CMMM 计算和数学方法在医学 1748 - 6718 1748 - 670 x Hindawi 10.1155 / 2020/9324689 9324689 研究文章 一种新颖的三维运动模糊的CT图像重建算法 https://orcid.org/0000 - 0003 - 2494 - 8077 京 张 1 https://orcid.org/0000 - 0002 - 3798 - 7692 羌族 郭 2 https://orcid.org/0000 - 0002 - 8629 - 1990 方 汉 3 https://orcid.org/0000 - 0002 - 6719 - 5346 Zhan-Li 李 1 https://orcid.org/0000 - 0003 - 1805 - 8430 Hong-An 李 1 https://orcid.org/0000 - 0002 - 1286 - 0898 余 太阳 1 Moraru Luminita 1 计算机科学与技术 西安科技大学 西安710054年 中国 xust.edu.cn 2 信息科学与技术 西北大学 长安区 西安710127年 中国 nwu.edu.cn 3 美国肾脏学 青海大学附属医院 青海西宁810001 中国 qhu.edu.cn 2020年 1 6 2020年 2020年 02 01 2020年 13 04 2020年 30. 04 2020年 1 6 2020年 2020年 版权©2020张静et al。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

绝大多数医务人员迫切希望获得现实的和实时CT三维重建的结果。然而,自主或不随意运动的患者可引起模糊的CT图像。运动模糊的场景三维重建CT图像,本文包括两个部分:首先,GAN形象翻译网络去模糊算法消除模糊的结果。该算法采用清除图像监督培训过程的模糊图像,这将创建解决方案接近清晰的图像。其次,本文提出了行进中的多维数据集(MC)算法基于黄金分割的融合和等位面方向平滑(GI-MC) CT图像的三维重建。黄金分割算法用来计算相当于分和法向量,这减少了计算数字从四比一。等值面方向平滑算法计算法向量的平均值,以平滑所有三角形的补丁在空间排列的方向。实验结果表明,对于不同的模糊角度和模糊的振幅,比较的结果夏侬熵率和峰值信噪比,我们甘形象翻译网络去模糊算法比其它算法有更好的恢复。此外,对于不同类型的肝癌患者,我们GI-MC算法的重建精度为9.9%,7.7%,和3.9%高于传统的MC算法,李的算法,分别和Pratomo的算法。

 陕西省自然科学基金 2019年krm021 陕西省的教育部门 19 jk0541 中国的博士后研究基金会 2019年m663801 中国国家自然科学基金 61902311 1。介绍

x射线计算机断层扫描(CT) ( 1)是一种先进的解剖成像技术,它提供了清晰的图像分辨率小于0.5毫米。然而,CT可以只提供2 d图像的人体器官,在大多数情况下,医生不得不依靠他们的经验来估计病变的大小和形状从多个2 d图像。对于大多数医生,有一个现实的迫切需要和实时医疗三维器官的结果。三维可视化技术可以显示人体器官的三维形状 2),协助医生分析病变和周围组织,从而提供解剖结构通过传统方法无法得到的信息。在此基础上,手术规划orthomorphia和放疗可以意识到,从而大大提高了医学诊断的准确性。

CT成像的过程中,自主或不随意运动的患者可引起模糊的CT图像。自治运动包括无意识的运动或身体摇摆的老人或孩子。无意识的运动表示无法控制的患者(如帕金森症患者( 3])。由于病人的自主或非自治运动,CT图像会变得模糊,这会影响定量分析诊断和治疗的准确性。运动模糊是一个过程,一个图像的像素值是线性叠加在模糊角度和大小( 4]。当CT图像的每个像素的灰度值变化的运动,因此,图像的模糊重影在一定方向。

本文研究CT模糊的形象造成了病人的运动。太阳et al。 5)提出了一种迭代方法在重建运动估计和补偿。在每个迭代中,刚体运动分析了CT图像一个接一个;与此同时,系统矩阵更新。Zhang et al。 6)提出了运动补偿全变差正则化方法,进行运动补偿利用相间变形向量场。运动补偿结果看作是一个静态序列,正则化函数是对的。王等人。 7)用稀疏的运动合成方法获得一个肺部运动估计线性结合训练样本的呼吸变形向量场,随后采用参数控制点在非刚性的肺部CT提炼变形。埃尔南德斯等人。 8)之间的互相关计算每两个连续的投影图像,这估计运动波形的投影图像。然而,这些运动补偿方法获取病人的运动信息的设备跟踪或多帧合并,不保存有效信息的特征。因此,很难被广泛应用于临床。

解决这个问题,我们提出一个甘形象翻译网络去模糊算法,它作为由模糊变清晰的一个特例image-to-image翻译。因此,我们甘形象翻译网络去模糊算法不需要与时间序列CT图像,可以保存在图像纹理细节。氮化镓是一种semisupervised方法来训练分类器,不需要很多标记训练集。发电机是训练产生现实的样本,而鉴别器训练识别真正的样本之间的差异和生成的样本 9]。

运动模糊的场景三维重建CT图像,本文包括两个部分:首先,GAN形象翻译网络去模糊算法消除模糊的结果。该算法匹配的运动模糊CT图像与相应的清晰图像像素,和清晰的图像用于监督培训过程的模糊图像。其次,本文提出了行进中的多维数据集(MC)算法( 10)基于黄金分割的融合和等位面方向平滑(GI-MC) CT图像的三维重建。黄金分割算法( 11)计算等效点和法向量,这减少了计算数字从四比一。等值面方向平滑算法计算法向量的平均值,以平滑所有三角形的补丁在空间排列的方向。实验结果表明,对于不同的模糊角度和模糊的振幅,比较的结果夏侬熵率( 12)和峰值信噪比( 13),我们甘形象翻译网络去模糊算法比其它算法有更好的恢复。此外,对于不同类型的肝癌患者,我们GI-MC算法的重建精度为9.9%,7.7%和3.9%高于传统的MC算法( 14),李的算法( 15和Pratomo的算法 16),分别。

 2。方法 2.1。运动模糊去除CT图像

CT成像系统,有许多特征会导致模糊的图像,如射线宽度、射线间隔,病人运动,光子散射,和系统噪音。它是图像退化的现象 17]。忽略其他特征的影响,本文只考虑病人运动造成的图像模糊。

运动所造成的模糊图像描述如下: (1) 我 b x , y = P x , y ∗ 我 c x , y + NgydF4y2Ba , 在哪里 我 b x , y 表示模糊图像, x , y 代表了图像像素。 P x , y 表示点扩散函数( 18这描述了图像像素的分布特征。 P x , y 考虑角度和振幅的变化由运动引起的。 我 c x , y 代表了清晰的图像, ∗ 代表卷积操作( 19),而 NgydF4y2Ba 代表了噪声分量。

为了恢复清晰的CT图像运动模糊的CT图像,GAN形象翻译网络提出了消除模糊的结果。首先,U-net方法用于构造生成器。U-net跳过的想法连接方法连接的编码网络模糊图像清晰图像的解码网络( 20.),这样的特性的低抽样层编码网络可以直接传送到上层的抽样层解码网络,使网络中像素的位置更准确。其次,选择的损失函数。从模糊图像恢复清晰的图像,轮廓信息和内部细节需要考虑。因此,本文使用的组合重建损失和敌对的损失。重建损失被定义为L2范数( 21),可以极好地提取图像中的高频信息;因此,高精度的图像轮廓。敌对的损失会使发电机的内部细节更接近真实的数据分布 22]。如图 1,当GAN形象翻译网络的训练过程完成后,运动模糊CT图像作为输入,输出结果是清晰的CT图像。

输入和输出的结果我们甘形象翻译网络。

生成对抗网络(GAN)提出的格拉汉姆·古德费勒et al。 23),它包含两个部分:竞争发电机和鉴频器。发电机 G 是一个网络生成图像,生成图像 G z 的输入 z 。鉴频器的 D 用于判断形象吗 G z 是“真正的。“它的输入参数 x 代表一个图像,输出 D x 代表的概率 x 是一个真正的形象。在培训过程中,发电机的目标 G 是欺骗鉴频器 D 通过生成令人信服的知觉样本。鉴频器的目标 D 是单独生成的图片 G 从真实的。因此, G 和 D 构成一个动态”的游戏过程。”之间的游戏 G 和 D 是极小极大值: (2) 最小值 G 马克斯 D E x 日志 D x + E x ~ 日志 1 − D x ~ , 在哪里 E 是期望和 x ~ = G z 。

2.1.1。框架

甘形象翻译网络由发电机和一个鉴别器。图 2甘的框架显示图像翻译网络。在培训过程中,发电机负责将CT模糊图像转化为CT清晰的图像,和它的输入是CT图像模糊。鉴频器标识清晰的图像和输出图像之间的差异的损失函数发生器。鉴频器的输入是清晰的图像和发电机的输出图像。

我们甘形象翻译的框架网络。

 2.1.2。网络体系结构

(1)发电机。它包括模糊图像的网络编码和解码网络清晰的图像( 24]。跳过的想法连接U-net方法用于连接编码网络模糊图像的解码网络清晰的图像。编码的特性,在低抽样层网络可以直接转移到上层的抽样层解码网络,使网络中像素的位置更准确。卷积编码网络采用六层C64-C128-C256-C512-C512-C512, C代表卷积层和在哪里由图中的蓝色框表示 2。卷积解码网络使用六反褶积层和一层DC512-DC512-DC512-DC256-DC128——DC64-C3 DC代表了反褶积层和由粉红色框表示在图 2。每个卷积核的大小 5 × 5 。连接层的功能是将低抽样层编码解码的网络和上层抽样层网络( 25),它是由图中的绿色框表示 2。卷积和反褶积层,LRelu激活函数( 26tanh]使用每一层后,激活函数( 27)是用于清除图像卷积重建的层。

(2)鉴别器。它负责识别输入模糊图像的真实或假效应转化为清晰的图像。我们的鉴别器由四个褶积层和两个完整的连接层。在图 2,卷积层是由蓝盒子和完整的连接层是由黄色框表示。鉴频器的输入由两部分组成:清晰的图像和发电机的输出图像。鉴频器的输出的概率是清除图像之间的相似性和发电机的输出图像。卷积和完整的连接层,LRelu激活函数每一层后,在乙状结肠激活函数( 28)用于最后一层完整的连接层。

 2.1.3。目标函数

本文的目标函数由重建损失和敌对的损失。重建损失使发电机重建根据鉴频器的特点,及其L2范数定义可以更好地从图像中提取高频信息,从而获得高精度的图像轮廓。敌对的损失根据每个像素匹配生成的图像,使发电机的内部细节更接近真实的数据分布。目标函数定义如下: (3) l = l 重建 + λ l 阿德 , 在哪里设置 λ = 0.01 根据经验值。

(1)重建的损失。我们表达pixel-wise欧几里得距离生成的图像和相应的清晰图像如下: (4) l 重建 我 年代 , 我 f = G ω 我 年代 − 我 f 2 2 = f ^ − f 2 2 , 在哪里 f 清除图像的真实吗 我 f 和 f ^ 表示生成的清晰图像的输出输入模糊图像 我 年代 后的发电机 G ω ,这是 f ^ = G ω 我 年代 。

(2)对抗的损失。我们网络的对抗性的损失被定义如下: (5) l 阿德 f , f ^ = − E 日志 D ψ f − E 日志 1 − D ψ f ^ , 在哪里 f 和 f ^ 在公式(有相同的意义 3)。 ψ 代表鉴别器网络的参数。 D ψ f 和 D ψ f ^ 鉴频器的输出网络。 E 代表了期望。

 2.2。GI-MC算法

解决问题的计算效率低、非光滑表面重建模型的传统的MC算法,本文提出了一种基于黄金分割的融合和MC算法等值面方向平滑(GI-MC)。首先,黄金分割算法计算相当于分和法向量,和黄金分割点是用来取代等值面和边的多维数据集的交集点,减少四比一的计算数字。其次,由于不连续三角形法向量的补丁,将会有一个“鳞状效应”当显示空间等值面生成的传统MC算法( 29日]。为了得到一个更好的视觉效果,本文提出了一个等值面方向平滑算法,所有三角形补丁组成进行了平滑等值面在空间安排。GI-MC算法的流程图如图 3。

GI-MC算法的流程图。

 2.2.1。黄金分割算法

当计算等效点和法向量,它是复杂的,当使用传统的线性插值算法。共享的边缘相邻的方块需要计算两次,和一个边缘由四个数据集共享需要计算四次,严重影响运行时间。我们采用黄金分割算法( 30.),确定等效点的坐标和法向量通过边的黄金分割点。

(1)等价的坐标点。如果交点上 x 轴的边缘,交点的坐标设置为 我 + 5 − 1 / 2 , j , k 。如果交点上 y 轴的边缘,交点的坐标设置为 我 , j + 5 − 1 / 2 , k 。如果交点上 z 轴的边缘,交点的坐标设置为 我 , j , k + 5 − 1 / 2 。

(2)等效点的法向量。如果交点上 x 轴的边缘,交点的法向量 (6) NgydF4y2Ba = NgydF4y2Ba 我 , j , k + 5 − 1 / 2 NgydF4y2Ba 我 + 1 , j , k − NgydF4y2Ba 我 , j , k 。

如果交点上 y 轴的边缘,交点的法向量 (7) NgydF4y2Ba = NgydF4y2Ba 我 , j , k + 5 − 1 / 2 NgydF4y2Ba 我 , j + 1 , k − NgydF4y2Ba 我 , j , k 。

如果交点上 z 轴的边缘,交点的法向量 (8) NgydF4y2Ba = NgydF4y2Ba 我 , j , k + 5 − 1 / 2 NgydF4y2Ba 我 , j , k + 1 − NgydF4y2Ba 我 , j , k , 在哪里 NgydF4y2Ba 我 , j , k 代表的矢量值 我 , j , k 。

 2.2.2。等值面方向平滑算法

步骤1:获取坐标的三角片 t 等值面,这是3 d坐标数组 P t 三角形的三个顶点向量补丁 t 。

步骤2:计算单位法向量 NgydF4y2Ba t ( 31日三角片的) t 。

步骤3:三角片方向平滑。通过平滑所有三角形贴片构成等值面在空间安排,3 d等位面可以获得的结果。

(1)单位法向量的计算。数据集 t 我 , NgydF4y2Ba t 我 我 = 1 , 2 , ⋯ 米 得到的等值面, 米 的总数是三角构造等值面和补丁吗 NgydF4y2Ba t 我 是三角片的单位法向量 t 我 。让 P t 我 是三个顶点的3 d坐标数组向量 一个 我 , b 我 , c 我 三角形的补丁 t 我 等值面: (9) P t 我 = x 一个 我 x b 我 x c 我 y 一个 我 y b 我 y c 我 z 一个 我 z b 我 z c 我 。

单位法向量 NgydF4y2Ba t 我 三角形的补丁 t 我 是 (10) NgydF4y2Ba t 我 = R P t 我 = b 我 − 一个 我 × c 我 − 一个 我 b 我 − 一个 我 × c 我 − 一个 我 。

(2)三角片方向平滑。三角片方向平滑的主要想法是光滑的单位法向量场,构成了等值面。让任意三角形的补丁 t 0 在附近,三角补丁的等值面,分别 t 1 , t 2 , ⋯ , t n 。 NgydF4y2Ba t 1 , NgydF4y2Ba t 2 , ⋯ , NgydF4y2Ba t n 的单位法向量 t 1 , t 2 , ⋯ , t n 。平滑后的等值面与均值的方向 NgydF4y2Ba t 1 , NgydF4y2Ba t 2 , ⋯ , NgydF4y2Ba t n 单位法向量 NgydF4y2Ba t 0 ′ 三角形的补丁 t 0 可以表示如下: (11) NgydF4y2Ba t 0 ′ = 1 n + 1 ∑ k = 0 n NgydF4y2Ba t k = 1 n + 1 ∑ k = 0 n R P t k , (12) R P t k = b k − 一个 k × c k − 一个 k b k − 一个 k × c k − 一个 k , 在哪里 NgydF4y2Ba t k 原单位法向量的三角片吗 t k , P t k 是原来的3 d坐标数组的三角片吗 t k , 一个 k , b k , c k 三角形的三个顶点向量补丁吗 t k 。

通过遍历所有三角形补丁原始等值面根据上述算法,相应的新单位法向量 NgydF4y2Ba t 我 ′ 我 = 1 , 2 , ⋯ 米 。因此,新的几何数据集上的等值面 t 我 , NgydF4y2Ba t 我 ′ 我 = 1 , 2 , ⋯ 米 。

 3所示。实验

为了评估模糊参数估计的影响,运动模糊恢复更准确地说,运动模糊图像由计算机模拟用于本文的实验。模拟生成模糊图像在ThinkPad s3 - 490的处理器是英特尔®核心™i5 - 8265 u 在1.60 GHz CPU,8 GB的内存。模拟模糊图像的算法是通过MATLAB实现2018 b。甘形象翻译网络去模糊算法运行在计算机配备GeForce RTX 2080 ti GPU和Python实现的。我们GI-MC算法运行在ThinkPad s3 - 490肝脏CT图像的三维重建,实现了visual studio 2019。

对于绩效评估,我们选择2000的肝脏CT图像3 d-ircadb-01数据库( 32)( https://www.ircad.fr/research/3d-ircadb-01/)。3 d-ircadb-01数据库是由十个男人和十个女人的3 d ct扫描在肝脏肿瘤病例的75%。20文件夹对应于20个不同的病人,,分别包含每个匿名约100图像DICOM格式的病人。本文以肝肿瘤的诊断结果和脂肪肝病人从3 d-ircadb-01数据库为例。

3.1。实验消除运动模糊

去除CT图像的运动模糊,我们主要研究两个方面:(1)确定模糊角度,运动的方向,和(2)确定模糊振幅,振幅的运动。

3.1.1。一代模拟模糊图像

模拟模糊图像的大小 512年 × 512年 像素 。由于MATLAB的库函数统一的线性运动,即fspecial函数。我们使用fspecial函数模糊图像,和四个不同的实验参数设置根据模糊角度和振幅。

模糊角度:设置模糊振幅为15像素,和模糊角度的范围是0°,30°、60°、90°

振幅:模糊集的模糊角度45°,和模糊幅度的范围是5,15日,20日和25个像素。

如图 4,(a)是一个原始的肝脏肿瘤患者的CT图像。模糊振幅被设置为15像素。(b) (e)的图像结果与模糊角度0°30°、60°、90°。如图 5,(a)是一个原始的肝脏肿瘤患者的CT图像。模糊的角度设置为45°。(b) (e)的图像结果与模糊振幅5、15、20、25个像素。

结果不同模糊角的肝脏肿瘤病人。(一)原始CT图像。(b) 0°角模糊。(c)模糊角为30°。(d) 60°角模糊。(e)模糊角度90°。

结果不同模糊幅度的肝脏肿瘤病人。(一)原始CT图像。5 (b)模糊幅度。(c)模糊幅度15。(d)模糊幅度20。25 (e)模糊的振幅。

如图 6(一)是原始脂肪肝患者的CT图像。模糊振幅被设置为15像素。(b) (e)的图像结果与模糊角度0°30°、60°、90°。如图 7,(a)是最初的脂肪肝患者的CT图像。模糊的角度设置为45°。(b) (e)的图像结果与模糊振幅5、15、20、25个像素。

结果不同模糊角的脂肪肝病人。(一)原始CT图像。(b) 0°角模糊。(c)模糊角为30°。(d) 60°角模糊。(e)模糊角度90°。

结果不同模糊振幅的脂肪肝病人。(一)原始CT图像。5 (b)模糊幅度。(c)模糊幅度15。(d)模糊幅度20。25 (e)模糊的振幅。

 3.1.2。恢复模糊图像

(1)定性评价。肝脏肿瘤患者的CT图像,图 8显示与模糊图像恢复结果振幅15像素和90°角模糊。图 8(一个)清晰的图像,图吗 8 (b)显示图像重影的移动方向,和图像的边缘模糊。图 8 (c)是恢复图像的算法,发现图像的边缘模糊恢复得很好。图 8 (c)非常接近图吗 8(一个),这表明我们的算法有很好的修复效果,几乎恢复一个清晰的图像。

我们的算法的图像恢复结果的肝脏肿瘤病人。(一)明确的形象。(b)模糊图像。(c)恢复图像。

脂肪肝患者的CT图像,图 9显示与模糊图像恢复结果45°角和振幅25像素模糊。图 9(一个)是一个清晰的图像。图 9 (b)表明,运动模糊使肝脏的体积大,CT图像拉伸,这将导致在临床判断错误。图 9 (c)是恢复图像的算法,发现内部和边缘的图像恢复。

我们的算法的图像恢复结果的脂肪肝病人。(一)明确的形象。(b)模糊图像。(c)恢复图像。

对于不同的图像去模糊算法,算法与太阳相比等的算法( 5[],Zhang et al。算法 6),王等的算法( 7,埃尔南德斯等人的算法( 8]。图 10的比较结果显示肝肿瘤患者不同算法与模糊幅度的25像素和45°角模糊。图 10 ()是一个清晰的图像。图 10 (b)运动模糊图像的模糊振幅25像素和一个模糊的45°角。图 10 (c)的图像恢复算法。图 10 (d)是太阳的图像恢复等的算法。图 10 (e)是张等的恢复图像的算法。图 10 (f)是王等的恢复图像的算法。图 10 (g)是埃尔南德斯等人的恢复图像的算法。与其他四个算法相比,图像的边缘模糊的算法恢复更好,这是最相似的一个清晰的图像。

各种算法的重建结果的肝脏肿瘤病人。(一)明确的形象。(b)模糊图像。(c)我们的方法。太阳(d)等的算法。张(e)等的算法。王(f)等的算法。(g)埃尔南德斯等人的算法。

图 11脂肪肝患者的比较结果显示不同的算法与模糊幅度25像素和45°角模糊。图 (11日)是一个清晰的图像。图 11 (b)运动模糊图像的模糊振幅25像素和一个模糊的45°角。图 11 (c)的图像恢复算法。图 11 (d)是太阳的图像恢复等的算法。图 11 (e)是张等的恢复图像的算法。图 11 (f)是王等的恢复图像的算法。图 11 (g)是埃尔南德斯等人的恢复图像的算法。与其他四个算法相比,内部和边缘的图像都是更好的恢复。

各种算法的脂肪肝病人的恢复结果。(一)明确的形象。(b)模糊图像。(c)我们的方法。太阳(d)等的算法。张(e)等的算法。王(f)等的算法。(g)埃尔南德斯等人的算法。

(2)定量评价。我们评估CT图像恢复的效果使用以下两个评价指标:香农熵率( 12)和高峰限幅比率(PSNR) ( 13]。

香农熵率。香农熵是一个方法来衡量不确定性。图像恢复的图像中包含的信息将会增加,和相应的熵会减少。香农熵率定义如下: (13) E r = E d E p , 在哪里 E d 的香农熵模糊的CT图像和CT图像或恢复香农熵的CT图像。香农熵的定义是 (14) E = ∑ 我 = 1 NgydF4y2Ba p 我 日志 2 1 / p 我 , 在哪里 NgydF4y2Ba 直方图组的数量, p 我 的频率是 我 图像的直方图。 (15) p 我 = 全国矿工工会 我 / W ∗ H , 在哪里 W 图像的宽度, H 图像的高度, NgydF4y2Ba u 米 我 是每个直方图图像的数量。当 p 我 = 0 , 0 × 日志 2 1 / 0 ≡ 0 是集。

高峰限比(PSNR)。PSNR值统计分析指标是基于图像像素的灰度值,定义的原始图像之间的均方误差(MSE) 我 我 , j 和恢复图像 K 我 , j 。一般来说,更高的PSNR值,图像恢复越好。 (16) PSNR值 = 10 × 日志 10 2 n − 1 2 均方误差 , (17) 均方误差 = 1 米 n ∑ 我 = 0 米 ∑ j = 0 n 我 我 , j − K 我 , j 2 。

我们使用香农熵来描述图像的清晰度。图像去模糊的过程将会增加图像中包含的信息,和相应的熵会减少。肝脏肿瘤病人的CT图像,香农熵的结果比我们的算法,太阳et al。' s算法,Zhang et al。s算法,王et al。s算法,埃尔南德斯et al。s算法如表所示 1。可以看出,恢复图像的夏侬熵率低于之前的模糊图像恢复。模糊幅度的增加,香农熵模糊图像的比例会增加,和香农熵恢复图像的比例将会增加。模糊角度的增加,香农熵率的模糊图像恢复形象也增加。香农熵比我们的算法比其他四个小代表算法,这表明,我们的算法具有最好的清晰度。

香农熵率不同算法的肝脏肿瘤病人。

模糊的振幅 模糊的角 香农熵率
模糊图像 我们的方法 太阳等的算法 张等人的算法 王等人的算法 埃尔南德斯等人的算法
5像素 0° 1.32 1.17 1.22 1.24 1.25 1.27
30° 1.37 1.21 1.25 1.27 1.28 1.29
45° 1.39 1.23 1.27 1.29 1.30 1.31
60° 1.41 1.26 1.30 1.32 1.33 1.35
90° 1.47 1.31 1.34 1.36 1.37 1.39
25个像素 0° 1.49 1.22 1.27 1.30 1.31 1.33
30° 1.54 1.25 1.30 1.31 1.33 1.35
45° 1.58 1.27 1.33 1.35 1.36 1.39
60° 1.62 1.31 1.36 1.38 1.39 1.41
90° 1.67 1.34 1.40 1.42 1.44 1.47

脂肪肝患者的CT图像,香农熵的结果比我们的算法,太阳et al。' s算法,Zhang et al。s算法,王et al。s算法,埃尔南德斯et al。s算法如表所示 2模糊幅度的增加、香农熵模糊图像的比例会增加,和香农熵恢复图像的比例将会增加。模糊角度的增加,香农熵率的模糊图像恢复形象也增加。对于不同的振幅和角度模糊模糊,香农熵算法的比例小于其他四个具有代表性的算法。

香农熵的比例不同的算法的脂肪肝病人。

模糊的振幅 模糊的角 香农熵率
模糊图像 我们的方法 太阳等的算法 张等人的算法 王等人的算法 埃尔南德斯等人的算法
5像素 0° 1.43 1.28 1.38 1.36 1.35 1.33
30° 1.48 1.32 1.40 1.38 1.37 1.35
45° 1.51 1.34 1.42 1.40 1.39 1.37
60° 1.54 1.37 1.45 1.43 1.42 1.40
90° 1.57 1.41 1.48 1.46 1.45 1.43
25个像素 0° 1.59 1.33 1.43 1.41 1.40 1.38
30° 1.63 1.36 1.46 1.44 1.43 1.41
45° 1.67 1.39 1.48 1.47 1.46 1.44
60° 1.71 1.42 1.51 1.49 1.48 1.46
90° 1.77 1.44 1.56 1.54 1.53 1.51

肝脏肿瘤病人的CT图像,当振幅是25像素模糊和模糊角是45°,人物 12显示了模糊图像的PSNR值结果,我们的算法,和其他四个具有代表性的算法。模糊图像的PSNR值是25.76,我们的算法是29.39,太阳et al。’s算法28.13,Zhang et al。’s算法27.62,王et al。' s算法27.42,埃尔南德斯et al。s算法26.73。可以看出我们算法的PSNR值大于其他四个代表性算法,达到更好的修复效果。

肝脏肿瘤病人的PSNR值的比较。

脂肪肝患者的CT图像,当振幅是25像素模糊和模糊角是45°,人物 13显示了模糊图像的PSNR值结果,我们的算法,和其他四个具有代表性的算法。模糊图像的PSNR值是25.55,我们的算法是29.72,太阳et al。’s算法26.83,Zhang et al。’s算法27.55,王et al。' s算法27.71,埃尔南德斯et al。s算法28.44。可以看出,我们的算法的PSNR值大于其他四个代表性算法,达到更好的修复效果。

脂肪肝患者的PSNR值的比较。

 3.2。三维重建的肝脏

腹部CT图像包含多个器官:肝脏、胆囊、胰腺、脾脏、肾脏。因此,肝脏三维重建之前,有必要对部分肝腹部CT图像的准确。我们使用种子区域生长算法( 33)和直方图阈值( 34)方法实现肝脏CT图像的分割。该地区种子生长算法可以大致确定肝脏的位置,避免误分割其他器官。直方图阈值法可以确定肝脏和部分的灰度值范围准确。后腹部CT图像的准确分割,不同的算法可以用于三维重建。

我们使用的时间和三维重建精度的评价指标来评估不同的三维重建算法的性能。比较算法主要包括传统的MC算法( 14),李的算法( 15),Pratomo的算法( 16),我们的GI-MC算法。李的算法是一个典型的网格简化算法,这是一个代表算法加速3 d重建。Pratomo的算法提高了三维重建精度的去噪算法,即代表算法来提高三维重建精度。

三维重建是由肝脏肿瘤和脂肪肝患者的CT图像。CT图像的大小 512年 × 512年 像素 。肝脏肿瘤病人,精心挑选了135 CT图像和113年CT图像选择脂肪肝病人。为了比较不同算法的影响时间和三维重建的准确性,我们选择四个重建算法上面提到的实验。

3.2.1之上。三维重建

在三维重建的时间对比实验,两组肝脏肿瘤和脂肪肝患者的CT图像。每组实验重复3次,然后三个结果的平均值是研究。

传统的MC算法的计算太大,严重影响了计算时间。传统的MC算法,有135的CT图像 512年 × 512年 肝脏肿瘤病人, 511年 ∗ 511年 ∗ 134年 = 34990214 体素需要遍历。有113的CT图像 512年 × 512年 脂肪肝患者, 511年 ∗ 511年 ∗ 112年 = 29245552 体素需要遍历。表 3显示三维重建的比较结果时间使用四个算法。对两组肝脏病人,可以看出GI-MC算法具有明显的优势,这大大减少了三维重建的时间。这是进一步发现,CT图像的增加,扫描数据集数量的增加,我们的GI-MC算法也带来显著增加速度。

三维重建时间的比较结果使用四个算法。

类别 CT图像的数量 三维重建时间(年代)
传统的MC算法 李的算法 Pratomo的算法 GI-MC算法
肝脏肿瘤病人 135年 266.97 77.14 71.07 65.93
脂肪肝患者 113年 213.62 61.97 56.57 52.27
3.2.2。三维重建的准确性

三维重建的准确性是肝脏的比例3 d重建区真正的肝区。评估肝脏三维重建的结果,有必要与手动标记结果医生。

四种算法的三维重建结果肝肿瘤患者的CT图像如图所示 14。四种算法的三维重建结果脂肪肝患者的CT图像如图所示 15。可以看出我们GI-MC重建算法保证了质量,肝脏表面光滑,质地很好。将会有一个“鳞状效应”当显示空间等值面生成的传统MC算法。李的算法简化了网格的边删除,但简化过程的控制是很困难的。它很容易失去一个小的细节结构。Pratomo的算法提高了三维重建的准确性的去噪算法,及其重建结果低噪音和更高的精度。我们GI-MC算法计算出每个三角形的法向量的平均值补丁和抚平所有三角形的补丁在空间排列的方向;因此,光滑的表面三维重建肝是保证。

四种算法的三维重建结果的肝脏肿瘤病人。(一)传统MC算法。李(b)的算法。(c) Pratomo的算法。我们GI-MC (d)算法。

四种算法的三维重建结果的脂肪肝病人。(一)传统MC算法。李(b)的算法。(c) Pratomo的算法。我们GI-MC (d)算法。

三维重建结果的四个算法与结果相比明显手工医生,然后三维重建的准确性。从表 4三维重建的准确性,不同的算法相比可以明显。对肝脏肿瘤病人,与传统的MC算法相比,李的算法,和Pratomo算法,GI-MC算法重建精度提高了10.4%,8.1%,和4.3%,分别。脂肪肝患者,与传统的MC算法相比,李的算法,和Pratomo算法,GI-MC算法重建精度提高了9.4%,7.3%,和3.5%,分别。从两组肝脏病人数据,与传统的MC算法相比,李的算法,和Pratomo算法,GI-MC算法重建精度平均增加了9.9%,7.7%,3.9%。

三维重建的比较结果四个算法的准确性。

类别 CT图像的数量 三维重建精度
传统的MC算法 李的算法 Pratomo的算法 GI-MC算法
肝脏肿瘤病人 135年 83.4% 85.7% 89.5% 93.8%
脂肪肝患者 113年 82.2% 84.3% 88.1% 91.6%
4所示。结论

CT成像的过程中,受到病人的自主和不随意运动,将CT图像模糊。运动模糊的场景三维重建CT图像,本文包括两个部分:首先,GAN形象翻译网络去模糊算法消除模糊的结果。该算法采用清除图像监督培训过程的模糊图像,这将创建解决方案接近清晰的图像。其次,本文提出了基于融合的MC算法的黄金分割和等位面方向平滑(GI-MC) CT图像的三维重建。黄金分割算法用来计算相当于分和法向量,减少四比一的计算数字。等值面方向平滑算法计算法向量的平均值,以平滑所有三角形的补丁在空间排列的方向。实验结果表明,对于不同的模糊角度和模糊的振幅,比较的结果夏侬熵率和峰值信噪比,我们甘形象翻译网络去模糊算法比其它算法有更好的恢复。此外,对于不同类型的肝癌患者,我们GI-MC算法的重建精度为9.9%,7.7%,和3.9%高于传统的MC算法,李的算法,分别和Pratomo的算法。

当肝脏分段地区,传统的手工分割方法取决于医生的经验,这可能会导致操作的实际情况不同于之前的分析。如果我们可以使用图像处理技术和三维重建技术精确分割和重建腹部CT图像和计算体积,操作的成功率将会改善。量是一个重要的指标来判断肝病,也是一个重要的基础来决定手术。在目前的临床治疗,医生估计体积大约根据二维CT图像。因此,3 d重建和肝脏体积的计算将在未来成为一个热门话题。

 数据可用性

对于绩效评估,我们选择2000的肝脏CT图像3 d-ircadb-01数据库( 32)( https://www.ircad.fr/research/3d-ircadb-01/)。3 d-ircadb-01数据库是由十个男人和十个女人的3 d ct扫描在肝脏肿瘤病例的75%。20文件夹对应于20个不同的病人,,分别包含每个匿名约100图像DICOM格式的病人。( 32]g . Pizaine e . d . Angelini。布洛赫和美国Makram-Ebeid。容器几何建模和使用卷积曲面分割和隐式内侧轴[C]。2011年IEEE国际研讨会上生物医学成像:从纳米到宏,芝加哥,,2011年 : 1421-1424.

 的利益冲突

作者宣称没有利益冲突。

 确认

这项工作得到了国家自然科学基金(61902311),中国的博士后研究基金会(2019号m663801),陕西省教育部门的科学研究计划(19 jk0541)和陕西省自然科学基金(2019号krm021)。作者也欣然承认评论者的有益的意见和建议,改进的演示。

 加西亚 s . C。 王 Y。 威瑟斯 p . J。 聚合物复合材料的x射线计算机断层扫描 复合材料科学与技术 2018年 156年 305年 319年 10.1016 / j.compscitech.2017.10.023 2 - s2.0 - 85035054652 米尔 t。 中村 M。 三维生物打印:向制造人体器官的时代作为医学及卫生保健的备件 组织工程B部分的评论 2017年 23 3 245年 256年 10.1089 / ten.teb.2016.0398 2 - s2.0 - 85020204785 28103751 阿姆斯特朗 r。 视觉功能障碍在帕金森病 国际的神经生物学 2017年 134年 6 921年 946年 10.1016 / bs.irn.2017.04.007 2 - s2.0 - 85020005359 低 d . A。 杨 l 陈 J。 O 'Connel D。 刘易斯 j . H。 托马斯。 d . H。 李 P。 Technical note:分析工件的运动模糊快速螺旋自由呼吸胸CT扫描 医学物理学 2017年 44 4 1456年 1461年 10.1002 / mp.12153 2 - s2.0 - 85021308904 28185281 太阳 T。 金 j . H。 富尔顿 R。 Nuyts J。 迭代projection-based运动估计和补偿方案负责人x射线CT 医学物理学 2016年 43 10 5705年 5716年 10.1118/1.4963218 2 - s2.0 - 84989328012 27782729 张 H。 马 J。 扁 Z。 曾 D。 冯 Q。 陈 W。 高质量的4 d cone-beam CT重建使用motion-compensated全变差正则化 物理学在医学和生物学 2017年 62年 8 3313年 3329年 10.1088 / 1361 - 6560 / aa6128 2 - s2.0 - 85017035233 28211367 王 T。 谢 H。 张 年代。 肺变形为双翼飞机注册框架x线和CT使用稀疏运动组成 2018年 IEEE生命科学会议,IEEE 埃尔南德斯 D。 Eldib m E。 Hegazy m·A·A。 赵 m . H。 赵 m . H。 李 s Y。 头部动作估计算法对运动工件校正牙齿CT成像 物理学在医学和生物学 2018年 63年 3 1 13 Rakin 答:S。 Angizi 年代。 他 Z。 方ydF4y2Ba d . L。 PIM-TGAN: processing-in-memory加速器三元生成对抗的网络 2018年IEEE第36届国际电脑设计会议(ICCD) 2018年 美国佛罗里达州奥兰多市 1 IEEE 266年 273年 10.1109 / ICCD.2018.00048 2 - s2.0 - 85062225923 金 年代。 Ohtake Y。 Nagai Y。 铃木 H。 小说插值方案双重游行对八叉树体积分数数据立方体 计算机与图形学 2017年 66年 169年 178年 10.1016 / j.cag.2017.05.021 2 - s2.0 - 85020641179 黄 H。 多个特征模型黄金分割自适应控制:稳定和优化 国际期刊的自适应控制和信号处理 2015年 29日 7 877年 904年 10.1002 / acs.2510 2 - s2.0 - 84947494653 Snehasis K。 亨特方程的推导为暂停使用香农熵的理论分布 自然史统计力学及其应用 2017年 488年 96年 111年 10.1016 / j.physa.2017.07.007 2 - s2.0 - 85024883901 香 C。 Jenq n W。 钟 n . L。 陈 s . L。 近最优QoE-driven功率分配方案在MIMO系统可伸缩的视频传输 IEEE选定的主题在信号处理杂志》上 2017年 9 1 76年 88年 Lorensen w·E。 克莱因 h·E。 游行多维数据集:一个高分辨率的3 d表面构造算法 Acm Siggraph计算机图形学 1987年 21 4 163年 169年 10.1145/37402.37422 2 - s2.0 - 0023381475 李 x L。 三维重建CT / MR图像的基于改进游行立方体算法 中国液晶与显示 2011年 26 5 683年 687年 Pratomo a . N。 心脏三维图像重建和可视化多维数据集的算法 2016年知识创造和智能计算(KCIC) 2016年 印尼 35 41 张 J。 太阳 Y。 张 Y。 腾 J。 双重正则化医学CT图像盲复原重建基于乘数的近端交替方向方法 EURASIP杂志在图像和视频处理 2017年 2017年 1 10.1186 / s13640 - 017 - 0218 - x 2 - s2.0 - 85032568778 王 C。 陈 R。 Nikolova M。 Plemmons R。 普拉萨德 年代。 非凸优化3 d点声源定位使用一个旋转的点扩散函数 暹罗在成像ence》杂志上 2018年 12 1 1 28 弗朗索瓦 C。 Xception:深度学习与切除可分离旋转 2017年IEEE计算机视觉与模式识别会议(CVPR) 2017年 1800年 1807年 元 M。 刘 Z。 王 F。 使用宽领域关注U-Net道路分割 遥感信 2019年 10 5 506年 515年 10.1080 / 2150704 x.2019.1574990 2 - s2.0 - 85070081681 约翰逊 J。 Alahi 一个。 菲菲 l 知觉损失实时传输和超分辨率风格 欧洲计算机视觉 2016年 694年 711年 朱 j . Y。 公园 T。 伊索拉 P。 埃弗 一个。 未配对image-to-image翻译使用cycle-consistent敌对的网络 2017年IEEE计算机视觉国际会议(ICCV) 2017年 格拉汉姆·古德费勒 我。 Pouget-Abadie J。 阁下 M。 徐 B。 Warde-Farley D。 Ozair 年代。 考维尔 一个。 Bengio Y。 生成敌对的网 先进的神经信息处理系统 2014年 2672年 2680年 张 年代。 王 J。 道 X。 龚 Y。 郑 N。 构造深度稀疏编码网络图像分类 模式识别 2017年 64年 130年 140年 10.1016 / j.patcog.2016.10.032 2 - s2.0 - 85007341476 余 W。 杨 K。 姚 H。 太阳 X。 徐 P。 利用多层CNN的互补优势特征进行图像检索 Neurocomputing 2017年 237年 235年 241年 10.1016 / j.neucom.2016.12.002 2 - s2.0 - 85011629028 Hyeonseok l Hyo s P。 泛化方法,分区激活函数复数 2018年 神经和进化计算 Ng w·w·Y。 曾 G。 张 J。 杨 d S。 Pedrycz W。 双重autoencoders特性不平衡分类问题 模式识别 2016年 60 875年 889年 10.1016 / j.patcog.2016.06.013 2 - s2.0 - 84994895363 郭 x D。 乔 M。 勇 l 实现乙状结肠激活函数法调制bit-streams网络三维空间的分类及其应用 《电子学报》 2015年 43 5 862年 869年 刘 y . J。 陈 Z。 唐 K。 建设iso-contours等分线,三角形的补丁和泰森多边形法图 IEEE模式分析与机器智能 2010年 33 8 1502年 1517年 蔡 J。 汉 D。 陈 C。 陈 年代。 应用黄金分割搜索算法的非线性isoconversional活化能的计算,以确定非等温动力学转换数据 固体科学 2010年 12 5 829年 833年 10.1016 / j.solidstatesciences.2010.02.010 2 - s2.0 - 77951137905 阿明 R。 沙姆斯 答:F。 拉赫曼 s M。 Hatzinakos D。 评估的歧视的面部部分从三维点云数据 电气与计算机工程国际会议 2016年 达卡,孟加拉国 IEEE 10.1109 / ICECE.2016.7853992 2 - s2.0 - 85016176950 Pizaine G。 Angelini e . D。 布洛赫 我。 Makram-Ebeid 年代。 容器几何建模和分割使用卷积曲面和一个隐式的中轴 2011年IEEE国际研讨会上生物医学成像:从纳米到宏 2011年 芝加哥, 1421年 1424年 在香港 Y。 易 M。 王 l F。 一个基于CNN和RSG_R滑坡智能检测方法 2017年IEEE国际会议上机电一体化和自动化(国际) 2017年 IEEE 肖 Y。 李 Y。 苏 D。 自动阈值选择有效的点检测在数字条纹投影 2017年IEEE信息与自动化国际会议上(ICIA) 2017年 IEEE