DAWANT, Benoit M.,WANG, Jianing,NOBLE, Jack H.,LABADIE, Robert F.
申请号：
USUS2019/045221
公开号：
WO2020/033355A1
申请日:
2019.08.06
申请国别(地区):
US
年份:
2020
代理人:
摘要：
A deep-learning-based method for metal artifact reduction in CT images includes providing a dataset and a cGAN. The dataset includes CT image pairs, randomly partitioned into a training set, a validation set, and a testing set. Each Pre-CT and Post-CT image pairs is respectively acquired in a region before and after an implant is implanted. The Pre-CT and Post-CT images of each pair are artifact-free CT and artifact-affected CT images, respectively. The cGAN is conditioned on the Post-CT images, includes a generator and a discriminator that operably compete with each other, and is characterized with a training objective that is a sum of an adversarial loss and a reconstruction loss. The method also includes training the cGAN with the dataset； inputting the post-operatively acquired CT image to the trained cGAN； and generating an artifact-corrected image by the trained cGAN, where metal artifacts are removed in the artifact-corrected image.L'invention concerne un procédé basé sur l'apprentissage profond pour la réduction d'artéfacts métalliques dans des images de tomodensitométrie comprenant la fourniture d'un ensemble de données et d'un cGAN. L'ensemble de données comprend des paires d'images de tomodensitométrie, partitionnées de manière aléatoire en un ensemble d'apprentissage, un ensemble de validation et un ensemble de test. Chaque paire d'images pré-tomodensitométrie et post-tomodensitométrie est respectivement acquise dans une région avant et après l'implantation d'un implant. Les images pré-tomodensitométrie et post-tomodensitométrie de chaque paire sont des images de tomodensitométrie sans artefact et des images de tomodensitométrie affectées par un artefact, respectivement. Le cGAN est conditionné sur les images post-tomodensitométrie, comprend un générateur et un discriminateur qui sont en compétition fonctionnelle l'un avec l'autre, et est caractérisé par un objectif d'apprentissage qui est une somme d'une perte contradictoire et d'une perte de reconstruc
