金属区域的投影数据为零。因此通过判断投影数据是否为 零，就可以确定出金属投影区域，金属投影区域用[p，q]表示，其中p为金 属投影区域的起点，q为金属投影区域的终点。

第3步.建立模型

1.建立模型的方法

建立模型的方法很多，本文采用如下建立模型的方法：原始图像分成四 个区域，这四个区域分别为金属区域(用A表示)、骨头区域(用B表示)、 软组织区域(用C表示)、空气区域(用D表示)。建立模型的过程：对于 所建的模型中的每一个点，如果该点属于原图的A、B、D三个区域，则 和原图的CT值一样；如果属于原图的C区域，则等于原图C区域的平均 值。由于只改变属于C区域的值，因此只需要两个阈值就可以建立模型了。

这种方法建立模型的合理之处在于：金属伪影的强度一般都与软组织相 近，也就是说分布在C区。

设原始图像为f(x，y)，决定C区的两个阈值分别为Hhc、Hlc，所建立的 模型图像为g(x，y)，建立模型的过程用公式表达如下：

$g(x,y)=\left(\begin{array}{cc}c& \mathrm{Hlc}\le f(x,y)\le \mathrm{Hhc}\\ f(x,y)& \mathrm{otherwise}\end{array}\right)---\left(2\right)$

其中，c为f(x，y)在C区的均值。

2.建立更好的模型

2.1对模型的分析

对于金属伪影图像，如果金属伪影完全分布在C区，或者说C区完全 包含金属伪影，那么根据公式(2)可以建立一个很好的模型，进而达到很 好的修正。但是，实际中的金属伪影的C T值范围都比较大，不但与软组 织接近，也与骨头相近，同时也与空气相近，即金属伪影不但分布在C区， 而且还分布在B区和D区。现在将四个区域重新划分，由于A区一定大于 金属伪影的强度，因此A区不变；B区包含了骨头区域B_bone、与骨头接近 的伪影区域B_artifact，C区包含了软组织C_soft、与软组织接近的伪影区域C _artifact，D区包含了空气D_air，与空气接近的伪影区域D_artifact，如图6A、6B 所示。

如果能够将B_artifact和D_artifact划为C区，那么建立的模型中将不含有B _artifact和D_artifact，根据这样的模型修正的结果也将不含有B_artifact和D_artifact，从 而达到更好的校正。现在的问题是如何将B_artifact和D_artifact划为C区，本发 明采用了一种粗校正的方法达到此目的。

2.2粗校正

粗校正是对金属伪影的一个粗略的校正，其原理如下：

设原始投影数据为Raw_orig，金属投影数据为Raw_metal。在每个view下，从 Raw_orig中减去Raw_metal得到差值投影数据Raw_diff，即

Raw_diff(k)＝Raw_orig(k)-Raw_metal(k)k∈all views    (3)

对于每个view，在金属投影区域内，对差值投影数据作线性插值，得到 插值投影数据Raw_iter，即

${\mathrm{Raw}}_{\mathrm{iter}}\left(k\right)=\frac{q-k}{q-p}{\mathrm{Raw}}_{\mathrm{diff}}\left(p\right)+\frac{k-p}{q-p}{\mathrm{Raw}}_{\mathrm{diff}}\left(q\right)k\in (p,q)---\left(4\right)$

其中p为金属投影区域的起点，q为金属投影区域的终点，k为金属区 域(p，q)中的任何一点。

对于金属投影区域的每一个点，如果插值数据大于差值数据，修改原 始数据，否则不修改，即

${{\mathrm{Raw}}^{\prime }}_{\mathrm{orig}}\left(k\right)=\left(\begin{array}{cc}{\mathrm{Raw}}_{\mathrm{orig}}\left(k\right)+{\mathrm{Raw}}_{\mathrm{iter}}\left(k\right)-{\mathrm{Raw}}_{\mathrm{diff}}\left(k\right)& \mathrm{if}{\mathrm{Raw}}_{\mathrm{iter}}\left(k\right)>{\mathrm{Raw}}_{\mathrm{diff}}\left(k\right)\\ {\mathrm{Raw}}_{\mathrm{orig}}\left(k\right)& \mathrm{otherwise}\end{array}\right)---\left(5\right)$

其中k∈(p，q)。

图7A为根据图4B粗校正的结果；图7B是根据粗校正结果图7A所建 立的模型。从图中可以看出，粗校正在某一程度上减弱了金属伪影的强度， 但仍然保留了一些伪影，同时引入了新的伪影，实际上粗校正所修正的是 射线硬化的影响。从图7B可以看出，根据粗校正建立的模型基本去除了B _artifact和D_artifact。

2.3修正粗校正引入的误差

由于粗校正引入了新的伪影，需要修正粗校正过程本身的误差。

修正粗校正误差的方法是：根据由原始图像建立的模型和由粗校正建 立的模型确定C区，根据所确定的C区对原始图像建立模型，然后用该模 型的正投影数据代替原始投影数据，代入上面的粗校正过程中，得到的结 果就包含了粗校正的误差。

修正粗校正误差的关键在于如何确定C区。观察图6A和图7B(图6A 是根据原始图像建立的模型，图7B是根据粗校正图像建立的模型)，不难 发现，图6A中的B_artifact部分属于图7B的C区，图6A的D_artifact正好是图 6A的D区比图7B的D区多余的那部分。这样，就可以根据图7B的C区确 定B_artifact，根据图7B的D区确定D_artifact，具体如下：

对于原始图像建立的模型图像中骨头区域的每一个点，如果同时属于 粗校正结果建立的模型图像中软组织区的点，则将该点划为原始图像建立 的模型图像中骨头区域的点；

对于原始图像建立的模型图像中空气区域的每一个点，如果不同时属 于图粗校正建立的模型图像中空气区的点，则将该点划为原始图像建立的 模型图像的软组织区域的点。

这样，经上面操作后的C区包含了图6A的B_artifact和图6A的D_artifact。 为了更好修正粗校正的误差，需要将C区的范围扩大一些。图7C是根据该 方法确定的模型，图7D给出了该模型粗校正的结果。

图7A是原始图像粗校正的结果，图7D是模型粗校正的结果。对比这 两幅图像，不难发现，原始图像粗校正后保留的伪影和引入的伪影恰好是 模型粗校正后引入的伪影，这些引入的伪影实际上就是粗校正过程本身的 误差，该误差等于模型粗校正的结果减去模型的差图像。从原始图像粗校 正的结果中减去该误差图像，就得到了修正粗校正误差的图像。

图8A是修正粗校正误差的结果，可以看出，经过误差修正后，基本上 去除了粗校正本身引入的误差。图8B是根据修正粗校正误差的结果所建立 的模型，可以看出误差修正在去除了粗校正引入的误差(图7B左下方的黑 色部分)的同时，也引入了一些小的误差(图8B左下方的黑色部分)。这 就决定了建立最终的模型，需要同时这两幅图像。

2.4建立最终修正原始图像的模型

由上面的分析，为了建立好的模型，需要同时考虑粗校正图像和修正 粗校正误差的图像，具体如下：

首先由原始图像确定C区。

如果原始图像的D区，不属于粗校正图像和修正粗校正误差的图像的 D区，则划为C区。

如果原始图像的B区，不属于修正粗校正误差的图像的B区，则划为 C区。

图9是采用上述规则建立的最终的模型，从该模型中可以看到，几乎 所有的金属伪影都划为了C区，达到了建立模型的要求。

第4步.模型修正

模型建立之后，就可以用模型的正投影数据来修改原始投影数据，具 体的修正方法如下：

设原始投影数据为Raw_orig，模型的正投影数据为Raw_mol，修改之后的原 始数据为Raw′_orig。

${{\mathrm{Raw}}^{\prime }}_{\mathrm{orig}}\left(k\right)={\mathrm{Raw}}_{\mathrm{mol}}\left(k\right)+a\times \frac{q-k}{q-p}+b\times \frac{k-p}{q-p},k\in (p,q)---\left(6\right)$

其中a＝Raw_orig(p)-Raw_mol(p)，b＝Raw_orig(q)-Raw_mol(q)，其中p为金属投影 区域的起点，q为金属投影区域的终点，k为金属区域(p，q)中的任何一点。

需要注意的是，从公式6可以得出下面等式

Raw′_orig(p)＝Raw_orig(p)     (7)

Raw′_orig(q)＝Raw_orig(q)

式7保证了在金属边界处，修改后的原始投影数据平滑过渡。

图10给出采用式6进行模型修正的效果。需要注意的是，这里所采用 的模型是根据原始图像建立的模型图6A。

从修正的结果可以看出模型修正的方法基本去除了放射状的伪影，但 仍然部分保留了假牙导致的黑色和白色伪影。之所以没有去除这些伪影是 因为所建立的模型中就包含了这些保留的伪影，如果能够在模型中去除这 些伪影，那么修正之后的图像将不含有这些伪影，进而达到更好的校正效 果。

图11给出了根据最终模型图9得到的最终模型修正的结果，可以明显 看出，由于模型(图9)本身建立得非常好，校正的结果也非常地好。

第5步，修正正反投影引入的误差

观察图11，修正后的图像有很多细纹，如图12红框里的区域。这些信 息是正反投影本身引入的误差。需要从修正后的图像减去这些误差信息。 解决的方法是对模型图像图9进行正反投影，得到图13，对比图13和图 12，可以看出模型正反投影的结果所引入的信息正是图12红框中细纹状信 息。根据模型和模型正反投影的结果可以得到正反投影误差信息，再从模 型校正的结果中减去正反投影误差信息，就得到了去除正反投影的误差信 息，如图14，可以看出图14不包含图12红框里的细纹信息。

需要注意的一点，修正正反投影误差的区域是在模型图像的C区，而 不是图像的全部，因为如果对图像全部区域进行操作，由于修正的过程是 图像做差操作，会在图像中骨头的边界出现很明显的“毛边”，图15给出了 全部区域进行修正的结果，如图15的红框所示，在骨头处出现了“毛边”。 为了更好地防止这种“毛边”的出现，修整误差的区域为从全部区域中减去模 型中非C区3*3邻域扩展之后的区域的区域。

第6步，将直角坐标图像转换极坐标图像

经过上面处理，将图14转换为直角坐标图像，就得到了修正之后的最 终结果，如图16所示。

对比根据原始图像建立的模型进行模型修正的结果(图17)与根据本 文方法所建立的模型进行模型修正的结果(图16)，可以看出，由于本文建 立模型的方法能够建立出非常好的模型图像，最终校正的结果也非常好， 去掉了几乎全部的金属伪影。