師曉宇，王 斌

(中北大學(xué) 信息與通信工程學(xué)院，太原 030051)

0 引言

金屬偽影是計(jì)算機(jī)斷層掃描(CT，computed tomography)中常見的問題之一。當(dāng)患者攜帶金屬植入物(例如牙科填充物和髖關(guān)節(jié)假體)時(shí)就會(huì)出現(xiàn)這種情況。與身體組織相比，金屬材料在光譜上會(huì)造成顯著的X射線衰減，導(dǎo)致X射線投影不一致。不匹配的投影將會(huì)在重建得到的CT圖像中引入十分明顯的條紋和陰影偽影，這會(huì)顯著降低圖像質(zhì)量并影響醫(yī)學(xué)圖像分析工作以及隨后的醫(yī)療服務(wù)。這些金屬偽影會(huì)掩蓋植入物周圍組織的重要診斷信息，嚴(yán)重影響醫(yī)療效果，比如導(dǎo)致醫(yī)生難以對(duì)靶區(qū)進(jìn)行精準(zhǔn)勾畫，進(jìn)而對(duì)臨床治療效果產(chǎn)生諸多負(fù)面影響[1]。因此，金屬偽影去除(MAR，metal artifact reduction)對(duì)提高臨床診斷的準(zhǔn)確性有著重要意義。

近年來(lái)，許多傳統(tǒng)方法提出了MAR任務(wù)，主要可分為三類，即迭代重建、正弦圖域MAR和圖像域MAR。迭代算法旨在設(shè)計(jì)一些手工制作的正則化器，例如總變分[1]和小波域[2]中的稀疏約束，并將它們表示為算法優(yōu)化以約束解空間。由于主觀的先驗(yàn)假設(shè)，這些方法無(wú)法精細(xì)地表示臨床應(yīng)用中復(fù)雜多樣的金屬制品?；谡覉D域的方法將受金屬影響的區(qū)域(即正弦圖中的金屬跡線)視為缺失數(shù)據(jù)，并通過(guò)線性插值[3]或先前圖像的正向投影[4]來(lái)填充這些區(qū)域。然而，金屬痕跡中的這些替代數(shù)據(jù)通常不能正確滿足CT成像幾何約束，這會(huì)導(dǎo)致重建CT圖像中出現(xiàn)由于金屬植入物影響的二次偽影。齊宏亮等人[5]提出了一種基于先驗(yàn)圖像的CT插值校正算法，其中對(duì)原始投影數(shù)據(jù)進(jìn)行插值后使用濾波反投影算法進(jìn)行圖像域重建后得到去偽影后的圖像，為了避免初步校正產(chǎn)生的次級(jí)偽影，又提出了一種全新的濾波算法。這種算法能夠得到較好的重建圖像，但是由于先驗(yàn)圖像的質(zhì)量限制以及濾波算法無(wú)法進(jìn)行自適應(yīng)迭代，相對(duì)于深度學(xué)習(xí)去偽影模型魯棒性并不突出。

隨著近年深度學(xué)習(xí)(DL，deep learning)在醫(yī)學(xué)圖像處理領(lǐng)域的快速發(fā)展，基于深度學(xué)習(xí)的金屬偽影校正方法也相繼提出并取得了良好的臨床效果。卷積神經(jīng)網(wǎng)絡(luò)(CNN，convolutional neural networks)在公開數(shù)據(jù)集的圖像分析性能表現(xiàn)優(yōu)于傳統(tǒng)方法[4-7]，同時(shí)比圖形切割和多圖集分割技術(shù)[8]快一個(gè)數(shù)量級(jí)。U-Net[9]，DeepMedic[10]和整體嵌套網(wǎng)絡(luò)[11-12]等全卷積網(wǎng)絡(luò)(FCN，fully convolutional networks)[13]已被證明可以在包括心臟磁共振在內(nèi)的各種任務(wù)中實(shí)現(xiàn)穩(wěn)健和準(zhǔn)確的性能。UNet是使用最廣泛的深度CNN之一，特別是在醫(yī)學(xué)影像方面體現(xiàn)除了良好的效果[14]。Xu等人[15-16]使用VGG(visual geometry group)網(wǎng)絡(luò)，Wang等人[17]用條件生成對(duì)抗網(wǎng)絡(luò)(cGAN，conditional generative adversarial network)，Ding等人[18]使用FCN[13]分別進(jìn)行了圖像域的MAR方法研究？這類方法在對(duì)射線狀偽影及椒鹽噪聲時(shí)展現(xiàn)了出色的效果，但對(duì)于帶狀偽影性能表現(xiàn)較差。史再峰等人[19]提出了多任務(wù)學(xué)習(xí)的生成對(duì)抗網(wǎng)絡(luò)，利用連續(xù)偽影圖像的空間相關(guān)性和解剖組織相似性并行處理學(xué)習(xí)，訓(xùn)練共享編碼器和多個(gè)解碼器重建出高質(zhì)量的CT圖像。Liao等人[20]提出無(wú)監(jiān)督的偽影解糾纏網(wǎng)絡(luò)(ADN，artifact disentanglement network)，對(duì)圖像域中正常組織與金屬偽影進(jìn)行分離以達(dá)到去除偽影的效果？但是由于金屬偽影構(gòu)成的復(fù)雜性，該方法在分離組織與金屬偽影的過(guò)程中性能不穩(wěn)定，加之在該方法中存在網(wǎng)絡(luò)結(jié)構(gòu)繁紛復(fù)雜，后續(xù)優(yōu)化難度較大，提升效果有限。由于深度學(xué)習(xí)到的魯棒特征表示，基于DL的MAR技術(shù)通常優(yōu)于基于手工特征的傳統(tǒng)方法。然而，現(xiàn)有的基于DL的MAR方法仍然存在著一定的局限性。他們中的大多數(shù)將MAR視作一般的圖像恢復(fù)問題，較少?gòu)?qiáng)調(diào)在整個(gè)學(xué)習(xí)過(guò)程中嵌入的物理幾何約束。大多數(shù)現(xiàn)有方法依賴于現(xiàn)成的DL工具包來(lái)構(gòu)建不同的網(wǎng)絡(luò)架構(gòu)，對(duì)于特定的MAR任務(wù)缺乏足夠的主要信息關(guān)注度，在恢復(fù)圖像細(xì)節(jié)過(guò)程中造成混入背景信息以及組織保留程度不足的問題。

為了解決網(wǎng)絡(luò)去金屬偽影中圖像恢復(fù)信息不足，背景信息與主要信息混雜導(dǎo)致組織信息保留不足的問題。本文提出了一種注意力門的UNet網(wǎng)絡(luò)的醫(yī)學(xué)CT圖像金屬偽影去除模型，能夠在去除復(fù)雜CT圖像金屬偽影的同時(shí)有效保留金屬植入物周圍的解剖組織結(jié)構(gòu)。

1 網(wǎng)絡(luò)框架

基于UNet的CT圖像金屬偽影去除網(wǎng)絡(luò)總體框架如圖1所示，網(wǎng)絡(luò)整體分為兩個(gè)模塊，分別為特征提取模塊和強(qiáng)化特征解碼模塊。輸入圖像為大小256×256的CT灰度圖像。在特征編碼模塊設(shè)置為4層，每一層分別有兩組卷積層，每層卷積層由大小3×3的卷積核和線性整流函數(shù)(ReLU，rectified linear unit)激活函數(shù)構(gòu)成。在經(jīng)過(guò)每一層后都由大小2×2的上采樣進(jìn)行特征擴(kuò)充后進(jìn)入下一層重復(fù)操作到最深層。強(qiáng)化特征解碼模塊與特征提取模塊相似，在接受深層提取信息的過(guò)程前會(huì)經(jīng)過(guò)相同層級(jí)特征提取模塊的注意力信息進(jìn)行疊操作以強(qiáng)化信息提取編碼的準(zhǔn)確度，實(shí)現(xiàn)更有效的特征提取。

圖1 網(wǎng)絡(luò)整體框架

UNet網(wǎng)絡(luò)結(jié)構(gòu)作為經(jīng)典的編解碼器結(jié)構(gòu)，編解碼信息利用跳躍連接進(jìn)行溝通從而避免大量空間的精準(zhǔn)信息丟失的問題，直接將編碼器中提取的特征合并至解碼器相對(duì)應(yīng)的層中。但是其中存在著初始編碼器低階層中由于提取的特征不精確，從而導(dǎo)致相應(yīng)疊加的解碼器層中存在很多的冗余信息，降低了網(wǎng)絡(luò)的效果。為了避免這樣的情況出現(xiàn)，在UNet的基礎(chǔ)上加入了軟注意力結(jié)構(gòu)[21]的注意力門模塊。意在通過(guò)注意力門模塊抑制無(wú)關(guān)區(qū)域像素的干擾，突出特定局部區(qū)域的顯著特征。使用軟注意力結(jié)構(gòu)代替硬注意力通過(guò)神經(jīng)網(wǎng)絡(luò)可以計(jì)算梯度并且前向傳播和后向反饋來(lái)學(xué)習(xí)得到注意力的權(quán)重。軟注意力結(jié)構(gòu)的另一個(gè)好處在于其集成到標(biāo)準(zhǔn)UNet網(wǎng)絡(luò)結(jié)構(gòu)中時(shí)要簡(jiǎn)單方便、計(jì)算開銷小，更加可貴的是可以提高模型的靈敏度和預(yù)測(cè)的精度。解碼器經(jīng)過(guò)上采樣恢復(fù)出位置細(xì)節(jié)，但是上采樣同樣會(huì)導(dǎo)致邊緣細(xì)節(jié)過(guò)平滑和位置關(guān)系不準(zhǔn)確的問題?，F(xiàn)有的一些工作[9]使用跳躍連接機(jī)制將底層特征與高層特征連接以補(bǔ)充位置信息。由于低層特征提取包含了無(wú)用的背景信息，此信息反而會(huì)導(dǎo)致目標(biāo)對(duì)象的提取精度受到影響。為了加強(qiáng)模型對(duì)目標(biāo)的提取效果，設(shè)計(jì)了一種為捕獲高級(jí)語(yǔ)義信息并強(qiáng)調(diào)目標(biāo)特征的注意力門模塊。

注意力門控機(jī)制是一種通過(guò)動(dòng)態(tài)調(diào)整模型對(duì)輸入信息的關(guān)注度來(lái)提升模型性能和效率的方法。在深度學(xué)習(xí)中，注意力門控機(jī)制常用于處理序列數(shù)據(jù)或圖像數(shù)據(jù)，幫助模型在處理和理解數(shù)據(jù)時(shí)，更加關(guān)注輸入的重要部分，并忽略不重要的部分。注意力門控機(jī)制的核心思想是通過(guò)一個(gè)稱為“門控”的機(jī)制來(lái)控制信息的流動(dòng)。在最常見的形式中，門控機(jī)制采用自注意力機(jī)制，通過(guò)計(jì)算輸入信息中每個(gè)位置的表示，并將這些表示應(yīng)用于輸入信息中的每個(gè)位置，以獲得新的、經(jīng)過(guò)注意力處理的信息。具體來(lái)說(shuō)，自注意力機(jī)制首先對(duì)輸入信息進(jìn)行線性變換，得到一個(gè)表示輸入信息的矩陣。接著，這個(gè)矩陣被分成多個(gè)獨(dú)立的頭，每個(gè)頭都會(huì)獨(dú)立地計(jì)算輸入信息的注意力表示。最后，這些注意力表示被加權(quán)求和，得到最終的注意力表示。這個(gè)表示被應(yīng)用于輸入圖像的每個(gè)像素，以產(chǎn)生新的、經(jīng)過(guò)注意力的信息。

2 注意力門

2.1 參數(shù)更新

為了捕獲足夠大的感受野并因此提取附近組織信息，在UNet架構(gòu)中逐漸對(duì)特征映射網(wǎng)格進(jìn)行下采樣。這樣，粗空間網(wǎng)格級(jí)模型的特征就可以定位與背景與組織的關(guān)系。通過(guò)將注意力門(AG，attention gate)加入U(xiǎn)Net模型中同樣可以實(shí)現(xiàn)定位組織與背景，并且可以加強(qiáng)分割效果，其中注意力門避免了訓(xùn)練多種模型以及由此帶來(lái)的參數(shù)量膨脹的問題。AG能夠在訓(xùn)練中降低對(duì)圖像中不相關(guān)的背景的響應(yīng)，而避免了手動(dòng)裁剪感興趣區(qū)域(ROI，region of interest)。

從粗尺度提取的信息用于AG，以消除跳躍連接中不相關(guān)和嘈雜的區(qū)域，在跳躍連接操作之前執(zhí)行僅合并相關(guān)的注意力區(qū)域，并且在前向傳播和后向反饋來(lái)學(xué)習(xí)得到注意力的權(quán)重，這使得較低層中的模型參數(shù)能夠基于ROI進(jìn)行學(xué)習(xí)更新。

第l-1層中參數(shù)的更新由式(1)所示：

(1)

每個(gè)通道對(duì)應(yīng)于特定的語(yǔ)義響應(yīng)。金屬偽影和人體組織通常涉及不同的通道。AG模塊因此對(duì)語(yǔ)義依賴關(guān)系進(jìn)行特征提取以強(qiáng)調(diào)目標(biāo)通道。AG利用深層中的抽象特征和淺層中的全局特征以編碼依賴關(guān)系。深層特征映射含有豐富的語(yǔ)義信息，可用于指導(dǎo)淺層特征映射以選擇重要的位置詳細(xì)信息。此外，淺層映射利用整體圖像信息對(duì)不同通道的語(yǔ)義關(guān)系編碼，可以實(shí)現(xiàn)過(guò)濾干擾信息。通過(guò)使用語(yǔ)義關(guān)系信息，AG模塊可以強(qiáng)調(diào)目標(biāo)區(qū)域并改進(jìn)特征表示。AG模塊如圖2所示。

圖2 注意力門模塊

2.2 池化操作

高級(jí)特征映射和低級(jí)特征映射執(zhí)行全局平均池化。其將整體信息壓縮成一個(gè)具有信息權(quán)重的注意力向量以強(qiáng)調(diào)關(guān)鍵特征并過(guò)濾干擾背景。生成注意力矢量如下：

Fa(x，y)=δ1[Wαg(x)+bα]+δ1[Wβg(y)+bβ]

(2)

Ac=δ2[WφFa(h，l)+bφ]

(3)

其中：h和l分別為深層和淺層映射。g為全局平均池化。δ1為線性整流(ReLU，rectified linear unit)激活函數(shù)，δ2為softmax函數(shù)。Wα、Wβ、Wφ是指1×1卷積的參數(shù)。bα、bβ、bφ為偏差。

(4)

其中：n=1，2，...，c和x=[x1，x2，...，xc]，W，H為圖像寬和高。

我們對(duì)矢量進(jìn)行1 × 1卷積，以實(shí)現(xiàn)對(duì)特征依賴關(guān)系的進(jìn)一步確定。具體而言，1 × 1卷積核可以在空間維度上將輸入特征映射的尺寸減小，同時(shí)保持深度維度不變。這有助于在不改變特征通道數(shù)的情況下，對(duì)特征圖的感受野進(jìn)行調(diào)整和改變。接著使用softmax函數(shù)對(duì)矢量進(jìn)行歸一化激活。softmax函數(shù)可以將輸入值映射為概率分布，使得輸出值的和為1。這使得模型能夠?qū)⑤斎胩卣饔成錇橄鄬?duì)權(quán)重的表示，進(jìn)而實(shí)現(xiàn)特征的合理融合。然后將淺層特征映射與注意力向量相乘以生成注意特征映射。具體而言，我們將注意力向量視為權(quán)重系數(shù)，對(duì)淺層特征映射進(jìn)行加權(quán)求和。這種操作可以使得模型能夠根據(jù)淺層特征映射中的不同特征，自主地選擇關(guān)注哪些特征并抑制其他不重要的特征。最后通過(guò)添加深層特征映射來(lái)校準(zhǔn)所關(guān)注的關(guān)鍵特征。這一步驟有助于將淺層特征映射中未考慮到的信息，如空間信息等，融入深層特征映射中。同時(shí)，也有助于提高模型的表達(dá)能力和泛化性能。此外還使用了全局平均池化和1×1卷積來(lái)實(shí)現(xiàn)該模塊。全局平均池化可以將輸入特征圖的尺寸減小至1×1，并將每個(gè)像素點(diǎn)的值壓縮為一個(gè)標(biāo)量。這種操作可以有效地降低計(jì)算復(fù)雜度，并且能夠避免過(guò)擬合現(xiàn)象的產(chǎn)生。而1×1卷積則可以在不改變特征通道數(shù)的情況下，實(shí)現(xiàn)特征的重新組合和利用。相較于其他模塊，該模塊并沒有添加大量額外參數(shù)，因此不會(huì)導(dǎo)致模型復(fù)雜度的顯著增加。同時(shí)，由于全局平均池化的使用，該模塊的計(jì)算成本也得到了大大降低。此外，該模塊還具有較好的泛化性能和表達(dá)能力，能夠有效地提升模型的性能和效果。

3 訓(xùn)練過(guò)程與損失函數(shù)

網(wǎng)絡(luò)訓(xùn)練過(guò)程采用 Pytorch 框架，迭代epoch為500次，每次epoch迭代300輪。批處理尺寸為4，使用Adam優(yōu)化網(wǎng)絡(luò)，β1=0.6，β2=0.999，初始學(xué)習(xí)率為0.000 01，每訓(xùn)練20個(gè)epoch學(xué)習(xí)率下降為原來(lái)的1/2。實(shí)驗(yàn)環(huán)境：操作系統(tǒng)為Ubuntu20.04，Python版本3.7，使用Pytorch框架，硬件采用GPU：NVIDIA GeForce RTX2070 8 GB。

為了得到更加貼近主觀視覺的MAR圖像，設(shè)計(jì)了基于圖像主觀視覺的損失函數(shù)，在保證圖像還原質(zhì)量情況下充分保留原本的組織細(xì)節(jié)。該損失函數(shù)由灰度損失和總變分損失。

灰度損失LMSE，為生成樣本與真實(shí)樣本之間的均方誤差，可以使生成樣本圖像盡可能貼近真實(shí)樣本，如式(5)所示：

(5)

其中：N為訓(xùn)練集中樣本圖像對(duì)數(shù)；Xfree為生成的無(wú)偽影圖像，Y為真實(shí)無(wú)偽影圖像。

總變分損失LTV，由式(6)表示：

(6)

式中，H、W分別為圖像的高度和寬度；▽x、▽y分別為圖像在橫縱坐標(biāo)上的變分和。

總損失函數(shù)Ltotal由式(9)表示：

Ltotal=LMSE+αLTV

(7)

其中：α為權(quán)重用于調(diào)節(jié)效果，初始取值為0.2。

4 實(shí)驗(yàn)結(jié)果與分析

本文采用DeepLesion數(shù)據(jù)集[22]生成的圖像驗(yàn)證所提方法的正確性和有效性，將所提方法與CGANMAR[23]，CycleGAN[24]，CNNMAR[2]，UNet[9]，ADN[20]進(jìn)行對(duì)比實(shí)驗(yàn)。

4.1 數(shù)據(jù)集準(zhǔn)備

利用文獻(xiàn)[2]的方法，基于DeepLesion醫(yī)學(xué)公開數(shù)據(jù)集[25]選取生成了3 040對(duì)金屬偽影對(duì)照?qǐng)D像用于網(wǎng)絡(luò)訓(xùn)練和測(cè)試，選取300對(duì)進(jìn)行測(cè)試，圖像為大小256×256的灰度圖像。在對(duì)比實(shí)驗(yàn)中對(duì)選取的300對(duì)待測(cè)試灰度圖像進(jìn)行統(tǒng)一測(cè)試，得到結(jié)果圖像進(jìn)行標(biāo)準(zhǔn)客觀標(biāo)準(zhǔn)定量對(duì)比，結(jié)果圖像統(tǒng)一窗寬在-800～1 000 HU間，以方便觀察比較。

4.2 評(píng)價(jià)指標(biāo)

數(shù)據(jù)集中包含配對(duì)數(shù)據(jù)，可進(jìn)行定量和定性評(píng)估。為了定量分析CT圖像的金屬偽影校正指標(biāo)，采用峰值信噪比(PSNR，peak signal to noise ratio)、結(jié)構(gòu)相似性指數(shù)(SSIM，structural similarity index measurement)、空域視覺信息保真度(VIFs，spatial domain visual information fidelity)、特征相似度(FSIM，feature similarity index measurement)作為定量評(píng)估指標(biāo)。

PSNR是衡量圖像失真程度或噪聲水平的定量指標(biāo)，使用PSNR對(duì)網(wǎng)絡(luò)去除CT金屬偽影效果進(jìn)行評(píng)估，數(shù)值越高說(shuō)明效果越好。MSE是待測(cè)圖像x與標(biāo)簽圖像y的均方誤差，分別為：

(8)

(9)

式中，i，j為像素值，W，H為圖像的寬和高；n為圖像比特?cái)?shù)。

SSIM是用來(lái)衡量?jī)煞鶊D像的結(jié)構(gòu)相似程度，越接近1說(shuō)明結(jié)構(gòu)相似度越高，計(jì)算方式如式(10)：

(10)

式中，μx、μy為圖像亮度均值，σx、σy為μx、μy的標(biāo)準(zhǔn)差，C1、C2為對(duì)比度。

FSIM是用來(lái)衡量?jī)煞鶊D像特征相似度，其更加關(guān)注圖片中界定物體的結(jié)構(gòu)的邊緣像素而降低了背景區(qū)域的像素的影響，更有助于反映主體的圖像質(zhì)量，其指標(biāo)越接近1表明兩幅圖像的特征相似度越高，其計(jì)算方式如式(11)：

(11)

其中：SL(x)為相位一致性特征相似度與梯度一致性特征相似度融合的相似度，PC(x，y)為相位兩張圖像的相位一致性特征相似度，I為完整圖像像素域。

VIFs數(shù)值越高，結(jié)果圖像和目標(biāo)圖像之間相關(guān)性就越強(qiáng)，指標(biāo)越接近1效果越好，具體公式參考Bovik的計(jì)算方法[26]。

4.3 實(shí)驗(yàn)結(jié)果分析

4.3.1 定性分析

為了展示本文方法處理偽影圖像、去除圖像金屬偽影恢復(fù)圖像細(xì)節(jié)的性能，隨機(jī)從測(cè)試集中選取了3組測(cè)試對(duì)比結(jié)果圖。能夠從圖3中觀察到，CycleGAN[24]作為一種無(wú)監(jiān)督方法在無(wú)監(jiān)督領(lǐng)域表現(xiàn)突出，但是這種模型還要求偽影校正輸出能夠轉(zhuǎn)換回原始偽影影響圖像，這雖然有助于保留內(nèi)容信息但是同樣鼓勵(lì)了模型保留圖像中的金屬偽影結(jié)構(gòu)，影響了模型最終的重建圖像質(zhì)量。ADN作為一種比CycleGAN先進(jìn)的無(wú)監(jiān)督學(xué)習(xí)方法，其生成的圖像質(zhì)量高于CycleGAN但是相比有監(jiān)督方法仍然在偽影的去除方面存在著去除條紋不均勻，細(xì)節(jié)保留不充分的不足，如圖4、5所示，偽影沒有被有效地去除或減少。CNNMAR是基于投影插值的方法。CNNMAR能夠較好地保留條紋但是結(jié)構(gòu)性信息恢復(fù)嚴(yán)重不足。我們還發(fā)現(xiàn)，UNet的效果接近于cGANMAR的效果，cGANMAR在其后端使用類似UNet的體系結(jié)構(gòu)。由于使用GAN結(jié)構(gòu)網(wǎng)絡(luò)，cGANMAR產(chǎn)生了比UNet更銳利的輸出圖像。UNet和cGANMAR在圖像中都顯示出了良好的效果，UNet產(chǎn)生的圖像偽影去除效果較好但是結(jié)構(gòu)信息保留細(xì)節(jié)不夠；cGANMAR在感官上生成圖像比較銳利并較好地去除了偽影亮條紋，但是在處理暗條紋情況仍然有所欠缺。作為改進(jìn)的UNet模型，在單獨(dú)UNet的基礎(chǔ)上加入了注意力門模塊，從表中可以觀察到在結(jié)構(gòu)指標(biāo)以及峰值信噪比等均優(yōu)于UNet。相比于UNet輸出圖像的整體清晰度下降的結(jié)果得到較高的PSNR，在圖3在注意力門模塊的加入后，本文方法得到了相比UNet更加清晰且對(duì)比度更高的去金屬偽影圖像。從圖4、5中可以觀察到，在有復(fù)雜金屬植入物的情況下，上述幾種方法的性能有了比較明顯的下降，兩種無(wú)監(jiān)督方法CycleGAN和ADN去除條紋偽影的效果較差，CycleGAN還產(chǎn)生了新的暗條紋偽影，CNNMAR由于受到先驗(yàn)圖像訓(xùn)練效果的制約，恢復(fù)了一定的組織結(jié)構(gòu)但偽影沒有能夠很好地去除且過(guò)平滑問題較為嚴(yán)重，影響了圖像質(zhì)量。CGANMAR得到了對(duì)比度較高的圖像，但是同樣沒有很好地去除金條紋偽影。UNet去除偽影的效果較為明顯但組織結(jié)構(gòu)的信息保留并不充分，在圖像的部分區(qū)域出現(xiàn)了過(guò)平滑的問題。由于注意力門模塊的加入，增強(qiáng)了UNet網(wǎng)絡(luò)提取主干信息的能力，通過(guò)較粗粒度的特征圖，獲得語(yǔ)義上下文信息，進(jìn)而對(duì)來(lái)自同層的encoder的特征圖中不相關(guān)的特征進(jìn)行抑制，提高了模型對(duì)目標(biāo)區(qū)域的靈敏度和準(zhǔn)確性本文方法在所示圖像中均顯示了優(yōu)于上述方法圖像的性能，能夠在較好去除金屬偽影的同時(shí)保留組織細(xì)節(jié)結(jié)構(gòu)。在圖4所示的金屬偽影原始圖像中可以看出，本圖像中的金屬植入物嚴(yán)重影響了CT掃描獲得的圖像質(zhì)量，對(duì)于細(xì)節(jié)恢復(fù)工作提出了很大的挑戰(zhàn)，CycleGAN恢復(fù)出的圖像帶有明顯的金屬條紋偽影，CNNMAR恢復(fù)出的圖像出現(xiàn)了嚴(yán)重的過(guò)平滑問題，導(dǎo)致結(jié)構(gòu)細(xì)節(jié)損失嚴(yán)重，嚴(yán)重影響了重建圖像的可用性，cGANMAR在圖像對(duì)比度方面取得了較好的視覺效果，但是在圖4所示的ROI區(qū)域內(nèi)，出現(xiàn)了結(jié)構(gòu)丟失的問題，影響了圖像的質(zhì)量，UNet在HU值較低的區(qū)域丟失了較多的細(xì)節(jié)，導(dǎo)致重建圖像的質(zhì)量下降，這可能與UNet在設(shè)計(jì)損失函數(shù)中只使用了均方差損失有關(guān)，均方差損失在最小化誤差的訓(xùn)練過(guò)程中會(huì)忽略標(biāo)簽與輸入較小誤差的像素，從而鼓勵(lì)平滑輸出結(jié)果；在ADN取得的結(jié)果圖中可以觀察到其結(jié)果相對(duì)于CycleGAN的結(jié)果有一定的提高，但是由于無(wú)監(jiān)督學(xué)習(xí)的不確定性，產(chǎn)生的圖像質(zhì)量仍然存在著不足。在圖5所示的模型結(jié)果對(duì)比圖中可以看到，由于金屬植入物的位置CT細(xì)節(jié)受到嚴(yán)重干擾，產(chǎn)生了亮度值過(guò)大的區(qū)域，對(duì)于該區(qū)域的細(xì)節(jié)恢復(fù)同樣是一大挑戰(zhàn)。與上圖類似，CycleGAN保留了細(xì)節(jié)的重建圖像對(duì)比度較高但是存在比較明顯的金屬偽影，CNNMAR在恢復(fù)復(fù)雜圖像的問題上平滑效果明顯影響了圖像可用度，cGANMAR在HU值較低的位置去偽影效果較好，捕捉了圖像細(xì)節(jié)，但是在組織結(jié)構(gòu)明顯的區(qū)域內(nèi)沒有取得理想的效果，UNet仍然存在組織細(xì)節(jié)丟失與組織平滑的問題，此圖中，ADN在較低HU值時(shí)取得了較好的質(zhì)量，同樣留存了明顯的條紋偽影，本文提出的方法在視覺效果上均超越了前述方法，取得了較為可用的重建圖像。

圖3 腹部CT圖像ROI區(qū)域金屬偽影去除結(jié)果

圖4 腹部CT圖像金屬偽影去除結(jié)果

圖5 胸部CT圖像金屬偽影去除結(jié)果

4.3.2 定量分析

表1展示了前述方法在選取的圖像評(píng)價(jià)指標(biāo)中所取得的結(jié)果。所示指標(biāo)中UNet由于監(jiān)督學(xué)習(xí)的學(xué)習(xí)方式，在優(yōu)良先驗(yàn)圖像和選取的合適的目標(biāo)函數(shù)共同校正模型訓(xùn)練情況下，取得了一定的成績(jī)，基于UNet模型和注意力門控模塊的本模型同樣取得了優(yōu)良的成績(jī)，在PSNR上取得了高于UNet的35.591 3的成績(jī)，在PSNR的評(píng)價(jià)標(biāo)準(zhǔn)下已經(jīng)達(dá)到了人眼分辨困難的程度。在SSIM和FSIM兩種結(jié)構(gòu)相似性評(píng)價(jià)指標(biāo)中分別取得了0.928 8和0.961 3的成績(jī)，在總體結(jié)構(gòu)性和主要結(jié)構(gòu)部分相似性得到了很好的效果。而其余方法在評(píng)價(jià)指標(biāo)中并不理想，與前述定性分析結(jié)論相一致。

表1 測(cè)試集金屬偽影去除結(jié)果平均指標(biāo)對(duì)比

5 結(jié)束語(yǔ)

本文提出一種基于UNet的帶有注意力門架構(gòu)的MAR的模型。模型充分利用注意力門結(jié)構(gòu)強(qiáng)大的細(xì)節(jié)提取能力進(jìn)行CT圖像的組織結(jié)構(gòu)細(xì)節(jié)提取和恢復(fù)。在驗(yàn)證實(shí)驗(yàn)過(guò)程中，定性評(píng)估結(jié)果與定量結(jié)果指標(biāo)均表明基于此監(jiān)督數(shù)據(jù)集訓(xùn)練出的注意力UNet模型可以成功抑制金屬偽影，并在重建圖像中能夠有效保留金屬周圍的組織結(jié)構(gòu)和細(xì)節(jié)，與同類方法相比有著更好的性能。