基于卷积神经网络注意力机制U-net校正CT图像中的金属伪影

作者：朱昱霖; 谢耀钦; 梁晓坤; 邓磊; 张成龙; 周炫汝; 张怀岺

来源：中国医学影像技术, 2022, 38(05): 753-757.

DOI：10.13929/j.issn.1003-3289.2022.05.028

• 猪
• 神经网络
• 计算机
• 伪影
• 重建算法
• 体层摄影术
• X线计算机

目的 观察基于卷积神经网络(CNN)的注意力机制U-net(Attention U-net)校正CT图像金属伪影的价值。方法 选取1支猪前蹄，将直径7.5 mm的金属麻花钻头自其蹄部前表面穿至踝部，采集不同角度原始CT图像。分别采用Attention U-net、传统普通阈值金属伪影校正(MAR)、图像增强后的传统普通阈值MAR、Cycle生成对抗网络(GAN)MAR及手动分割MAR校正原始CT图像中的金属伪影；记录校正后每幅图像的像素点CT值、空间非均匀度(SNU)及伪影指数(AI),评估Attention U-net校正金属伪影的价值。结果 以Attention U-net校正后，金属伪影对CT图像的影响降低，细节和轮廓恢复，猪前蹄结构数据得以保留，并减少了二次伪影。相比校正前，校正后图像的振幅及像素点CT值更稳定。校正前、后图像的SUN分别为165.0(133.6,198.1)和27.2(14.4,38.7),AI分别为137.5(99.4,164.6)和29.1(21.1,38.7)。结论 采用基于CNN的Attention U-net算法校正CT图像中的金属伪影可降低计算复杂度、提高MAR效率，有助于恢复原始CT图像的完整性。

• 单位
  生物医学工程学院; 中国科学院深圳先进技术研究院; 广东医科大学