[论文解读] Metal artifact reduction based on the combined prior image

Yanbo Zhang, Xuanqian Mou|arXiv (Cornell University)|Aug 22, 2014

Advanced X-ray and CT Imaging参考文献 7被引用 9

一句话总结

本文提出了一种新颖的CT成像金属伪影减少方法，通过利用原始重建图像与基于线性插值的MAR校正图像之间的互相关性，识别出低伪影像素，并将这些像素组合形成综合图像，进而用于生成更精确的先验图像以进行前向投影-based伪影校正，与现有方法相比显著减少了伪影。

ABSTRACT

Metallic implants introduce severe artifacts in CT images, which degrades the image quality. It is an effective method to reduce metal artifacts by replacing the metal affected projection with the forward projection of a prior image. How to find a good prior image is the key of this class methods, and numerous algorithms have been proposed to address this issue recently. In this work, by using image mutual correlation, pixels in the original reconstructed image or linear interpolation corrected image, which are less affected by artifacts, are selected to build a combined image. Thereafter, a better prior image is generated from the combined image by using tissue classification. The results of three patients' CT images show that the proposed method can reduce metal artifacts remarkably.

研究动机与目标

• 解决CT成像中金属伪影带来的诊断质量下降和临床解读复杂化问题。
• 克服现有基于先验图像的金属伪影减少方法仅依赖单一图像源且易出现组织分类错误的局限性。
• 通过利用原始图像与基于线性插值的MAR校正图像之间的互补信息，提升先验图像质量。
• 开发一种鲁棒方法，相比单一图像源的先验图像生成技术，能更有效地减少伪影。

提出的方法

• 使用图像互相关性识别原始重建图像与LI-MAR校正图像中受金属伪影影响最小的像素。
• 通过融合两幅图像中的低伪影像素构建综合图像，最大限度保留结构与强度信息，减少失真。
• 对综合图像进行组织分类，以生成更精确的先验图像，降低因伪影导致的误分类。
• 对生成的先验图像执行前向投影，以估计并替换原始 sinogram 中受金属影响的投影数据。
• 在完成的 sinogram 上使用滤波反投影（FBP）进行最终图像重建，从而实现伪影减少。
• 通过阈值分割法在原始图像中识别金属区域，并利用前向投影计算其对应的金属轨迹，用于投影替换。

实验结果

研究问题

• RQ1 结合原始图像与LI-MAR校正图像的信息，是否能提升用于金属伪影减少的先验图像质量？
• RQ2 使用互相关性从两幅不同图像中选择低伪影像素，是否能带来更优的组织分类结果并减少伪影？
• RQ3 与仅使用单一图像源（原始图像或LI-MAR校正图像）的基于先验图像的MAR方法相比，所提出方法在伪影减少性能上表现如何？
• RQ4 所提出方法是否能有效抑制金属植入物周围区域的条纹伪影与高密度伪影，尤其是在复杂解剖区域？

主要发现

• 所提出方法显著减少了CT图像中的金属伪影，尤其在严重条纹伪影与阴影区域表现突出，三个患者病例已验证该效果。
• 对于患者1（金属夹），所提出方法消除了FP-MAR1与FP-MAR2中均存在的伪影与错误组织分类，生成了更清晰的校正图像。
• 对于患者2（牙科填充物），所提出方法在减少条纹伪影及金属植入物附近伪影方面优于LI-MAR、FP-MAR1与FP-MAR2。
• 对于患者3（髋关节假体），所提出方法性能与使用高质量先验图像的FP-MAR1相当，证实了组合先验图像生成的有效性。
• 该方法成功避免了单一图像源先验图像生成中常见的错误组织分类问题，尤其在具有高密度变化的骨组织区域表现更优。
• 结果表明，通过互相关性融合多幅图像的信息，可生成更鲁棒、更精确的先验图像，从而显著提升整体伪影减少效果。