Research Progress of Scattering Artifact Correction in Medical Cone-beam Computed Tomography Imaging Based on Deep Learning
-
摘要: 医用计算机断层扫描成像系统中，X射线与物体相互作用产生的康普顿散射光子严重影响了图像质量，尤其在锥形束计算机断层扫描和多层探测器系统中。目前已有许多散射伪影校正方法，归纳为3类：硬件校正、软件校正、软硬件混合校正方法，但近年随着计算机计算能力的提高以及深度学习在医学图像处理领域的发展，出现了一些新的散射校正方法。本文首先介绍传统校正方法；然后详细介绍基于深度学习方法进行散射伪影校正，并将其分为基于图像域和基于投影域的深度学习方法，以及对不同的深度学习网络在散射伪影校正中的应用进行讨论；最后展望深度学习在多源计算机断层扫描技术中的应用前景。Abstract: In medical computed tomography imaging systems, Compton scattered photons generated by the interaction between X-rays and objects have a serious impact on image quality, especially in cone-beam computed tomography and multi-layer detector systems. Currently, there are many scattering artifact correction methods, which can be classified into three categories: hardware, software, and hybrid software and hardware correction methods. However, with the advances in computing power and development of deep learning in medical image processing, new methods of scattering artifact correction have appeared in recent years. This study first introduces traditional correction methods. Then, a method of scattering artifact correction based on deep learning is described in detail, which is divided into the correction method based on image domain and the correction method based on projection domain. Various deep-learning neural networks for this method are also introduced in detail. Finally, the application prospects of the deep learning method in multi-source computed tomography imaging scattering artifacts were probed .
-
Keywords:
- X-ray optics /
- deep learning /
- Compton scattering /
- cone-beam CT /
- artifact correction
-
计算机断层扫描技术（computed tomography，CT）是利用X射线从多个方向照射待测物体，得到透射X射线量，并使用数学方法重建出物体某一断层上X射线衰减系数分布图，重现物体内部结构信息的一种技术。该技术凭借诊断价值高、成像速度快和待测物体无损等优势，广泛应用于医用诊断、辅助放疗、工业测量和动物实验等领域。然而随CT技术不断发展，CT图像的伪影问题也日益凸显，包括射束硬化伪影、散射伪影、金属伪影、运动伪影以及混淆伪影等，其中X射线散射导致采集图像出现杯状伪影或高衰减物质间的条状或带状的散射伪影，降低图像对比度，使CT值不准确，严重影响图像质量[1]。
目前，医用锥形束CT（cone-beam computed tomography，CBCT）散射伪影校正一直是一个亟待解决的问题，人们也研究出许多去除散射伪影的方法，并将其分为：硬件校正方法、软件校正方法、软硬件混合校正方法[2-4]，有研究表明，近年来发展的深度学习方法的校正效果优于常用的传统校正方法[5-6]。
本文介绍传统的医用CBCT散射伪影校正方法，重点介绍基于深度学习的医用CBCT散射伪影校正，将其按数据集分为基于投影域的学习方法和基于图像域的学习方法，并简述两者优缺点；其次从深度学习网络结构的角度分析不同网络的优劣；最后对深度学习方法用于医用CBCT散射伪影校正的前景进行展望。
1. CT散射伪影
1.1 CT散射伪影的产生
医用CT的能量范围一般在20～140 keV，在此范围内，X射线与物质的相互作用有3种：光电效应、康普顿散射和瑞利散射[7]。光电效应产生次级粒子：光电子、俄歇电子和特征X射线，其中特征X射线，由于其能量较低，在患者体内被完全吸收，不会产生到达探测器影响图像质量的光子。
康普顿散射和瑞利散射则都会产生偏离X射线光子路径的散射光子，并被探测器接收，但有研究表明，两种散射效应中，康普顿效应占主导地位。由于散射效应的存在，导致采集图像出现杯状伪影或高衰减物质间的条状或带状伪影，降低图像对比度，使CT值不准确，影响图像质量[1]，因此对散射伪影的校正非常必要。
1.2 CT散射伪影的校正方法
锥形束CT系统通常指带平板探测器和开放式旋转机架的CT系统，然而随着多层螺旋CT层数的增加，多层螺旋CT系统几何成像也越接近于CBCT系统[8]，因此，介绍的医用CBCT散射伪影校正方法包括带平板探测器的CBCT系统和多层螺旋CT系统的散射校正方法。
硬件校正，即在X射线成像系统的各个部件上添加一些校正工具以减少到达探测器的散射线，或者改变初始射线的能量和能谱分布[2]，包括：准直器校正、反散射栅校正、滤线板校正、空气隙校正等。准直器校正是通过垂直置于探测器前的高吸收系数的薄板吸收散射线来进行校正，其结构如图1（a）所示，该方法在扇形束CT中的校正效果明显，可以去除89％ 左右的散射线[9]，在锥形束CT中的校正效果不明显。反散射栅校正通过置于探测器前的栅格来阻止散射线到达探测器，其结构如图1（b）所示，该方法在高X射线散射条件（大的被测物体和大的照射野）、高成像剂量和低分辨率重建，散射情况得到明显改善，在低剂量和低散射条件下，会损害图像质量，增加图像噪声，而散射也不会被很好地去除[10-11]；也有学者研究移除反散射栅带来的网格伪影来提高校正图像质量[12]。滤线板校正则置于X射线出口处，吸收易发生散射的低能X射线，改善X射线质量，剩余的高能X射线具有较好的前向性，减少了散射[13]，其结构如图1（c）所示。空气隙校正通过增加物体与探测器之间的距离，来进行散射校正，其结构如图1（d）所示，该方法受到投影放大比的限制会使得图像变模糊[14-15]。
软件校正，即利用得到的X射线投影图像，依据数字图像处理的方法，通过对图像本身的分析和被扫描物体性质的估计，得到散射分布图来进行校正[2]，包括：卷积法和反卷积法、蒙特卡洛（Monte Carlo，MC）模拟校正方法、玻尔兹曼运输方程散射估计方法、深度学习方法等。卷积法是把CT扫描得到的初级射线强度
$ {I_p} $ 与散射点扩展函数$ {h_{{\rm{PSF}}}} $ 进行卷积，再与权重函数$ {W_{(T)}} $ 相乘得到散射强度${I_s} = {W_{(T)}} \cdot {I_p} * {h_{{\rm{PSF}}}}$ [16]，并通过实验来获得改进的散射点扩展函数中的相关系数以及权重函数，该方法非常依赖所设置的实验条件，不能提供所有可能的CT场景且完全正确的散射估计[16-18]。MC方法是随着计算机计算能力的发展而出现的以概率统计理论为指导的一类数值计算方法，该方法能够精确地模拟粒子运输，被认为是锥形束CT散射伪影校正的金标准[19]，但真实模拟实际的物理过程，导致其计算量大，模拟速度缓慢[20]；有许多学者也研究了MC方法的加速策略，如使用GPU加速计算过程，使用低光子数的MC仿真[21]，使用深度学习方法得到低光子数到高光子数的图像映射[22]，减少对未到达探测器粒子的追踪[23]；使用MC和卷积核混合方法[24]等。玻尔兹曼运输方程散射估计方法首先将CT投影过程划分为3个步骤：射线源到扫描对象的光子追踪、光子在扫描对象内的吸收或散射、扫描对象中所有体素到每个探测器像素的散射通量追踪，然后使用线性玻尔兹曼输运方程确定性求解器计算每个步骤中的光子和散射光子的路径，并得到探测器处的散射光子分布，有研究表明该方法可以在临床可接受的时间内获得可靠的校正精度，是一种很有潜力的MC替代方法[25-26]。软硬件混合校正的方法包括：散射校正板校正方法、初级射线调制校正方法等。散射校正板将一块嵌有规则排列的柱状金属的有机玻璃板，置于被测物体和探测器之间[27]，得到被金属阻挡位置上的散射情况，拟合得到整个散射分布，其硬件结构如图2（a）所示，校正原理如图2（c）所示，该方法需要被照射对象接受两次照射，增加患者的辐射剂量[28]。初级射线调制校正方法[29-30]将一片均匀布满突起的铝板或铜板，置于射线源和被测物体之间，形成不同的空间衰减，利用散射线的低频特性，使用高通滤波器对投影滤波，扣除散射线，得到校正后的图像[31]，其硬件结构如图2（b）所示，校正原理如图2（d）所示。还有学者提出一种时域初级射线调制校正方法，使用可移动的初级射线调制器来去除伪影[32]。
![]()
图 2 软硬件混合校正方法示意图Figure 2. Schematic diagram of the hybrid correction method of software and hardware此外，散射线校正方法还可被分为两种：预处理方法和后处理方法。预处理方法通过阻止散射光子到达探测器来去除散射伪影，包括：准直器校正、反散射栅校正、滤线板校正、空气隙校正。后处理方法从受散射污染的投影图像中估计散射信号，然后从投影图像中减去估计的散射值，生成散射校正后的投影数据，包括：卷积法、蒙特卡洛模拟校正方法、玻尔兹曼运输方程散射估计方法、散射校正板校正方法和初级射线调制校正方法[8]。
2. 深度学习在锥形束CT散射校正中的应用
近年来，随着计算机计算能力的提高，深度学习已经发展出许多应用，包括医学图像处理、医学图像分割、医学图像配准、医学图像分类、目标检测等[33]。一些学者也提出使用深度学习方法去除医用CBCT图像伪影，提高图像质量。2018年，Kida等[34]称首次开发出一种用于改善 CBCT图像质量的深度卷积神经网络的方法。此前2017年一篇会议论文[35]中也提出使用深度学习方法进行能谱CT图像的散射校正，该方法校正伪影的流程图如图3所示，首先使用含散射伪影的CBCT图像做深度学习网络模型训练的输入，不含散射伪影的CT图像做网络模型训练的标签来指导网络模型训练的过程，然后使用训练好的模型处理CBCT散射伪影图像，可以很好地解决散射伪影的问题并提高图像质量。
![]()
图 3 深度学习散射伪影校正方法的流程图Figure 3. Flow diagram of deep learning method for scattering artifact correction有研究证明深度学习校正结果优于散射核校正和混合校正的传统方法。在CT值准确性方面，深度学习网络方法较传统散射核估计方法和MC混合散射估计方法分别提高了75.5％ 和27.7％[5-6]，其可视化的校正效果如图4所示。
![]()
图 4 卷积核方法、卷积核与MC混合方法和深度学习方法校正散射伪影的对比图Figure 4. Comparison diagram of kernel-based scatter estimation (KSE), the hybrid scatter estimation (HSE) and deep scatter estimation (DSE) for scattering artifact correction深度学习去除散射伪影，按数据集可分为基于投影域的校正方法、基于图像域的校正方法以及基于投影域和图像域联合校正方法。
基于投影域的校正方法是指用于网络训练的数据是CT系统在不同角度采集的投影数据，网络训练结束后，输入带散射伪影的CBCT投影数据，可以获得校正后的CBCT投影数据，然后重建得到校正后的图像数据。
如表1，Hansen等[36]使用了30（15︰7︰8）个前列腺癌患者的放射治疗计划CT（plan CT，PCT）和CBCT投影数据来训练一个残差U-Net网络模型，网络包括5个下采样块和5个上采样块以及5个跳跃连接，每个下采样块和上采样块后面都添加一个残差连接块以便能更好地去除低频的散射伪影，文章首次对深度学习网络模型校正后的放疗CBCT图像的剂量测量精度进行综合评价，结果显示采用2％ 的剂量差标准，所有患者的容积调强放射治疗计划的通过率接近100％，有很高的剂量计算精度。Nomura等[37]使用Gate进行MC仿真得到数字模体的投影（14400︰200︰360）来训练一个经典的U-Net网络模型，包括4个下采样和4个上采样以及4个跳跃连接，使用残差学习模式：含伪影的投影数据（散射线和初级射线）做输入，仅伪影的投影数据（散射线）做标签，文章研究证明了深度学习模型的性能优于常规的散射校正方法（快速自适应散射核方法Fasks）。Lee等[38]也使用Gate进行MC仿真得到12960︰360对数字胸部投影数据来训练网络模型，包括两个CNN网络：一个低频Ls-Net，一个高频Hs-Net，Ls-Net通过扩展卷积层增加感受野以估计整个图像上缓慢变化的低频散射分量，Hs-Net使用传统的卷积层来估计快速变化的高频散射分量，结果显示训练好的网络模型只需要17.3 ms即可很好地完成单个投影的散射校正。Rusanov等[39]使用两个头部模体，一个胸部和一个盆腔模体采集的投影数据训练网络，两个患者的头颈部采集投影数据测试网络，文章使用Hansen等[36]的网络结构，改用仅包含散射的残差投影数据做训练标签，结果显示深度学习模型的性能优于Varian商用软件的校正效果。
表 1 基于深度学习神经网络的CBCT散射伪影校正的研究汇总Table 1. Research summary of CBCT scattering artifact correction based on deep learning neural network项目 作者 年份 数据模体 数据获取 数据集（训练︰测试/
训练︰验证︰测试）网络 MAE/HU SSIM 其他指标 耗时/s 基
于
投
影
域Hansen等[36] 2018 前列腺癌患者的盆腔 放射治疗PCT和CBCT 15︰7︰8（患者数） U-Net 144.000降至46.000 － ME/HU：138.000降至 -3.000 0.010/投影 Maier等[6] 2018 头部、胸部、盆腔 MC 仿真 22︰6（患者数） U-Net － － ME/HU：278.000降至6.000 0.010/投影 Nomura等[37] 2019 数字几何数字胸部和数字头部模体 Gate的MC仿真 14400︰200︰360 U-Net 头17.900胸29.000 头1.000
胸0.999PSNR/dB：头:37.200
胸：31.7004.800/360投影 Lee等[38] 2019 数字胸部模体 Gate的MC仿真 12960︰360 CNN － MC：0.960
CNN：0.992PSNR/dB：
MC：42.100
CNN：49.7200.017/投影 钟安妮[40] 2020 头颈癌患者的头颈部 gDRR和 gMMC包进行MC仿真 22︰3（患者数）
盆腔模体测试U-Net － 头0.999
盆腔0.999UIQI：头0.994盆腔0.997 头,盆腔:9.050,
9.670/360投影Lalonde等[41] 2020 头颈癌患者的头颈部 MCGPU包仿真患者CBCT投影 29︰9︰10（患者数） U-Net 69.640降至13.410 － ME/HU：-28.610降至 -0.801 0.014/投影 Ma等[22] 2020 头部盆腔 gCTD包进行MC
仿真头部：45︰45
盆腔测试Deep Q-Net － 0.990 PSNR/dB：36.050 dB 1.810/投影 Rusanov等[39] 2021 头胸腹模体和患者头颈部 放疗PCT和CBCT 8004︰1000（头胸腹模体︰患者头颈） U-Net 318.000降至74.000 0.750提升至
0.812CNR：6.690到13.900 20.000/500投影 基
于
图
像
域Kida等[34] 2018 前列腺癌患者的盆腔部 放射治疗PCT和CBCT 14400︰3600 U-Net － 脂肪0.965
肌肉0.969PSNR/dB：
脂肪50.600
肌肉51.30020.000/180切片 Xie等[42] 2018 肺癌患者的胸部 放射治疗PCT和CBCT 15︰5（患者数） Deep CNN － － PSNR/dB：7.889提升至8.823 0.008/切片 Jiang等[43] 2019 患者盆腔 MC-GPU包进行MC仿真 2400︰480︰320 U-NetRNM － 0.950提升至
0.990RMSE/HU：200.000降至20.000 27.000/160切片 Liang等[44] 2019 头颈癌患者头颈部以及一个真实头部模体 放射治疗PCT和CBCT 81（6480）︰9（720）︰20 CycleGAN 69.290 降至29.850 0.730提升至
0.850PSNR/dB：25.280提升至30.650 － 基
于
图
像
域Kurz等[45] 2019 前列腺癌患者的盆
腔部放射治疗PCT和CBCT 25︰8（患者数） CycleGAN 103.000降至87.000 － ME/HU：24.000降至
-6.00010.000/88切片 Harms等[46] 2019 头部盆腔 放射治疗PCT和CBCT 头部︰22︰2
盆腔︰19︰1（患者数）Res-CycleGAN 头部23.800降至13.000
盆腔56.300降至16.100－ PSNR/dB：头32.300提升至37.500。盆腔22.200提升至30.700 － Chen等[47] 2020 头颈癌患者头颈部 放射治PCT和CBCT 30（2400）︰7（560）︰7（560） U-Net 44.380降至18.980 0.711提升至0.891 PSNR：27.350提升至33.260 dB － Kida等[48] 2020 前列腺癌患者的盆
腔部放射治PCT和CBCT 16︰4（患者数） CycleGAN － 0.575提升至0.688 CT值：更接近PCT 1.000/32切片 Tien等[49] 2021 乳腺癌患者胸部 放射治PCT和CBCT 12（8706）︰
3（1150）Cycle-Deblur GAN 0.053降至0.024 0.987提升至0.996 PSNR/dB：24.435提升至30.560 0.170/切片 Dong等[50] 2021 前列腺癌患者的盆
腔部放射治疗PCT和CBCT 49︰9（患者数） CycleGAN 49.960降至14.600 0.728提升至0.825 PSNR/dB：26.820提升至32.500 － Qiu等[51] 2021 肺癌患者的胸部 放疗PCT和CBCT 4︰1（20患者） HM-Cycle-GAN 110.000降至66.200 0.850提升至0.910 PSNR/dB：23.000提升至30.300 － Liu等[52] 2021 患者胸部数据 放疗PCT和CBCT 32︰8︰12（患者数） GAN 70.560降至32.700 0.640提升至0.860 PSNR/dB：28.670提升至34.120 <1.000/切片 Park等[53] 2022 患者颌面部骨骼 多层螺旋CT和牙科CBCT 11000,11422(不配对):1100；6831︰1100（配对） GAN － － 骨强度/HU：1162.000提升至1220.000 0.200/切片 Zhang等[54] 2022 头颈癌患者头颈部 放疗PCT和CBCT 90︰30（患者数） Conditional GAN 36.230降至16.750 0.830提升至0.920 PSNR/dB：25.340提升至30.580 0.620/切片 投影
域与
图像
域Iskender
等[55]2021 数字钛棒模体和图像映射的数字胸部模体 MC仿真 27︰3（患者数） DCNN 钛棒35.000降至15.100
胸部35.800降至12.300钛棒0.988提升至0.997。
胸部0.860提升至0.975PSNR/dB：钛棒36.840提升至50.860。胸部26.850提升至37.150 2.000～4.000/重建体积 注：MAPE（mean absolute percentage error）平均绝对百分比误差，ME（mean error）平均误差，MAE（mean absolute error）平均绝对值误差，PSNR（peak signal to noise ratio）峰值
信噪比，SSIM（structured similarity indexing method）结构相似性指数方法，RMSE（root mean square error）均方根误差，UIQI（universal image quality Index）通用图像质量
指数，CNR（contrast-to-noise ratio）对比度噪声比，RNM（residual network modules）残差网络模型。基于图像域的校正方法是指用于网络训练的是重建后的图像数据，含散射伪影的图像数据做输入，不含散射伪影的图像数据做标签，以此来训练网络模型。
如表1，Kida等[34]使用了前列腺癌患者盆腔14400︰3600幅放疗PCT和CBCT图像数据，首次使用传统的U-Net网络模型去除CBCT图像的散射伪影，并使图像质量得到了明显的提高，但从文中可视化结果了解到，由于不完全匹配的输入和标签数据，使得校正结果的结构发生了形变。Xie等[42]使用20个肺癌患者胸部放疗图像数据，并经过PCT和CBCT初步配准和切割成小块图像再配准的两步配准法处理，确保PCT与CBCT图像间结构上的一致性，以及使用仅包含散射的残差图像做标签来训练CNN网络，结果显示在胸部数据集上能较好保留结构信息并提高图像质量。Jiang等[43]使用MC-GPU包仿真得到2400︰480︰320盆腔图像数据，提出了结合U-Net和残差学习框架的DRCNN方法，包括4个下采样和4个上采样，同时使用两个残差网络模块，一个添加在局部卷积层内，一个添加在全局网络模型的输入和输出之间，以减缓网络的梯度消失问题，优化网络学习的映射精度。Liang等[44]使用110例头颈癌患者头颈部图像数据PCT和CBCT，使用CycleGAN网络，包括两个生成器和两个鉴别器，并用未配对CBCT和PCT实现无监督学习的模型训练，结果显示CycleGAN网络将头颈癌患者CT值的平均绝对误差MAE从69.29 HU降低到29.85 HU，另外还证明了该模型优于DCGAN和PGGAN两种无监督深度学习的网络模型。Park等[53]使用牙科CBCT设备采集面部CBCT图像和多层螺旋CT采集CT图像，使用两次GAN网络模型，先使用未配对的数据训练一个非配对GAN网络模型以获取匹配的CBCT图像数据和相应生成CT图像数据再去训练另一个配对GAN网络模型，该模型能很好地去除伪影校正过程中生成的类骨伪影。
基于图像域和投影域联合去散射伪影是用原始投影和初始重建图像两部分数据作为深度学习网络的输入，训练网络参数以去除散射伪影。Iskender等[55]提出了一种基于卷积神经网络的深度学习方法，使用Gate平台对数字钛棒模体和医学图像映射模体进行仿真，获得训练集和测试集，用原始投影和初始重建图像两部分数据作为深度卷积神经网络的输入来训练模型以获得对应角度的散射分布，该方法充分利用模型训练前的先验信息，在峰值信噪比、结构相似性、平均绝对误差3方面都要优于Maier 2018年提出的DSE方法[6]，且训练的网络参数仅为U-Net网络的一半。
针对投影数据和图像数据训练网络模型的效果，有学者使用U-Net网络模型来验证，结果显示，图像域数据训练结果在放疗剂量评估方面的效果较好。Landry等[56]将U-Net网络分别应用于图像域和投影域的去伪影过程中，比较了3种不同的数据集对单个U-Net网络结构的训练：U-net1数据集是原始CBCT投影和校正CBCT投影，U-net2数据集是原始CBCT图像和经配准的PCT图像切片，U-net3数据集是原始CBCT图像和校正的CBCT投影重建图像切片，结果认为使用校正CBCT图像切片数据的U-Net3训练结果在质子束单野均匀照射中剂量评估效果最佳，对于电子束容积旋转调强放射治疗的剂量评估，所有的U-Net都提供了好的准确性，但基于投影域数据和基于图像域数据训练网络模型效果优劣的研究相对较少，还无法明确该问题的结果。
散射伪影校正方法所采用的深度学习网络模型既有监督学习网络模型，如U-Net、DCNN、CGAN等，又有无监督学习网络模型，如CycleGAN、CycleGAN变形等，主要与所获取的CBCT数据和CT数据是否对应匹配相关。有监督学习网络需要完全匹配的CBCT和CT数据，如MC仿真获取的数据集，模体扫描获取的数据集以及放疗获取的经配准的数据集，其中放疗获取的PCT和CBCT来自同一个患者在不同设备上的扫描结果，患者的体位往往会发生变化，且断层也无法精确对应患者的同一体层，即使经过复杂的配准过程也难以获得完全匹配的数据，往往会影响有监督学习网络的学习效果。而无监督学习网络无需对应匹配的数据即可实现CBCT图像转换为无伪影风格的图像，往往使用易于获得的放射治疗CBCT和PCT图像数据，该数据集的优点是数据来自真实的临床患者，能够反映患者复杂的组织结构，且数据样本多样。
针对有监督学习网络和无监督学习网络模型的训练效果，表1中不同实验选用数据集不尽相同，包括患者头颈数据、胸部数据、盆腔数据，头胸腹模体数据，MC包的模拟数据等；还有各实验结果的评估指标也不完全相同，无法直接通过表1比较不同实验中网络模型的校正效果。但有研究使用相同的数据集来比较有监督学习和无监督学习去除散射伪影的优劣，Rossi等[57]使用盆腔公共数据集，通过有监督学习U-Net网络和无监督学习CycleGAN网络来进行CBCT伪影校正，结果显示，有监督学习方法在定量分析中效果较优，相比于无监督学习，其CT值（62％ 相比于50％）、结构相似性指数（2.5％ 相比于1.1％）和峰值信噪比（15％ 相比于8％）都有所提高。然而定性结果显示，有监督学习方法由于成对图像之间的不匹配可能会导致边缘模糊、变形或某些解剖结构消失等错误。
无监督学习校正方法有较好的图像边界，但可能会损失图像细节，且模型参数多，训练时间长[49,51]，有研究通过改善模型来弥补存在的不足，如在生成器中添加inception block模块通过不同大小的卷积提取不同类型的特征优化网络 [49]，添加与直方图匹配有关的损失函数[51]等来保留图像结构细节。
3. 总结与展望
CBCT散射伪影的去除已经发展出许多优秀的传统方法，但各方法在校正准确性、模型复杂度、成像剂量、耗时等方面也存在一定的局限。计算机计算能力的不断提高以及深度学习网络在图像处理领域的发展，使得医学图像领域的诸多问题都能尝试使用深度学习的方法来解决，所以有研究将深度学习应用于提高图像质量或者伪影去除，在网络模型训练结束后，短时间即可获得好的校正结果，被证明是一种很有潜力的散射伪影去除方法。
然而对于医学图像处理而言，会更希望校正过程中能完全保留图像的解剖结构，不能去除掉原有结构或添加不存在的结构。基于这方面的考虑，在之后处理散射伪影的深度学习模型研究或模型改进的过程中，也许会更关注对图像结构保真度的研究以及进行更严格的效果评价，这样才有利于深度学习方法进行散射伪影校正的实际落地以及基于散射伪影校正的其他临床应用的发展，如：直接应用于诊断CT散射伪影校正，可以替代常用的基于散射核的方法和基于MC的混合方法；用于放疗定位CBCT伪影去除以便分次治疗CBCT上的精确剂量计算[36,41,43,45,56]；应用于放射治疗4D-CBCT图像的伪影校正[58]；应用于能谱CT散射伪影去除，为能谱CT的基物质图像分解提供更高质量的图像[35]等。然而，深度学习神经网络是一种数据驱动的方法，往往需要大量的数据去训练网络，才能得到好的去伪影效果。
基于单源多层探测器CT图像散射伪影校正已经发展了很多方法，且许多已经商用的多层探测器CT扫描仪可以得到好的去除散射伪影的图像。随着CT技术的进步以及临床需求的不断提高，对于多源CT的研究也逐渐成为一种趋势，多源CT可成倍地提高时间分辨率，有很好的低剂量和心脏成像的前景。然而相比于单源多层探测器CT的散射伪影，多源CT除了成对的源和探测器间的前向散射，还有不同的源和探测器对之间的交叉散射[59]。
有学者将单源多层探测器CT的伪影校正方法应用于双源或多源CT上来进行散射伪影校正，比如散射校正板校正方法[60]、蒙特卡洛模拟校正方法、基于物理模型的迭代方法[61]、初级射线调制校正方法[62]以及深度学习方法[63]等，然而对于多源CBCT散射伪影的研究仍然不够，还需要不断地探索和验证，尤其是深度学习方法的应用。
-
![]()
图 2 软硬件混合校正方法示意图
Figure 2. Schematic diagram of the hybrid correction method of software and hardware
![]()
图 3 深度学习散射伪影校正方法的流程图
Figure 3. Flow diagram of deep learning method for scattering artifact correction
![]()
图 4 卷积核方法、卷积核与MC混合方法和深度学习方法校正散射伪影的对比图
Figure 4. Comparison diagram of kernel-based scatter estimation (KSE), the hybrid scatter estimation (HSE) and deep scatter estimation (DSE) for scattering artifact correction
表 1 基于深度学习神经网络的CBCT散射伪影校正的研究汇总
Table 1 Research summary of CBCT scattering artifact correction based on deep learning neural network
项目 作者 年份 数据模体 数据获取 数据集（训练︰测试/
训练︰验证︰测试）网络 MAE/HU SSIM 其他指标 耗时/s 基
于
投
影
域Hansen等[36] 2018 前列腺癌患者的盆腔 放射治疗PCT和CBCT 15︰7︰8（患者数） U-Net 144.000降至46.000 － ME/HU：138.000降至 -3.000 0.010/投影 Maier等[6] 2018 头部、胸部、盆腔 MC 仿真 22︰6（患者数） U-Net － － ME/HU：278.000降至6.000 0.010/投影 Nomura等[37] 2019 数字几何数字胸部和数字头部模体 Gate的MC仿真 14400︰200︰360 U-Net 头17.900胸29.000 头1.000
胸0.999PSNR/dB：头:37.200
胸：31.7004.800/360投影 Lee等[38] 2019 数字胸部模体 Gate的MC仿真 12960︰360 CNN － MC：0.960
CNN：0.992PSNR/dB：
MC：42.100
CNN：49.7200.017/投影 钟安妮[40] 2020 头颈癌患者的头颈部 gDRR和 gMMC包进行MC仿真 22︰3（患者数）
盆腔模体测试U-Net － 头0.999
盆腔0.999UIQI：头0.994盆腔0.997 头,盆腔:9.050,
9.670/360投影Lalonde等[41] 2020 头颈癌患者的头颈部 MCGPU包仿真患者CBCT投影 29︰9︰10（患者数） U-Net 69.640降至13.410 － ME/HU：-28.610降至 -0.801 0.014/投影 Ma等[22] 2020 头部盆腔 gCTD包进行MC
仿真头部：45︰45
盆腔测试Deep Q-Net － 0.990 PSNR/dB：36.050 dB 1.810/投影 Rusanov等[39] 2021 头胸腹模体和患者头颈部 放疗PCT和CBCT 8004︰1000（头胸腹模体︰患者头颈） U-Net 318.000降至74.000 0.750提升至
0.812CNR：6.690到13.900 20.000/500投影 基
于
图
像
域Kida等[34] 2018 前列腺癌患者的盆腔部 放射治疗PCT和CBCT 14400︰3600 U-Net － 脂肪0.965
肌肉0.969PSNR/dB：
脂肪50.600
肌肉51.30020.000/180切片 Xie等[42] 2018 肺癌患者的胸部 放射治疗PCT和CBCT 15︰5（患者数） Deep CNN － － PSNR/dB：7.889提升至8.823 0.008/切片 Jiang等[43] 2019 患者盆腔 MC-GPU包进行MC仿真 2400︰480︰320 U-NetRNM － 0.950提升至
0.990RMSE/HU：200.000降至20.000 27.000/160切片 Liang等[44] 2019 头颈癌患者头颈部以及一个真实头部模体 放射治疗PCT和CBCT 81（6480）︰9（720）︰20 CycleGAN 69.290 降至29.850 0.730提升至
0.850PSNR/dB：25.280提升至30.650 － 基
于
图
像
域Kurz等[45] 2019 前列腺癌患者的盆
腔部放射治疗PCT和CBCT 25︰8（患者数） CycleGAN 103.000降至87.000 － ME/HU：24.000降至
-6.00010.000/88切片 Harms等[46] 2019 头部盆腔 放射治疗PCT和CBCT 头部︰22︰2
盆腔︰19︰1（患者数）Res-CycleGAN 头部23.800降至13.000
盆腔56.300降至16.100－ PSNR/dB：头32.300提升至37.500。盆腔22.200提升至30.700 － Chen等[47] 2020 头颈癌患者头颈部 放射治PCT和CBCT 30（2400）︰7（560）︰7（560） U-Net 44.380降至18.980 0.711提升至0.891 PSNR：27.350提升至33.260 dB － Kida等[48] 2020 前列腺癌患者的盆
腔部放射治PCT和CBCT 16︰4（患者数） CycleGAN － 0.575提升至0.688 CT值：更接近PCT 1.000/32切片 Tien等[49] 2021 乳腺癌患者胸部 放射治PCT和CBCT 12（8706）︰
3（1150）Cycle-Deblur GAN 0.053降至0.024 0.987提升至0.996 PSNR/dB：24.435提升至30.560 0.170/切片 Dong等[50] 2021 前列腺癌患者的盆
腔部放射治疗PCT和CBCT 49︰9（患者数） CycleGAN 49.960降至14.600 0.728提升至0.825 PSNR/dB：26.820提升至32.500 － Qiu等[51] 2021 肺癌患者的胸部 放疗PCT和CBCT 4︰1（20患者） HM-Cycle-GAN 110.000降至66.200 0.850提升至0.910 PSNR/dB：23.000提升至30.300 － Liu等[52] 2021 患者胸部数据 放疗PCT和CBCT 32︰8︰12（患者数） GAN 70.560降至32.700 0.640提升至0.860 PSNR/dB：28.670提升至34.120 <1.000/切片 Park等[53] 2022 患者颌面部骨骼 多层螺旋CT和牙科CBCT 11000,11422(不配对):1100；6831︰1100（配对） GAN － － 骨强度/HU：1162.000提升至1220.000 0.200/切片 Zhang等[54] 2022 头颈癌患者头颈部 放疗PCT和CBCT 90︰30（患者数） Conditional GAN 36.230降至16.750 0.830提升至0.920 PSNR/dB：25.340提升至30.580 0.620/切片 投影
域与
图像
域Iskender
等[55]2021 数字钛棒模体和图像映射的数字胸部模体 MC仿真 27︰3（患者数） DCNN 钛棒35.000降至15.100
胸部35.800降至12.300钛棒0.988提升至0.997。
胸部0.860提升至0.975PSNR/dB：钛棒36.840提升至50.860。胸部26.850提升至37.150 2.000～4.000/重建体积 注：MAPE（mean absolute percentage error）平均绝对百分比误差，ME（mean error）平均误差，MAE（mean absolute error）平均绝对值误差，PSNR（peak signal to noise ratio）峰值
信噪比，SSIM（structured similarity indexing method）结构相似性指数方法，RMSE（root mean square error）均方根误差，UIQI（universal image quality Index）通用图像质量
指数，CNR（contrast-to-noise ratio）对比度噪声比，RNM（residual network modules）残差网络模型。
下载: 导出CSV
-
[1] JOSEPH P M, SPITAL R D. The effects of scatter in X-ray computed tomography[J]. Medical Physics, 1982, 9(4): 464−472. doi: 10.1118/1.595111
[2] 邵义文, 卢文婷, 周凌宏. 锥形束CT系统的散射校正方法分析[J]. 中国医学物理学杂志, 2008,25(3): 634−637. SHAO Y W, LU W T, ZHOU L H. Review of the methods for X-ray scatter correction in cone-beam CT system[J]. Chinese Journal of Medical Physics, 2008, 25(3): 634−637. (in Chinese).
[3] 张峰, 闫镔, 李建新, 等. 工业X-CT散射校正技术综述[J]. CT理论与应用研究, 2009,18(4): 34−43. ZHANG F, YAN B, LI J X, et al. Review of scatter correction on X-ray industrial computed tomography[J]. CT Theory and Applications, 2009, 18(4): 34−43. (in Chinese).
[4] 戎军艳, 刘文磊, 高鹏, 等. 锥束CT散射抑制方法综述[J]. CT理论与应用研究, 2016,25(2): 235−250. DOI: 10.15953/j.1004-4140.2016.25.02.15. RONG J Y, LIU W L, GAO P, et al. The review of scatter suppression methods in cone beam CT[J]. CT Theory and Applications, 2016, 25(2): 235−250. DOI: 10.15953/j.1004-4140.2016.25.02.15. (in Chinese).
[5] MAIER J, SAWALL S, KNAUP M, et al. Deep scatter estimation (DSE): Accurate real-time scatter estimation for X-ray CT using a deep convolutional neural network[J]. Journal of Nondestructive Evaluation, 2018, 37(3): 1−9.
[6] MAIER J, EULIG E, VöTH T, et al. Real-time scatter estimation for medical CT using the deep scatter estimation: Method and robustness analysis with respect to different anatomies, dose levels, tube voltages, and data truncation[J]. Medical Physics, 2019, 46(1): 238−249. doi: 10.1002/mp.13274
[7] HSIEH J. 计算机断层成像技术: 原理、设计、伪像和进展[M]. 张朝宗, 郭志平, 王贤刚, 等, 译. 1版. 北京: 科学出版社, 2006: 22-25. [8] NIU T, ZHU L. Overview of X-ray scatter in cone-beam computed tomography and its correction methods[J]. Current Medical Imaging, 2010, 6(2): 82−89. doi: 10.2174/157340510791268515
[9] ENDO M, TSUNOO T, SATOH K, et al. Performance of cone-beam CT using a flat-panel imager[C]// Medical Imaging 2001: Physics of Medical Imaging. SPIE, 2001: 815-821.
[10] SIEWERDSEN J H, MOSELEY D J, BAKHTIAR B, et al. The influence of antiscatter grids on soft-tissue detectability in cone-beam computed tomography with flat-panel detectors: Antiscatter grids in cone-beam CT[J]. Medical Physics, 2004, 31(12): 3506−3520. doi: 10.1118/1.1819789
[11] KYRIAKOU Y, KALENDER W. Efficiency of antiscatter grids for flat-detector CT[J]. Physics in Medicine & Biology, 2007, 52(20): 6275.
[12] COBOS S F, NIKOLOV H N, POLLMANN S I, et al. Reduction of ring artifacts caused by 2D anti-scatter grids in flat-panel CBCT[C]//Medical Imaging 2020: Physics of Medical Imaging, 2020, International Society for Optics and Photonics: 1131228: 537-543.
[13] 张定华. 锥束CT技术及其应用[M]. 1版. 西安: 西北工业大学出版社, 2010: 142-155. [14] NEITZEL U. Grids or air gaps for scatter reduction in digital radiography: A model calculation[J]. Medical Physics, 1992, 19(2): 475−481. doi: 10.1118/1.596836
[15] RüHRNSCHOPF E P, KLINGENBECK K. A general framework and review of scatter correction methods in X-ray cone-beam computerized tomography. Part 1: Scatter compensation approaches[J]. Medical Physics, 2011, 38(7): 4296−4311. doi: 10.1118/1.3599033
[16] NAIMUDDIN S, HASEGAWA B, MISTRETTA C A. Scatterglare correction using a convolution algorithm with variable weighting[J]. Medical Physics, 1987, 14(3): 330−334. doi: 10.1118/1.596088
[17] 谢世朋, 丁铭晨. 基于自适应点扩散函数的锥束CT散射校正[J]. 中国医学影像技术, 2015,31(11): 1763−1767. doi: 10.13929/j.1003-3289.2015.11.041 XIE S P, DING M C. Scatter correction for cone beam CT using self-adaptive scattered point spread function[J]. Chinese Journal of Medical Imaging Technology, 2015, 31(11): 1763−1767. (in Chinese). doi: 10.13929/j.1003-3289.2015.11.041
[18] BHATIA N, TISSEUR D, LéTANG J. Convolution-based scatter correction using kernels combining measurements and Monte Carlo simulations[J]. Journal of X-ray Science and Technology, 2018, 25(4): 613−628.
[19] ROGERS D. Fifty years of Monte Carlo simulations for medical physics[J]. Physics in Medicine & Biology, 2006, 51(13): R287.
[20] 闫浩, 牟轩沁, 罗涛, 等. 锥束X射线CT投影的蒙特卡罗仿真[J]. 西安交通大学学报, 2008,42(4): 414−417. doi: 10.3321/j.issn:0253-987X.2008.04.007 YAN H, MOU X Q, LUO T, et al. Monte Carlo simulation of cone-beam X-ray computer tomography projection[J]. Journal of Xi’an Jiaotong University, 2008, 42(4): 414−417. (in Chinese). doi: 10.3321/j.issn:0253-987X.2008.04.007
[21] COLIJN A P, BEEKMAN F J. Accelerated simulation of cone beam X-ray scatter projections[J]. IEEE Transactions on Medical Imaging, 2004, 23(5): 584−590.. doi: 10.1109/TMI.2004.825600
[22] MA J, PIAO Z, HUANG S, et al. Monte Carlo simulation fused with target distribution modeling via deep reinforcement learning for automatic high-efficiency photon distribution estimation[J]. Photonics Research, 2021, 9(3): B45−B56. doi: 10.1364/PRJ.413486
[23] XU Y, CHEN Y, TIAN Z, et al. Metropolis Monte Carlo simulation scheme for fast scattered X-ray photon calculation in CT[J]. Optics Express, 2019, 27(2): 1262−1275. doi: 10.1364/OE.27.001262
[24] BAER M, KACHELRIEß M. Hybrid scatter correction for CT imaging[J]. Physics in Medicine & Biology, 2012, 57(21): 6849.
[25] MASLOWSKI A, WANG A, SUN M S, et al. Acuros CTS: A fast, linear Boltzmann transport equation solver for computed tomography scatter. Part I: Core algorithms and validation[J]. Medical Physics, 2018, 45(5): 1899−1913. doi: 10.1002/mp.12850
[26] WANG A, MASLOWSKI A, MESSMER P, et al. Acuros CTS: A fast, linear Boltzmann transport equation solver for computed tomography scatter. Part II: System modeling, scatter correction, and optimization[J]. Medical Physics, 2018, 45(5): 1914−1925. doi: 10.1002/mp.12849
[27] 李双镭, 张丽, 陈志强, 等. 450 keV锥束CT系统的散射校正研究[J]. 核电子学与探测技术, 2006,26(6): 908−908. doi: 10.3969/j.issn.0258-0934.2006.06.059 LI S L, ZHANG L, CHEN Z Q, et al. X-ray scatter correction algorithm for 450 keV cone-beam CT system[J]. Nuclear Electronics & Detection Technology, 2006, 26(6): 908−908. (in Chinese). doi: 10.3969/j.issn.0258-0934.2006.06.059
[28] 唐天旭, 段晓礁, 周志政, 等. 基于散射校正板的锥束微纳CT系统的散射校正[J]. 光学学报, 2019,39(8): 0834001. doi: 10.3788/AOS201939.0834001 TANG T X, DUAN X J, ZHOU Z Z, et al. Scatter correction based on beam stop array for cone-beam micro-computed tomography[J]. Acta Optica Sinica, 2019, 39(8): 0834001. (in Chinese). doi: 10.3788/AOS201939.0834001
[29] GAO H, FAHING R, BENNETT N R, et al. Scatter correction method for X-ray CT using primary modulation: Phantom studies[J]. Medical Physics, 2010, 37(2): 934−946. doi: 10.1118/1.3298014
[30] ZHU L, BENNETT N R, FAHRIG R. Scatter correction method for X-ray CT using primary modulation: Theory and preliminary results[J]. IEEE transactions on medical imaging, 2006, 25(12): 1573−1587.
[31] GAO H, ZHU L, FAHRIG R. Virtual scatter modulation for X-ray CT scatter correction using primary modulator[J]. Journal of X-ray Science and Technology, 2017, 25(6): 1−17.
[32] SCHöRNER K. Development of methods for scatter artifact correction in industrial X-ray cone-beam computed tomography[D]. München: Technische Universität München, 2012.
[33] LITJENS G, KOOI T, BEJNORDI B E, et al. A survey on deep learning in medical image analysis[J]. Medical Image Analysis, 2017, 42: 60−88. doi: 10.1016/j.media.2017.07.005
[34] KIDA S, NAKAMOTO T, NAKANO M, et al. Cone beam computed tomography image quality improvement using a deep convolutional neural network[J]. Cureus, 2018, 10(4): e2548.
[35] XU S, PRINSEN P, WIEGERT J, et al. Deep residual learning in CT physics: Scatter correction for spectral CT[C]//2017 IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC), October 21-28, 2017, Atlanta, GA, USA. New York: IEEE, 2017: 1-3.
[36] HANSEN D C, LANDRY G, KAMP F, et al. ScatterNet: A convolutional neural network for cone-beam CT intensity correction[J]. Medical Physics, 2018, 45(11): 4916−4926. doi: 10.1002/mp.13175
[37] NOMURA Y, XU Q, SHIRATO H, et al. Projection-domain scatter correction for cone beam computed tomography using a residual convolutional neural network[J]. Medical Physics, 2019, 46(7): 3142−3155. doi: 10.1002/mp.13583
[38] LEE H, LEE J. A deep learning-based scatter correction of simulated X-ray images[J]. Electronics, 2019, 8(9): 944. doi: 10.3390/electronics8090944
[39] RUSANOV B, EBERT M A, MUKWADA G, et al. A convolutional neural network for estimating cone-beam CT intensity deviations from virtual CT projections[J]. Physics in Medicine & Biology, 2021, 66(21): 215007.
[40] 钟安妮. 基于深度卷积神经网络的CT/CBCT图像伪影校正方法研究[D]. 广州: 南方医科大学, 2020: 44-59 ZHONG A N. Artifact correction of CT/CBCT image based on deep convolutional network[D]. Guangzhou: Southern Medical University, 2020: 44-59. (in Chinese).
[41] LALONDE A, WINEY B, VERBURG J, et al. Evaluation of CBCT scatter correction using deep convolutional neural networks for head and neck adaptive proton therapy[J]. Physics in Medicine & Biology, 2020, 65(24): 245022.
[42] XIE S, YANG C, ZHANG Z, et al. Scatter artifacts removal using learning-based method for CBCT in IGRT system[J]. IEEE Access, 2018, 6: 78031−78037. doi: 10.1109/ACCESS.2018.2884704
[43] JIANG Y, YANG C, YANG P, et al. Scatter correction of cone-beam CT using a deep residual convolution neural network (DRCNN)[J]. Physics in Medicine & Biology, 2019, 64(14): 145003.
[44] LIANG X, CHEN L, NGUYEN D, et al. Generating synthesized computed tomography (CT) from cone-beam computed tomography (CBCT) using CycleGAN for adaptive radiation therapy[J]. Physics in Medicine & Biology, 2019, 64(12): 125002.
[45] KURZ C, MASPERO M, SAVENIJE M H, et al. CBCT correction using a cycle-consistent generative adversarial network and unpaired training to enable photon and proton dose calculation[J]. Physics in Medicine & Biology, 2019, 64(22): 225004.
[46] HARMS J, LEI Y, WANG T, et al. Paired cycle-GAN: Based image correction for quantitative cone-beam computed tomography[J]. Medical Physics, 2019, 46(9): 3998−4009. doi: 10.1002/mp.13656
[47] CHEN L, LIANG X, SHEN C, et al. Synthetic CT generation from CBCT images via deep learning[J]. Medical Physics, 2020, 47(3): 1115−1125. doi: 10.1002/mp.13978
[48] KIDA S, KAJI S, NAWA K, et al. Visual enhancement of cone-beam CT by use of cycleGAN[J]. Medical Physics, 2020, 47(3): 998−1010.. doi: 10.1002/mp.13963
[49] TIEN H J, YANG H C, SHUENG P W, et al. Cone-beam CT image quality improvement using cycle-deblur consistent adversarial networks (cycle-deblur GAN) for chest CT imaging in breast cancer patients[J]. Scientific Reports, 2021, 11(1): 1−12. doi: 10.1038/s41598-020-79139-8
[50] DONG G, ZHANG C, LIANG X, et al. A deep unsupervised learning model for artifact correction of pelvis cone-beam CT[J]. Frontiers in Oncology, 2021: 11.
[51] QIU R L, LEI Y, SHELTON J, et al. Deep learning-based thoracic CBCT correction with histogram matching[J]. Biomedical Physics & Engineering Express, 2021, 7(6): 065040.
[52] LIU J, YAN H, CHENG H, et al. CBCT-based synthetic CT generation using generative adversarial networks with disentangled representation[J]. Quantitative Imaging in Medicine and Surgery, 2021, 11(12): 4820. doi: 10.21037/qims-20-1056
[53] PARK H S, JEON K, LEE S H, et al. Unpaired-paired learning for shading correction in cone-beam computed tomography[J]. IEEE Access, 2022, 10: 26140−26148. doi: 10.1109/ACCESS.2022.3155203
[54] ZHANG Y, DING S G, GONG X C, et al. Generating synthesized computed tomography from CBCT using a conditional generative adversarial network for head and neck cancer patients[J]. Technology in Cancer Research & Treatment, 2022, 21: 15330338221085358.
[55] ISKENDER B, BRESLER Y. Scatter correction in X-ray CT by physics-inspired deep learning[J]. arXiv Preprint arXiv: 2103.11509, 2021.
[56] LANDRY G, HANSEN D, KAMP F, et al. Comparing Unet training with three different datasets to correct CBCT images for prostate radiotherapy dose calculations[J]. Physics in Medicine & Biology, 2019, 64(3): 035011.
[57] ROSSI M, CERVERI P. Comparison of supervised and unsupervised approaches for the generation of synthetic CT from cone-beam CT[J]. Diagnostics, 2021, 11(8): 1435. doi: 10.3390/diagnostics11081435
[58] DONG G, ZHANG C, DENG L, et al. A deep unsupervised learning framework for the 4D CBCT artifact correction[J]. Physics in Medicine & Biology, 2022, 67(5): 055012.
[59] ENGEL K J, HERRMANN C, ZEITLER G. X-ray scattering in single- and dual-source CT[J]. Medical Physics, 2008, 35(1): 318−332.
[60] GONG H, YAN H, JIA X, et al. X-ray scatter correction for multi-source interior computed tomography[J]. Medical Physics, 2017, 44(1): 71−83. doi: 10.1002/mp.12022
[61] GONG H, LI B, JIA X, et al. Physics model-based scatter correction in multi-source interior computed tomography[J]. IEEE Transactions on Medical Imaging, 2017, 37(2): 349−360.
[62] PIVOT O, FOURNIER C, TABARY J, et al. Scatter correction for spectral CT using a primary modulator mask[J]. IEEE Transactions on Medical Imaging, 2020, 39(6): 2267−2276. doi: 10.1109/TMI.2020.2970296
[63] ERATH J, VöTH T, MAIER J, et al. Deep learning-based forward and cross-scatter correction in dual-source CT[J]. Medical Physics, 2021, 48(9): 4824−4842. doi: 10.1002/mp.15093
-
期刊类型引用(3)
1. 钱金栋，孙建国. 深度学习在肿瘤智能放疗中的发展与展望. 中国医疗设备. 2025(01): 149-153 . 
百度学术
2. 柴世杰，黄魁东，杨富强，赵举龙. 基于多尺度生成对抗网络的锥束CT图像耦合伪影校正方法. 仪器仪表学报. 2024(09): 44-54 . 百度学术
3. 明鑫，杨成文，孟慧鹏，翟贺争，程钰翔，杨淼龙. 基于U-Net模型从低能锥形束CT图像实现高能成像的研究. 中华放射医学与防护杂志. 2023(09): 741-746 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 1042
- HTML全文浏览量: 290
- PDF下载量: 225
- 被引次数: 6
