基于深度学习的锥形束CT影像金属伪影去除研究

摘要：

目的:建立基于深度学习的金属伪影去除系统（MARS），评估其对锥形束CT影像中不同厚度金属产生的伪影的去除效果。方法:采用三维打印的光敏树脂制作标准牙列模型（60 mm×75 mm×110 mm），设计目标牙位（上颌、下颌双侧第一和第二前磨牙）为可拆卸替换牙位，通过置入不同厚度（轴面及
面厚度分别均为1.0、1.5、2.0 mm，即A、B、C组）的钴铬合金全冠试件，获得完全配对的含有或不含有金属伪影的锥形束CT影像，并通过结构相似度（SSIM）及峰值信噪比（PSNR）评估不同厚度钴铬合金全冠试件产生伪影的范围。建立基于卷积神经网络（CNN）与U型网络（U-net）的MARS（CNN-MARS及U-net-MARS），检验CNN-MARS和U-net-MARS两种系统去伪影前后图像的SSIM值和PSNR值，评估其去伪影效果；通过可视化方式分析两种系统去除锥形束CT影像中金属伪影的效果。采用单因素方差分析分别对两种系统的SSIM值和PSNR值进行统计分析，检验水准为双侧α=0.05。
结果:A、B、C组钴铬合金全冠试件的SSIM值（分别为0.916±0.019、0.873±0.010、0.833±0.010）和PSNR值（分别为20.834±1.176、17.002±0.427、14.673±0.429）差异均有统计学意义（
F=447.89，
P<0.001；
F=796.51，
P<0.001）。并且随着钴铬合金全冠试件厚度增加，其SSIM及PSNR值均显著增加（
P<0.05）。对含有同一厚度钴铬合金全冠试件的图像，采用CNN-MARS与U-net-MARS去伪影后的SSIM和PSNR值均显著高于伪影去除前（均
P<0.05）。使用CNN-MARS去U-net-MARS伪影后，含不同厚度钴铬合金全冠试件图像的SSIM值和PSNR值差异均无统计学意义（CNN-MARS：
F=2.22，
P=0.112；
F=0.54，
P=0.585；U-net-MARS：
F=0.24，
P=0.788；
F=0.07，
P=0.929）。CNN-MARS与U-net-MARS去伪影后图像与原始图像的相似度较高；相比U-net-MARS，CNN-MARS去伪影后仍可见较清晰的金属边缘，目标区域的组织结构恢复更完整。
结论:本研究构建的锥形束CT图像金属伪影消除CNN-MARS与U-net-MARS模型，均可有效去除金属伪影的干扰，提升图像质量，且去伪影效果不受金属厚度的影响。相比于U-net-MARS，CNN-MARS对恢复伪影周围组织结构具有显著优势。

关键词：锥束计算机体层摄影术、卷积神经网络、U型网络、金属伪影、去伪影

所属期刊栏目：59

资助基金：福建省口腔疾病研究重点实验室2021年开放课题项目2021kq001;Open Research Topic Projects of Fujian Provincial Key Laboratory of Oral Diseases in 20212021kq001

在线出版日期：2024-01-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：71-79