基于群體先驗影像的低劑量CT影像復原

程璐 張元科 宋蕓

摘 要：為充分利用臨床已有群體患者常規劑量影像學特征，提出一種新的基于群體先驗影像冗余信息的低劑量CT（LDCT）影像復原模式。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據庫，結合先驗樣本在線搜索及目標影像感興趣區先驗冗余信息挖掘，并通過目標區自適應規整處理，實現LDCT影像有效復原，充分利用了臨床已有群體患者常規劑量影像（群體影像）中高質量影像學特征。對臨床肺癌的仿真低劑量數據進行實驗，結果表明該模式在噪聲抑制和紋理特征保存方面均優于傳統算法。

關鍵詞：低劑量CT;CT影像復原;群體影像;先驗知識;灰度共生矩陣

0 引言

CT掃描中X射線輻射所誘發的白血病、癌癥及遺傳疾病等引發全球關注[1]。英國癌癥研究協會對英國及其它14個發達國家統計預測表明，當人活至75歲時，由X射線CT掃描輻射造成的患癌累積風險率在0.6%-1.8%之間[2]。低劑量CT （Low-dose CT，LDCT）成像技術能有效降低電離輻射量。臨床上通常采用降低X射線發射管電流（mAs）/電壓（kVp）強度實現低劑量CT掃描，但低電流/電壓掃描造成重建后的CT影像受到嚴重偽影噪聲干擾，無法滿足臨床診斷標準，為此人們提出了許多解決LDCT影像中偽影噪聲問題的方法，按數據處理的不同階段大致分為投影域濾波[3-4]、統計迭代重建[5-6]以及影像域復原[7-8]3類，每種策略各有優缺點[9]。由于涉及知識產權等問題，當前大部分商用CT僅提供重建后圖像數據，其原始投影數據對用戶不可見。為解決臨床應用問題，本文采用影像域復原處理。

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、結構等特征，使得常規劑量CT（normal-dose CT， NDCT）影像中豐富的紋理結構特征信息可作為LDCT影像復原的先驗知識，進而極大提升成像質量。為有效提取先驗知識，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影像為先驗影像（個體先驗影像），在配準基礎上利用影像結構相似性提取個體先驗影像中體素灰度等先驗知識，并將其應用于LDCT影像規整處理[10-17]。如Yu等[10]提出PSRR算法，通過對LDCT影像與個體先驗影像差異數據進行非線性濾波，并與個體影像進行融合以達到復原目的。Chen等[11]提出PICCS算法，通過在傳統總變分（Total Variation，TV）正則項中加入個體先驗影像的灰度約束以達到提高成像質量目的。此外，Zhang等[12]從個體先驗影像中估計局部馬爾科夫隨機場系數，并將其應用于懲罰加權最小均方誤差（PWLS）迭代重建函數的規整項中。近年來，通過充分挖掘個體先驗影像中的結構冗余先驗知識，非局部均值（Non-local mean，NLM）算法[13]在LDCT影像復原領域表現出較大發展潛力。胡永生等[14]提出基于非局部自相似圖像塊字典學習的偽CT圖像預測方法。首先，對訓練CT與MRI圖像進行圖像分塊，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，通過字典學習，獲得MRI圖像與CT圖像的映射關系矩陣，并對CT圖像塊進行預測;最后通過重構算法得到重建后的CT圖像。Ma等[15-16]提出ndiNLM （previous normal-dose scan induced NLM）算法，從個體先驗影像中計算NLM權重，并利用該權重計算LDCT影像中對應體素的加權均值并將其作為目標體素估計，取得了極高的復原性能。趙瑩等[17]利用現有的基于深度學習的目標檢測算法，實現對腹部CT圖像中多個器官的區域檢測，并且針對算法在檢測器官區域結果中存在部分區域預測框不夠準確的問題，使用基于圖像連通性方法對預測框進行修正。

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

針對上述問題，本文提出一種新的基于群體先驗影像冗余信息的LDCT影像復原模式。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據庫。結合先驗樣本在線搜索及目標影像感興趣區（目標區）先驗知識挖掘，實現對目標區自適應規整處理，進而實現LDCT影像有效復原。為方便實驗結果對比，本文采用與文獻[13]-[15]相同的NLM方法進行目標區結構先驗冗余知識挖掘與目標區規整。

3 結語

本文提出了一種新的基于群體先驗影像冗余信息的LDCT影像復原模式。該模式通過建立具有完備影像特征表達能力的群體影像離線數據庫，通過先驗樣本在線搜索及目標區先驗知識挖掘，實現對LDCT影像有效復原。

本文創新點主要體現在兩方面：①提出一種新的LDCT影像復原模式，通過建立離線數據庫，達到以群體影像為先驗信息源目的。通過相似先驗樣本在線搜索與先驗知識挖掘，實現目標影像感興趣結構自適應先驗知識提取;②提出利用灰度共生矩陣方法提取群體影像紋理特征，并將其作為先驗樣本表示形式，極大提高了群體影像樣本信息表達能力。

盡管本文算法能夠取得較好LDCT影像復原效果，但由于采用影像域復原策略，導致無法充分利用投影數據統計特性。在后續工作中要將本文成像模式與投影數據的統計特性相結合進行LDCT影像統計迭代重建研究，使極低劑量CT取得更好的成像效果。

參考文獻：

[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]. 中國生物醫學工程學報， 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習的偽CT圖像預測 [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. 基于深度學習的像素閃爍算法對高體質量指數患者低劑量腹部CT平掃圖像質量的影響 [J]. 中國醫學影像技術， 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.

（責任編輯：杜能鋼）