基于U-Net++深度学习的圆锥束计算机断层扫描中耦合伪影的校正

《Biomedical Signal Processing and Control》：Coupled artifacts correction of cone beam computed tomography based on U-Net++ deep learning

针对CT图像中散射与束硬化耦合伪影导致的质量下降问题，提出基于U-Net++的双序列融合注意力网络方法，通过建立耦合伪影物理模型生成仿真数据，结合长短期连接结构优化特征传递，显著提升图像梯度、信噪比和对比度，验证其在工业CT中的有效性。

　　在工业和医学成像领域，锥束计算机断层扫描（CBCT）作为一种非破坏性的成像手段，被广泛应用于检测物体内部结构。然而，CBCT图像中常见的散射伪影和束硬化伪影严重限制了图像质量，影响了缺陷检测和信息评估的准确性。散射伪影通常由X射线在穿透物体时与物质相互作用，产生偏离原本路径的散射光子，导致图像中出现不均匀的灰度分布和边缘模糊。而束硬化伪影则源于X射线能量分布的不均匀性，当高能量射线穿透物体后，低能量射线被吸收，导致图像中出现灰度不均和对比度下降的问题。这两种伪影往往相互影响，形成复杂的耦合效应，使得传统的方法难以有效解决。

针对上述问题，研究人员提出了多种伪影抑制方法，包括硬件方法、软件方法、混合模型和基于深度学习的方法。硬件方法主要通过改进探测器和X射线源的设计来减少散射和束硬化的影响，但其效果受到设备成本和物理限制的制约。软件方法则依赖于算法来追踪散射光子的路径，例如在多能成像中使用掩膜技术，或者通过数学建模来估计散射分布。这些方法在一定程度上可以改善图像质量，但需要大量计算资源，并且在复杂场景下的泛化能力有限。

混合模型结合了硬件和软件方法，通过在成像系统中加入特定的修正工具，并结合相应的算法进行优化，以达到更好的伪影抑制效果。近年来，深度学习技术在图像处理和伪影抑制方面展现出巨大的潜力。基于神经网络的方法能够通过学习图像中的特征，自动识别并修正伪影，从而显著提升图像质量。例如，研究人员利用卷积神经网络（CNN）对退化的CBCT图像进行修复，取得了良好的效果。然而，这些方法在处理单一伪影时表现良好，但在面对耦合伪影（如散射和束硬化共同作用）时仍然存在局限。

为了克服这些挑战，本文提出了一种基于U-Net++的分阶段网络方法，专门用于解决CBCT图像中由散射和束硬化共同作用导致的伪影问题。该方法首先根据真实CBCT图像中的伪影特征，建立一个耦合伪影模型，通过模拟投影的方式生成具有耦合伪影的图像。接着，将构建的图像数据集输入到神经网络中，进行特征学习。通过引入分阶段网络结构和长短期连接机制，该方法能够有效传递耦合伪影的细节和位置特征，从而实现对CBCT图像的高质量修复。

本文的研究具有重要的理论和实际意义。在工业检测中，CBCT图像的高质量对于缺陷识别和质量评估至关重要。而散射和束硬化伪影的存在，往往导致图像信息的丢失，影响了检测的准确性。因此，研究如何有效抑制这些伪影，对于提升CBCT图像的质量和应用价值具有重要意义。本文提出的分阶段网络方法不仅能够处理复杂的耦合伪影，还能在一定程度上提高图像的对比度和清晰度，为工业检测提供更加可靠的图像数据。

此外，本文还强调了数据集在深度学习模型训练中的重要性。由于实际CBCT图像中伪影的复杂性和多样性，构建高质量的训练数据集是实现良好模型性能的关键。为此，本文通过建立耦合伪影模型，生成模拟投影下的耦合伪影图像，并结合真实图像数据，生成模拟-现实融合数据。这种数据集不仅能够更真实地反映实际伪影的特征，还能为模型提供更加丰富的训练样本，从而提高模型的泛化能力和鲁棒性。

在实验部分，本文对提出的分阶段网络方法进行了验证，并将其与现有的先进方法进行了比较。实验结果表明，该方法在提升图像质量方面表现优异，其平均梯度（AG）、信噪比（SNR）和对比度-噪声比（CNR）分别提高了35%、75%和59%。这些指标的显著提升，证明了该方法在处理耦合伪影方面的有效性。此外，实验还表明，该方法在不同类型的测试图像中均能取得良好的效果，包括具有不同伪影特征的模拟图像和实际扫描图像。

本文的研究成果为CBCT图像的伪影抑制提供了新的思路和方法。通过引入分阶段网络结构和长短期连接机制，该方法能够有效传递图像中的细节和位置信息，从而实现对复杂伪影的抑制。同时，通过构建高质量的训练数据集，该方法能够提高模型的泛化能力和鲁棒性，使其在实际应用中更具可行性。未来的研究可以进一步优化网络结构和参数设置，以提高模型的性能，并探索该方法在其他成像技术中的应用潜力。

综上所述，本文提出了一种基于U-Net++的分阶段网络方法，专门用于解决CBCT图像中由散射和束硬化共同作用导致的伪影问题。该方法通过建立耦合伪影模型，生成高质量的训练数据，并结合深度学习技术，实现对图像的修复和增强。实验结果表明，该方法在提升图像质量方面具有显著优势，为工业检测和医学成像提供了新的解决方案。本文的研究不仅丰富了CBCT图像处理的理论体系，也为实际应用提供了技术支持。