Metal artifact reduction on cervical CT images by deep residual learning

---

摘要

文章：https://doi.org/10.1186/s12938-018-0609-y

HUANG XIA, WANG JIAN, TANG FAN, et al. Metal artifact reduction on cervical CT images by deep residual learning[J]. BioMedical Engineering OnLine,2018(1). DOI:10.1186/s12938-018-0609-y.

---

背景：近距离放射治疗是宫颈癌最有效的治疗方法，对于近距离放射治疗，需要CT成像从而正确规划放射时的剂量。然而放射治疗的探头会引起金属伪影，因此需要开发一种有效的宫颈CT图像金属伪影消除算法。

方法：提出一种新的基于卷积神经网络的残差学习方法（RL-ARCNN）来减少宫颈CT图像中的金属伪影。具体地，第一步通过模拟金属伪影生成数据集，用于训练CNN。该数据集包括伪影插入、无伪影和伪影残留图像。然后训练RL-ARCNN网络以减少伪影，训练后的模型可用于宫颈CT图像的金属伪影去除。

结果：测试集上PSNR达到38.09，高于普通CNN网络的37.79，表明RL-ARCNN具有良好的伪影抑制效果。

结论：RL-ARCNN显著减少了金属伪影，提高了关键结构的可视化程度。金属伪影被有效地消除，无需原始投影数据和复杂的后处理过程。

一、方法

（一）数据生成

基于无伪影的CT图像生成含金属伪影的图像和伪影残留图像（即无伪影图像和含金属伪影图像的差异图）。
这种伪影生成方法很常见，基本上大部分有监督MAR方法都会用到这种模拟金属伪影，具体可见：

Zhang Y, Yu H. Conv