基于NL-PF和MIMS的CT金属伪影消除算法

１６８　２００８．４４（２４）　Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ计算机工程与应用　

◎图形、图像、模式识别◎　

基于ＮＬ—ＰＦ和ＭＩＭＳ　的ＣＴ金属伪影消除算法　

马建华，杨迪，黄静，陈武凡　

ＭＡ　Ｊｉａｎ—ｈｕａ，ＹＡＮＧ　Ｄｉ，ＨＵＡＮＧ　Ｊｉｎｇ，ＣＨＥＮ　Ｗｕ—ｆａｎ　

南方医科大学生物医学工程学院医学信息研究所，广州５１０５１５　Ｉｎｓｔｉｔｕｔｅ　０ｆ　Ｍｅｄｉｃａｌ　Ｉｎｆｏｒｍａｔｉｏｎ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｓｃｈｏｏｌ　ｏｆ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｏｕｔｈｅｒｎ　Ｍｅｄｉｃａｌ　Ｕｎｉｖｅｒｓｉｔｙ，Ｇｕａｎｇｚｈｏｕ　５１０５１５，Ｃｈｉｎａ　

Ｅ－ｍａｉｌ：ｊｈｍａ＠ｆｉｍｍｕ．ｃｏｎ　

ＭＡ　Ｊｉａｎ—ｈｕａ．ＹＡＮＧ　Ｄｉ，ＨＵＡＮＧ　Ｊｉｎｇ，ｅｔ　ａ１．Ｎｏｎ—Ｌｏｃａｌ　Ｉｒｅ—Ｆｉｌｔｅｒ　ａｎｄ　Ｍｕｔｕａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｍａｘｉｍｉｚｅｄ　Ｓｅｇｍｅｎｔａｔｉｏｎ　ｂａｓｅｄ　ｍｅｔａｌ　ａｒｔｉｆａｃｔ　ｒｅｄｕｃｔｉｏｎ　ｉｎ　ｃｏｍｐｕｔｅｄ　ｔｏｍｏｇｒａｐｈｙ．Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ａｐｐｌｉｃａｔｉｏｎｓ，２００８，４４（２４）：１６８—１７１．　

Ａｂｓｔｒａｃｔ：Ｔｏ　ｄｅｖｅｌｏｐ　ａ　ｃｏｒｒｅｃｔｉｖｅ　ｍｅｔｈｏｄ　ｉｎ　ｗｈｉｃｈ　ｔｈｅ　ｄｉｓｔｏｒｔｅｄ　ｓｅｇｍｅｎｔｓ　ｉｎ　ｓｉｎｏｇｒａｍ　ａｒｅ　ｉｄｅｎｔｉｆｉｅｄ　ａｎｄ　ｉｎｔｅｒｐｏｌａｔｅｄ　ｕｓｉｎｇ　ｎｏｎ　ｄｉｓｔｏｒｔｅｄ　ｎｅｉｇｈｂｏｒ　ｐｒｏｊｅｃｔｉｏｎｓ．ｔｏ　ｒｅｄｕｃｅ　ｄｉｓｔｏｒｔｅｄ　ｔｏｍｏｇｒａｐｈｙ　ｍｅｔａｌ　ａｒｔｉｆａｃｔｓ　ｃａｕｓｅｄ　ｂｙ　ｈｉｇｈ—ｄｅｎｓｉｔｙ　ｏｂｊｅｃｔｓ．Ｆｉｒｓｔ，ｔｌｌｅ　Ｎｏｎ—Ｌｏｃａｌ　

Ｐｒｅ—Ｆｉｌｔｅｒ（ＮＬ—ＰＦ）ｒｅｄｕｃｅｓ　ｔｈｅ　ｎｏｉｓｅ　ｃｏｎｔｅｎｔ　ａｎｄ　ｓｍｏｏｔｈｅｓ　ｓｔｒｅａｋ　ａｒｔｉｆａｃｔｓ　ｉｎ　ＣＴ　ｉｍａｇｅ．Ｎｅｘｔ，ｔｈｅ　ｆｉｌｔｅｒｅｄ　ｉｍａｇｅ　ｉｓ　ｓｅｇｍｅｎｔｅｄ　ｉｎ—　ｔ０　ｓｅｖｅｒａ１　ｒｅｇｉ０ｎｓ　ｂｙ　Ｍｕｔｕａｌ　Ｉｎｆｏｒｍａｔｉ０ｎ　Ｍａｘｉｍｉｚｅｄ　Ｓｅｇｍｅｎｔａｔｉｏｎ（ＭＩＭＳ）．Ｔｈｅｎ　ｔｈｅ　ａｔｔｉｌａｃｔｓ　ｃｌａｓｓ　ｉｓ　ｃｏｎｖｅｒｔｅｄ　ｔｏ　ｔｈｅ　ＣＴ　ｎｕｍｂｅｒ　ｗｉｔｈ　ｔｈｅ　ｓｕｒｒｏｕｎｄｉｎｇ　ｍａｔｅｒｉａｌ，ｃａｌｌｅｄ“ａｒｔｉｆａｃｔ—ｔｉｓｓｕｅ”ｃｌａｓｓ，ａｎｄ　ａｆｔｅｒ　ｔｈａｔ　ａｎ“ａｒｔｉｆａｃｔ—ｔｉｓｓｕｅ　ｓｉｎｏｇｒａｍ　ｉｓ　ｐｒｏｄｕｃｅｄ　ｕｓｉｎｇ　ｆｏｒｗａｒｄ　

ｐｒｏｊｅｃｔｉｏｎ　ｍｅｔｈｏｄ．Ａ　ｆｉｎａｌ　ｉｍａｇｅ　ｉｓ　ｒｅｃｏｎｓｔｒｕｃｔｅｄ　ｂｙ　ｔｈｅ　ｆｉｌｔｅｒｅｄ　ｂａｃｋ—ｐｒｏｊｅｃｔｉｏｎ　ｆｒｏｍ　ａｐｐｒｏｐｒｉａｔｅｌｙ　ｃｏｍｂｉｎａｔｉｏｎ　ｏｆ　ｏｒｉｇｉｎａｌ　ｓｉｎｏ—　ｇｒａｍ　ａｎｄ　ａｒｔｉｆａｃｔｓ＇ｔｉｓｓｕｅ　ｓｉｎｏｇｒａｍ．Ｐｈａｎｔｏｍｓ　ｓｔｕｄｉｅｓ　ｓｈｏｗ　ｔｈａｔ　ｍｅｔａｌ　ａｒｔｉｆａｃｔｓ　ｉｎ　ＣＴ　ｉｍａｇｅ　ｃａｎ　ｂｅ　ｅｌｉｍｉｎａｔｅｄ　ｅｆｆｅｃｔｉｖｅｌｙ．Ｆｕｒｔｈｅｒ－　ｍｏｒｅ，ｔｈｉｓ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｉｍｐｒｏｖｅｓ　ｔｈｅ　ａｂｉｌｉｔｙ　ｏｆ　ｏｒｇａｎ　ｃｏｎｔｏｕｒｓ　ｄｅｔｅｃｔｉｏｎ．Ａｎｄ，ｔｈｉｓ　ｆｅａｔｕｒｅ　ｃａｎ　ｂｅ　ａｐｐｌｉｅｄ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｐｅｒ—　ｆｏｒｎｔａｎｃｅ　ｏｆ　ｒａｄｉａｔｉｏｎ　ｔｈｅｒａｐｙ．Ｔｈｅｓｅ　ｓｔｕｄｉｅｓ　ｄｅｍｏｎｓｔｒａｔｅ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｃａｎ　ｅｆｆｅｃｔｉｖｅｌｙ　ｒｅｄｕｃｅ　ＣＴ　ｍｅｔａｌ　ａｒｔｉｆａｃｔｓ　ｃａｕｓｅｄ　

ｂｙ　ｈｉｇｈ－ｄｅｎｓｉｔｙ．　Ｋｅｙ　ｗｏｒｄｓ：ｍｅｔａｌ　ａｒｔｉｆａｃｔｓ；Ｎｏｎ—ＬｏｃＮ　Ｐｒｅ—Ｆｉｌｔｅｒ；Ｍｕｔｕａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｍａｘｉｍｉｚｅｄ　Ｓｅｇｍｅｎｔａｔｉｏｎ（ＭＩＭＳ）；ａｒｔｉｆａｃｔ－ｔｉｓｓｕｅ　ｃｌａｓｓ　

摘要：建立了一套针对由金属伪影造成的ＣＴ图像质量退化的恢复算法。利用Ｎｏｎ—Ｌｏｃａｌ前置滤波（Ｎｏｎ—Ｌｏｃａｌ　Ｐｒｅ－ｆｉｌｔｅｒ，ＮＬ—　ＰＦ）对原始ＣＴ图像进行全局滤波，从而有效地滤除原始图像中的噪声并对射线状金属伪影进行了平滑，其后配合最大互信息量　分割算法（Ｍｕｔｕａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｍａｘｉｍｉｚｅｄ　Ｓｅｇｍｅｎｔａｔｉｏｎ，ＭＩＭＳ）从图像中分割出伪影成份，并利用其周围非伪影部分的像素对伪影　类像素进行插值处理得到一个称之为“伪组织”类的图像。最后，通过融合“伪组织”图像的ｓｉｎｏｇｒａｍ和原始ＣＴ图像的ｓｉｎｏｇｒａｍ，得　

到校正的ｓｉｎｏｇｒａｍ并采用滤波反投影重建算法完成金属伪影的ＣＴ校正图像。利用所提出的方法可以对含有金属伪影的ＣＴ图像　进行有效伪影消除，其中射线状伪影消除效果显著。另外，此方法还可以锐化器官轮廓，避免了临床上由于金属伪影导致的放射治　

疗效果下降。实验表明，金属伪影消除算法可以有效地消除高密度物体造成的金属伪影，从而提高临床诊断和治疗的效果提供技　术支持。　

关键词：金属伪影；Ｎｏｎ—Ｌｏｃａｌ前置滤波；最大互信息量分割；“伪组织”类　ＤＯＩ：１０．３７７８￣．ｉｓｓｎ．１００２—８３３１．２００８．２４．０５１　文章编号：１００２—８３３１（２００８）２４—０１６８—０４　文献标识码：Ａ　中图分类号：ＴＰ３９１　

１弓ｌ言　在影像诊断中高密度的物体，如金属植入物、外科固定器　

以及口腔填充物等，往往会在ｃＴ成像时造成严重的金属伪　影，以致严重影响临床诊断的效果。金属伪影产生的根本原因　

在于ＣＴ成像算法无法从遭到破坏的投影数据中重建出真实　的图像数据。　

针对此问题，大量的金属伪影校正方法相继被提出　，其　中多数为基于迭代格式的算法。２００６年Ｍａｔｔｈｉｅｕ等人口提出了　

一种基于方向性高斯自适应滤波器配合Ｋ均值聚类（Ｋ—ｍｅａｎｓ　Ｃｌｕｓｔｅｒ，ＫＭＣ）的ＣＴ图像伪影消除算法，其思路是首先对带有　金属伪影的ｃＴ图像所对应的投影数据（ｓｉｎｏｇｒａｍ）进行插值校　正，其后再经滤波反投影解析重建算法，获取有效地消除金属　伪影的ＣＴ图像。由于Ｍａｔｔｈｉｅｕ算法中，没有给出如何自适应　

确定Ｋ均值聚类时的分类数（ＮＣ）的相关策略，仅凭经验获取，　而此操作将直接影响有效区分伪影成分的精度。据文献ｆ１４—１５］　

所述，Ｍａｔｔｈｉｅｕ算法中方向性滤波器仅对具有线状结构的边缘　敏感，而对含有金属伪影的ＣＴ图像中的角状、曲线状和纹理　状伪影失去效力。鉴于Ｍａｔｔｈｉｅｕ算法的这两点不足，本文给出　

基金项目：国家重点基础研究发展规戈￣］（９７３）（ｔｈｅ　Ｎａｔｉｏｎａｌ　Ｇｒａｎｄ　Ｆｕｎｄａｍｅｎｔａｌ　Ｒｅｓｅａｒｃｈ　９７３　Ｐｒｏｇｒａｍ　ｏｆ　Ｃｈｉｎａ　ｕｎｄｅｒ　Ｇｒａｎｔ　Ｎｏ．２００３ＣＢ７１６１０１　ｏ　作者简介：马建华（１９７５一），博士，讲师，主要研究领域为医用ＣＴ／ＰＥＴ成像算法研究；陈武凡（１９４９一），教授，博士生导师，主要研究领域为医学图像　处理中数学方法。　收稿日期：２００８一Ｏ１一Ｏ８　修回日期：

２００８—０３—２４　维普资讯 http://www.cqvip.com 马建华，杨迪，黄静，等：基于ＮＬ—ＰＦ和ＭＩＭＳ的ＣＴ金属伪影消除算法　

了相应解决策略。　本文在Ｍａｔｔｈｉｅｕ算法框架下，提出了一种新的基于ｃＴ投　影数据校正的金属伪影消除方法。新方法首先采用Ｎｏｎ—Ｌｏｃａｌ　滤波算法　对ｃＴ金属伪影图像进行预处理，称之为Ｎｏｎ—Ｌｏ—　ｃａｌ前置滤波（Ｎｏｎ—Ｌｏｃａｌ　Ｐｒｅ—ｆｉｌｔｅｒ，ＮＬ—ＰＦ），其后采用最大互　

信息量分割算法（Ｍｕｔｕａｌ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｍａｘｉｍｉｚｅｄ　Ｓｅｇｍｅｎｔａｔｉｏｎ，　ＭＩＭＳ）【１５—１６］对滤波后图像进行自适应聚类分析，准确地获取图　像中的退化伪影成份。本文提出的新算法虽然是Ｍａｔｔｈｉｅｕ算法　的改进形式，但ＭＩＭＳ的引入可以有效地解决聚类数的自适应　选择问题，为更精确的金属伪影消除提供有力的支持。实验结　果表明，新算法可以有效消除ｃＴ图像中的金属伪影。　

２方法　

２．１　Ｎｏｎ—Ｌｏｃａｌ前置滤波器设计　

在Ｍａｔｔｈｉｅｕ等人［２１的研究中，其算法首先采用方向性高斯　自适应滤波器滤除带有金属伪影的原始ＣＴ图像中的噪声成　份并完成对射线状金属伪影的平滑处理　但Ａｎｔｏｎｉ　Ｂｕａｄｅｓ等　人＿ｌ引早前曾指出基于高斯函数的滤波器仅保留图像中的大体　区域，而对图像中的物体轮廓和精细结构带来模糊性。方向性　滤波器的引入在保留直线边界的同时，却对具有区域形态的伪　

影难以处理。一般而言，高斯滤波器与方向性滤波器的结合，可　以有效地对去除图像中具有区域形态和直线边界的噪声。然　而，针对具有金属伪影的ＣＴ图像而言，其伪影结构较为复杂，　

含有线状、角状、曲线边缘和纹理状伪影结构，方向性高斯自适　应滤波器将不能胜任。近来，Ａｎｔｏｎｉ　Ｂｕａｄｅｓ等人提出的Ｎｏｎ—　Ｌｏｃａｌ均值滤波为之提供了一种较为可行的噪声滤波方法，为　实现消除具有多几何结构的图像内的噪声提供了可能旧。因此，　本文用Ｎｏｎ－Ｌｏｃａｌ滤波作为本文ＣＴ图像金属伪影消除算法的　前置滤波器。　２．２最大互信息量图像分割算法　

图像分割算法用于将ｃＴ图像中的金属伪影精确分割，对　金属伪影消除起到关键性作用。常用的图像分割算法大致可以　

分成阈值法、聚类法和区域生长法。Ｍａｔｔｈｉｅｕ等人则采用ＫＭＣ　从原始ＣＴ图像中分割出金属伪影成份，用于金属伪影投影数　据的生成。ＫＭＣ属于典型的聚类算法，首先依据最小二乘原　理，构建用于迭代优化的目标函数，以期获取对图像的模糊性　划分。鉴于ＫＭＣ存在固有的不足：（１）强依赖于初始聚类中心　的选择；（２）难以保证全局收敛性；（３）必须预先设定分类数　

（ＮＣ），使得ＫＭＣ算法不能确保图像的自动优化分割精度，进　而Ｍａｔｔｈｉｅｕ等人采用的ＫＭＣ算法在一定程度上制约了ＣＴ图　像中金属伪影消除的彻底性。　为了克服ＫＭＣ算法的不足，达到自动优化分割的效果。本　文采用了ＭＩＭＳ对ｃＴ图像进行分割［Ｉ５＿　。ＭＩＭＳ是一种基于模　拟退火（Ｓｉｍｕｌａｔｅｄ　Ａｎｎｅａｌｉｎｇ）过程，以最大互信息量（删　）作为　优化分割目标，以互信息熵差（ｄＭ１）作为分类数判据的一种优　化阈值分割算法。在给定图像Ａ和Ｂ时，互信息量可以定义为：　

ＭＩ（Ａ，曰）＝日（Ａ）＋日（曰）一日（Ａ，曰）　其中，Ｈ（Ａ）和日（　分别为图像Ａ和曰的信息熵，Ｈ（Ａ，Ｂ）为　它们的联合信息熵。如果Ｐ　（ｎ）和Ｐ　（６）分别标示图像Ａ和曰　中灰度的概率密度分布，用Ｐ　（ａ，ｂ）表示图像Ａ、曰灰度的联合　概率密度分布，则互信息量（删　）还可表示为：