CT图像环形伪影去除方法研究现状及展望

doi:10.11772/j.issn.1001-9081.2023030305

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (3): 890-900.DOI: 10.11772/j.issn.1001-9081.2023030305

• 多媒体计算与计算机仿真 • 上一篇下一篇

CT图像环形伪影去除方法研究现状及展望

唐瑶瑶¹^,², 朱叶晨²^,³, 刘仰川²^,³(), 高欣¹^,²^,³

^1.山东中医药大学智能与信息工程学院, 济南 250355
^2.济南国科医工科技发展有限公司, 济南 250101
^3.中国科学院苏州生物医学工程技术研究所医学影像技术研究室, 江苏苏州 215163

收稿日期:2023-03-23 修回日期:2023-06-12 接受日期:2023-06-14 发布日期:2023-12-21 出版日期:2024-03-10
通讯作者: 刘仰川
作者简介:唐瑶瑶（1998—），女，江苏徐州人，硕士研究生，主要研究方向：医学图像处理与分析
朱叶晨（1993—），男，江苏苏州人，助理研究员，硕士，主要研究方向：低剂量CT成像
高欣（1975—），男，吉林吉林人，研究员，博士，主要研究方向：低剂量锥束CT、手术导航及机器人、基于智能计算的精准医疗。
基金资助:
国家重点研发计划项目(2022YFC2408400);国家自然科学基金资助项目(81871439);山东省重点研发计划项目(2021SFGC0104);江苏省重点研发计划项目(BE2021663);苏州科技计划项目(SJC20211014)

Research status and prospect of CT image ring artifact removal methods

Yaoyao TANG¹^,², Yechen ZHU²^,³, Yangchuan LIU²^,³(), Xin GAO¹^,²^,³

^1.School of Intelligence and Information Engineering，Shandong University of Traditional Chinese Medicine，Jinan Shandong 250355，China
^2.Jinan Guoke Medical Technology Development Company Limited，Jinan Shandong 250101，China
^3.Medical Imaging Department，Suzhou Institute of Biomedical Engineering and Technology，Chinese Academy of Sciences，Suzhou Jiangsu 215163，China

Received:2023-03-23 Revised:2023-06-12 Accepted:2023-06-14 Online:2023-12-21 Published:2024-03-10
Contact: Yangchuan LIU
About author:TANG Yaoyao， born in 1998， M. S. candidate. Her research interests include medical image processing and analysis.
ZHU Yechen， born in 1993， M. S.， assistant research fellow. His research interests include low-dose CT imaging.
GAO Xin， born in 1975， Ph. D.， research fellow. His research interests include low-dose cone beam CT， surgical navigation and robotics， precision medicine based on intelligent computing.
Supported by:
National Key Research and Development Program(2022YFC2408400);National Natural Science Foundation of China(81871439);Key Research and Development Program of Shandong Province(2021SFGC0104);Key Research and Development Program of Jiangsu Province(BE2021663);Suzhou Science and Technology Project(SJC20211014)

摘要/Abstract

摘要：

环形伪影是各类型计算机断层扫描（CT）图像中最常见的伪影之一，通常是由于探测器像素对X射线响应不一致导致的。有效去除环形伪影能极大提高CT图像质量，提升后期诊断和分析的精度，是CT图像重建中的必要步骤。因此，对环形伪影去除（又称“环形伪影校正”）方法进行了系统梳理。首先，介绍环形伪影的表现和成因，给出常用的数据集、算法库；其次，依次介绍基于探测器校正、基于解析和迭代求解（分为投影数据预处理、CT图像重建、CT图像后处理环节）、基于深度学习（分为卷积神经网络、生成对抗网络）的环形伪影去除方法，并分析每类方法的原理、发展过程及优缺点；最后，归纳现有环形伪影去除方法在鲁棒性、数据集多样化、模型构建等方面存在的技术瓶颈，并对解决方案进行展望。

关键词: 计算机断层扫描图像, 投影数据, 环形伪影去除, 环形伪影校正, 深度学习

Abstract:

Ring artifact is one of the most common artifacts in various types of CT （Computed Tomography） images， which is usually caused by the inconsistent response of detector pixels to X-rays. Effective removal of ring artifacts， which is a necessary step in CT image reconstruction， will greatly improve the quality of CT images and enhance the accuracy of later diagnosis and analysis. Therefore， the methods of ring artifact removal （also known as ring artifact correction） were systematically reviewed. Firstly， the performance and causes of ring artifacts were introduced， and commonly used datasets and algorithm libraries were given. Secondly， ring artifact removal methods were divided into three categories to introduce. The first category was based on detector calibration. The second category was based on analytical and iterative solution， including projection data preprocessing， CT image reconstruction and CT image post-processing. The last category was based on deep learning methods such as convolutional neural network and generative adversarial network. The principle， development process， advantages and limitations of each method were analyzed. Finally， the technical bottlenecks of existing ring artifact removal methods in terms of robustness， dataset diversity and model construction were summarized， and the solutions were prospected.

Key words: Computed Tomography (CT) image, projection data, ring artifact removal, ring artifact correction, deep learning

中图分类号:

TP391.4

唐瑶瑶, 朱叶晨, 刘仰川, 高欣. CT图像环形伪影去除方法研究现状及展望[J]. 计算机应用, 2024, 44(3): 890-900.

Yaoyao TANG, Yechen ZHU, Yangchuan LIU, Xin GAO. Research status and prospect of CT image ring artifact removal methods[J]. Journal of Computer Applications, 2024, 44(3): 890-900.

图/表 11

图1 环形伪影去除方法的总览图

Fig. 1 General view of ring artifact removal methods

图2 不同坐标系下CT图像环形伪影的表现

Fig. 2 Performance of ring artifacts in CT images under different coordinate systems

图3 正弦图中条形伪影的表现

Fig. 3 Performance of strip artifacts in a sinogram

图4 环形伪影形成机制

Fig.4 Formation mechanism of ring artifacts

图5 基于小波-傅里叶滤波的条形伪影去除流程

Fig. 5 Wavelet-Fourier filtering based stripe artifact removal process

图6 基于空域迭代滤波的环形伪影去除方法

Fig. 6 Ring artifact removal method based on spatial iterative filtering

表1 基于Shepp-Logan数字体模的环形伪影去除方法对比分析

Tab. 1 Comparative analysis of ring artifact removal methods based on Shepp-Logan digital volume model

类别	方法	优点	缺点	目标函数	PSNR/dB	MSSIM
频域滤波	WFF^［31］	参数可调性，适应不同类型环形伪影	需调节大量参数；去除效果不够直观；需图像重建	—	36.450 4	0.884 1
空域滤波	基于极坐标系校正方法^［54］	结果直观、不受图像重建算法影响	坐标变换、插值算法可能导致图像分辨率降低	—	42.546 4	0.892 5
变分模型	相对TV模型^［51］	保留细节和纹理，考虑全局一致性	计算复杂度较高；可能损失图像细节	$m i n S ∑ p S p - I p 2 + λ D x p L x p + ε + D y p L y p + ε$	49.034 1	0.967 9
	基于L1范数单向TV模型^［56］	保留边缘和纹理，较准确识别伪影	易丢失图像细节，致图像模糊	$m i n S S - I 1 + λ 1 ∂ x S - I 0 + λ 2 ∂ y S 1$	43.773 5	0.901 0
	基于L0范数单向TV模型^［55］	去除低幅值伪影信息，保留细节和纹理	易平滑同方向低幅值图像信息；可能去除不彻底	$m i n S ∑ p S p - I p 2 + λ 1 ∑ p ∂ y S p - ∂ y I p 2 + λ 2 ∂ x S p 0$	50.063 8	0.979 1
	基于TV-Stokes 单向TV模型^［53］	保留细节和纹理，引入物理模型	计算复杂度较高；可能丢失图像细节	$m i n S ∇ S - n + λ 1 ∂ S - I ∂ x 1 + λ 2 ∂ S ∂ y 1 + λ 3 S - I 1$	49.124 3	0.971 1

表1 基于Shepp-Logan数字体模的环形伪影去除方法对比分析

Tab. 1 Comparative analysis of ring artifact removal methods based on Shepp-Logan digital volume model

类别	方法	优点	缺点	目标函数	PSNR/dB	MSSIM
频域滤波	WFF^［31］	参数可调性，适应不同类型环形伪影	需调节大量参数；去除效果不够直观；需图像重建	—	36.450 4	0.884 1
空域滤波	基于极坐标系校正方法^［54］	结果直观、不受图像重建算法影响	坐标变换、插值算法可能导致图像分辨率降低	—	42.546 4	0.892 5
变分模型	相对TV模型^［51］	保留细节和纹理，考虑全局一致性	计算复杂度较高；可能损失图像细节	$m i n S ∑ p S p - I p 2 + λ D x p L x p + ε + D y p L y p + ε$	49.034 1	0.967 9
	基于L1范数单向TV模型^［56］	保留边缘和纹理，较准确识别伪影	易丢失图像细节，致图像模糊	$m i n S S - I 1 + λ 1 ∂ x S - I 0 + λ 2 ∂ y S 1$	43.773 5	0.901 0
	基于L0范数单向TV模型^［55］	去除低幅值伪影信息，保留细节和纹理	易平滑同方向低幅值图像信息；可能去除不彻底	$m i n S ∑ p S p - I p 2 + λ 1 ∑ p ∂ y S p - ∂ y I p 2 + λ 2 ∂ x S p 0$	50.063 8	0.979 1
	基于TV-Stokes 单向TV模型^［53］	保留细节和纹理，引入物理模型	计算复杂度较高；可能丢失图像细节	$m i n S ∇ S - n + λ 1 ∂ S - I ∂ x 1 + λ 2 ∂ S ∂ y 1 + λ 3 S - I 1$	49.124 3	0.971 1

图7 基于投影域和重建域的混合环形伪影去除方法

Fig. 7 Hybrid ring artifact removal method based on projection domain and reconstruction domain

图8 GAN训练流程

Fig. 8 Training process of GAN

表2 基于深度学习的环形伪影去除方法对比分析

Tab. 2 Comparative analysis of ring artifact removal methods based on deep learning

类别	模型	改进	优点	缺点	图像域	数据集	PSNR/dB	SSIM	RMSE
CNN	CNN^［13］	双通道输入，图像互相关融合	融合频域校正和深度学习模型优点	计算量较大，均方差损失函数可能导致丢失图像细节	CT图像、正弦图域	AAPM^［75］	—	—	—
	Similar to U-Net^［15］	自定义加权损失函数，改进网络结构	自定义损失函数更有针对性指导模型训练，适应不同任务	训练时间长，计算复杂度及设计难度高	正弦图域	TCIA^［76］	—	—	—
	U-Net with a custom loss^［58］	引入感知损失函数，改进网络结构	提取图像高层语义信息；提高模型泛化能力；双线性上采样避免棋盘伪影	需预训练的卷积神经网络作特征提取器，可能丢失低级特征	CT图像	KiTS19^［77］+ NSCLC^［78］	33.400 0	0.870 0	—
	5-stage U-Net^［12］	双分支图像域并行训练，改进网络结构	融合不同图像域信息，提高环形伪影去除的准确性	模型复杂度高，需更多计算资源，可能存在数据不平衡问题	CT图像、正弦图域、极坐标系图像	AAPM^［75］	—	0.999 1	—
	U-Net^［59］	引入探测器移位	环形伪影转换为噪声，易于模型提取和去除	模型对不同强度噪声去除的泛化能力较弱	CT图像	AAPM^［75］	—	0.958 5	0.009 4
	FCPRN^［60］	引入金字塔特征提取结构	提取CT图像多尺度特征，提高模型鲁棒性与泛化能力	训练复杂度高，对计算资源要求较高；处理速度可能较慢	CT图像	小鼠光谱 CT	44.555 4	0.991 8	0.005 9
	RRAC^［61］	引入残差块、迁移学习，改进损失函数	充分运用深层神经网络；加快模型训练，提高模型性能；减少训练数据量	很大程度依赖源模型选择及质量，对目标任务有限制，需针对性调整	正弦图域	Div2k^［79］	—	—	—
	CNN+ RNN^［8］	改进网络结构，引入SE模块	处理不同类型和程度的伪影；模型鲁棒性强	计算复杂度较高，易出现梯度爆炸、梯度消失	极坐标系图像	AAPM^［75］	39.038 5	0.973 1	2.848 5
GAN	SRGAN^［66］	改进损失函数、生成器和判别器	引入内容损失、URTV损失，提高模型的生成与判别能力	训练过程较为复杂，可能训练不稳定	极坐标系图像	脑部CT	30.31	0.913 0	—
	SGAN^［70］	改进损失函数	引入平滑性损失函数，约束模型训练，提升生成图像质量，提高模型鲁棒性	训练过程不稳定，生成的图像可能缺乏多样性和独特性	CT图像	脑部CT+ 颅底CT	48.988 7	—	—
	CGAN^［72］	引入训练标签，改进损失函数	可以生成指定条件的样本，约束模型训练	训练过程不稳定，需要大量数据和计算资源，生成的样本可能不多样	拉普拉斯 CT图像	大鼠头部 d-PCCT	—	0.996 5	0.096 4
	DCGAN^［74］	改进模型结构，引入批量归一化	自动学习图像高级特征，可生成高质量、多样化图像	训练过程不稳定，训练需要大量数据和计算资源，训练时间长	CT图像	砂岩CT	—	0.998 7	—

表2 基于深度学习的环形伪影去除方法对比分析

Tab. 2 Comparative analysis of ring artifact removal methods based on deep learning

类别	模型	改进	优点	缺点	图像域	数据集	PSNR/dB	SSIM	RMSE
CNN	CNN^［13］	双通道输入，图像互相关融合	融合频域校正和深度学习模型优点	计算量较大，均方差损失函数可能导致丢失图像细节	CT图像、正弦图域	AAPM^［75］	—	—	—
	Similar to U-Net^［15］	自定义加权损失函数，改进网络结构	自定义损失函数更有针对性指导模型训练，适应不同任务	训练时间长，计算复杂度及设计难度高	正弦图域	TCIA^［76］	—	—	—
	U-Net with a custom loss^［58］	引入感知损失函数，改进网络结构	提取图像高层语义信息；提高模型泛化能力；双线性上采样避免棋盘伪影	需预训练的卷积神经网络作特征提取器，可能丢失低级特征	CT图像	KiTS19^［77］+ NSCLC^［78］	33.400 0	0.870 0	—
	5-stage U-Net^［12］	双分支图像域并行训练，改进网络结构	融合不同图像域信息，提高环形伪影去除的准确性	模型复杂度高，需更多计算资源，可能存在数据不平衡问题	CT图像、正弦图域、极坐标系图像	AAPM^［75］	—	0.999 1	—
	U-Net^［59］	引入探测器移位	环形伪影转换为噪声，易于模型提取和去除	模型对不同强度噪声去除的泛化能力较弱	CT图像	AAPM^［75］	—	0.958 5	0.009 4
	FCPRN^［60］	引入金字塔特征提取结构	提取CT图像多尺度特征，提高模型鲁棒性与泛化能力	训练复杂度高，对计算资源要求较高；处理速度可能较慢	CT图像	小鼠光谱 CT	44.555 4	0.991 8	0.005 9
	RRAC^［61］	引入残差块、迁移学习，改进损失函数	充分运用深层神经网络；加快模型训练，提高模型性能；减少训练数据量	很大程度依赖源模型选择及质量，对目标任务有限制，需针对性调整	正弦图域	Div2k^［79］	—	—	—
	CNN+ RNN^［8］	改进网络结构，引入SE模块	处理不同类型和程度的伪影；模型鲁棒性强	计算复杂度较高，易出现梯度爆炸、梯度消失	极坐标系图像	AAPM^［75］	39.038 5	0.973 1	2.848 5
GAN	SRGAN^［66］	改进损失函数、生成器和判别器	引入内容损失、URTV损失，提高模型的生成与判别能力	训练过程较为复杂，可能训练不稳定	极坐标系图像	脑部CT	30.31	0.913 0	—
	SGAN^［70］	改进损失函数	引入平滑性损失函数，约束模型训练，提升生成图像质量，提高模型鲁棒性	训练过程不稳定，生成的图像可能缺乏多样性和独特性	CT图像	脑部CT+ 颅底CT	48.988 7	—	—
	CGAN^［72］	引入训练标签，改进损失函数	可以生成指定条件的样本，约束模型训练	训练过程不稳定，需要大量数据和计算资源，生成的样本可能不多样	拉普拉斯 CT图像	大鼠头部 d-PCCT	—	0.996 5	0.096 4
	DCGAN^［74］	改进模型结构，引入批量归一化	自动学习图像高级特征，可生成高质量、多样化图像	训练过程不稳定，训练需要大量数据和计算资源，训练时间长	CT图像	砂岩CT	—	0.998 7	—

表3 不同类别环形伪影去除方法对比分析

Tab. 3 Comparative analysis of different categories of ring artifact removal methods

类别		主要思想	优点	缺点	应用
探测器校正		每个像素接收相同剂量射线时，输出灰度值相同的数字图像	避免由系统误差引起的测量偏差，提高成像分辨率	需要特定的CT采集场景，难以保证实际采集情况与校正模型一致	拟合非线性响应^［17］
					平场不稳定性^［18-20］
					非线性偏差校正^［21］
					非误差投影子集^［22］
解析与迭代求解	前处理	通过校正投影正弦图中的条形伪影，去除重建CT图像中的环形伪影	条形伪影易于检测和去除，去除技术相对成熟	难以平衡校正效率和去除效果；投影数据较难获得；在重建时敏感	插值^［26-27］
					滤波^［28-29］
					变换、滤波^［30-32］
					多尺度^［33-34］
	重建	融合重建和环形伪影去除任务	对较少数据具有鲁棒性；目标函数架构灵活，可融合多种类型的正则项	目标函数设计较为复杂；计算量大；对噪声敏感；需确定合适的迭代次数	全变分^［35-36］
	重建	融合重建和环形伪影去除任务	对较少数据具有鲁棒性；目标函数架构灵活，可融合多种类型的正则项	目标函数设计较为复杂；计算量大；对噪声敏感；需确定合适的迭代次数	稀疏表示^［37］
	后处理	直接处理或转换到极坐标系处理，环形伪影在极坐标中表现为条形伪影	避免重建过程影响； CT图像易于获得；算法易于实现	算法固有限制；坐标变换两次插值操作可能导致图像分辨率下降；不规则环形伪影去除存在局限	笛卡儿坐标系^［38-39］
					极坐标系	分割^［40-42］
						变换^［43-44］
						分解^［45-47］
						滤波^［48-53］
深度学习	CNN	自动提取环形伪影图像高维特征	具有强大特征表达能力；网络架构灵活	需要配对数据集；模型计算复杂度较高	改进损失函数^{［15，58］}
					提高模型鲁棒性^［8，60］
					提高训练效率^［61］
	GAN	通过网络间的对抗学习生成高分辨率环形伪影去除图像	拟合真实样本分布，学到数据高级抽象特征；泛化能力强；模型架构灵活	难以达到纳什平衡状态；训练不稳定；需要大量计算资源	改进损失函数^{［66，70，72］}
	GAN	通过网络间的对抗学习生成高分辨率环形伪影去除图像	拟合真实样本分布，学到数据高级抽象特征；泛化能力强；模型架构灵活	难以达到纳什平衡状态；训练不稳定；需要大量计算资源	改进网络结构^{［72，74］}

表3 不同类别环形伪影去除方法对比分析

Tab. 3 Comparative analysis of different categories of ring artifact removal methods

类别		主要思想	优点	缺点	应用
探测器校正		每个像素接收相同剂量射线时，输出灰度值相同的数字图像	避免由系统误差引起的测量偏差，提高成像分辨率	需要特定的CT采集场景，难以保证实际采集情况与校正模型一致	拟合非线性响应^［17］
					平场不稳定性^［18-20］
					非线性偏差校正^［21］
					非误差投影子集^［22］
解析与迭代求解	前处理	通过校正投影正弦图中的条形伪影，去除重建CT图像中的环形伪影	条形伪影易于检测和去除，去除技术相对成熟	难以平衡校正效率和去除效果；投影数据较难获得；在重建时敏感	插值^［26-27］
					滤波^［28-29］
					变换、滤波^［30-32］
					多尺度^［33-34］
	重建	融合重建和环形伪影去除任务	对较少数据具有鲁棒性；目标函数架构灵活，可融合多种类型的正则项	目标函数设计较为复杂；计算量大；对噪声敏感；需确定合适的迭代次数	全变分^［35-36］
	重建	融合重建和环形伪影去除任务	对较少数据具有鲁棒性；目标函数架构灵活，可融合多种类型的正则项	目标函数设计较为复杂；计算量大；对噪声敏感；需确定合适的迭代次数	稀疏表示^［37］
	后处理	直接处理或转换到极坐标系处理，环形伪影在极坐标中表现为条形伪影	避免重建过程影响； CT图像易于获得；算法易于实现	算法固有限制；坐标变换两次插值操作可能导致图像分辨率下降；不规则环形伪影去除存在局限	笛卡儿坐标系^［38-39］
					极坐标系	分割^［40-42］
						变换^［43-44］
						分解^［45-47］
						滤波^［48-53］
深度学习	CNN	自动提取环形伪影图像高维特征	具有强大特征表达能力；网络架构灵活	需要配对数据集；模型计算复杂度较高	改进损失函数^{［15，58］}
					提高模型鲁棒性^［8，60］
					提高训练效率^［61］
	GAN	通过网络间的对抗学习生成高分辨率环形伪影去除图像	拟合真实样本分布，学到数据高级抽象特征；泛化能力强；模型架构灵活	难以达到纳什平衡状态；训练不稳定；需要大量计算资源	改进损失函数^{［66，70，72］}
	GAN	通过网络间的对抗学习生成高分辨率环形伪影去除图像	拟合真实样本分布，学到数据高级抽象特征；泛化能力强；模型架构灵活	难以达到纳什平衡状态；训练不稳定；需要大量计算资源	改进网络结构^{［72，74］}

参考文献 80

1	PALMISANO A， VIGNALE D， TADIC M， et al. Myocardial late contrast enhancement CT in troponin-positive acute chest pain syndrome ［J］. Radiology， 2022， 302（3）： 545-553. 10.1148/radiol.211288
2	COBOS S F， NORLEY C J， POLLMANN S I， et al. High-dynamic-range micro-CT for nondestructive testing of titanium 3D-printed medical components ［J］. Journal of Medical Imaging， 2022， 9（4）： 044004. 10.1117/1.jmi.9.4.044004
3	谷晓芳，鲍雅晴，贺丽萍. PET/CT动物实验相关问题的思考［J］. 中国医疗器械杂志，2022， 46（4）： 454-458. 10.3969/j.issn.1671-7104.2022.04.021
	GU X F， BAO Y Q， HE L P. Consideration on animal experiment in PET/CT ［J］. Chinese Journal of Medical Instrumentation， 2022， 46（4）： 454-458. 10.3969/j.issn.1671-7104.2022.04.021
4	INÁCIO J R， SRINIVASAN S B， RUDDY T D， et al. Static CT myocardial perfusion imaging： image quality， artifacts including distribution and diagnostic performance compared to 82Rb PET ［J］. European Journal of Hybrid Imaging， 2022， 6（1）： 1-18. 10.1186/s41824-021-00118-x
5	SI-MOHAMED S A， BOCCALINI S， LACOMBE H， et al. Coronary CT angiography with photon-counting CT： first-in-human results ［J］. Radiology， 2022， 303（2）： 303-313. 10.1148/radiol.211780
6	TATSUGAMI F， HIGAKI T， NAKAMURA Y， et al. Dual-energy CT： minimal essentials for radiologists ［J］. Japanese Journal of Radiology， 2022， 40（6）： 547-559. 10.1007/s11604-021-01233-2
7	LEE C-L， PARK J， NAM S， et al. Metal artifact reduction and tumor detection using photon-counting multi-energy computed tomography ［J］. PLoS ONE， 2021， 16（3）： e0247355. 10.1371/journal.pone.0247355
8	YUAN L， XU Q， LIU B， et al. A deep learning-based ring artifact correction method for X-ray CT ［J］. Radiation Detection Technology and Methods， 2021， 5： 493-503. 10.1007/s41605-021-00286-1
9	ANAS E M ABU， KIM J G， LEE S Y， et al. Comparison of ring artifact removal methods using flat panel detector based CT images［J］. Biomedical Engineering OnLine， 2011， 10： 72. 10.1186/1475-925x-10-72
10	VO N T， ATWOOD R C， DRAKOPOULOS M. Superior techniques for eliminating ring artifacts in X-ray micro-tomography［J］. Optics Express， 2018， 26（22）： 28396-28412. 10.1364/oe.26.028396
11	DE CARLO F， GÜRSOY D， CHING D J， et al. TomoBank： a tomographic data repository for computational X-ray science ［J］. Measurement Science and Technology， 2018， 29（3）： No.034004. 10.1088/1361-6501/aa9c19
12	FANG W， LI L， CHEN Z. Removing ring artefacts for photon-counting detectors using neural networks in different domains ［J］. IEEE Access， 2020， 8： 42447-42457. 10.1109/access.2020.2977096
13	CHANG S， CHEN X， DUAN J， et al. A CNN-based hybrid ring artifact reduction algorithm for CT images ［J］. IEEE Transactions on Radiation and Plasma Medical Sciences， 2021， 5（2）： 253-260. 10.1109/trpms.2020.2983391
14	CHEN H， ZHANG Y， KALRA M K， et al. Low-dose CT with a residual encoder-decoder convolutional neural network ［J］. IEEE Transactions on Medical Imaging， 2017， 36（12）： 2524-2535. 10.1109/tmi.2017.2715284
15	NAUWYNCK M， BAZRAFKAN S， VAN HETEREN A H， et al. Ring artifact reduction in sinogram space using deep learning ［EB/OL］. ［2023-02-16］. .
16	VO N T， ATWOOD R C， DRAKOPOULOS M， et al. Data processing methods and data acquisition for samples larger than the field of view in parallel-beam tomography ［J］. Optics Express， 2021， 29（12）： 17849-17874. 10.1364/oe.418448
17	李俊江，胡少兴，李保磊，等. CT 图像环状伪影校正方法［J］. 北京航空航天大学学报， 2007， 33（11）： 1378-1382.
	LI J J， HU S X， LI B L， et al. Ring artifact correction for industrial CT images ［J］. Journal of Beijing University of Aeronautics and Astronautics， 2007， 33（11）： 1378-1382.
18	VAN NIEUWENHOVE V， DE BEENHOUWER J， DE CARLO F， et al. Dynamic intensity normalization using eigen flat fields in X-ray imaging ［J］. Optics Express， 2015， 23（21）： 27975-27989. 10.1364/oe.23.027975
19	LIFTON J， LIU T. Ring artefact reduction via multi-point piecewise linear flat field correction for X-ray computed tomography［J］. Optics Express， 2019， 27（3）： 3217-3228. 10.1364/oe.27.003217
20	CROTON L C P， RUBEN G， MORGAN K S， et al. Ring artifact suppression in X-ray computed tomography using a simple， pixel-wise response correction ［J］. Optics Express， 2019， 27（10）： 14231-14245. 10.1364/oe.27.014231
21	GUO X， WU W， DUAN X， et al. Nonlinear deviation correction for ring-artifact removal with cone-beam computed tomography［J］. IEEE Transactions on Instrumentation and Measurement， 2022， 71： No.5019510. 10.1109/tim.2022.3193713
22	WEDEKIND M， CASTILLO S， MAGNOR M. Feature-sensitive ring artifact correction for computed tomography ［J］. Journal of Nondestructive Evaluation， 2023， 42： No.5. 10.1007/s10921-022-00914-w
23	余晓锷，罗君芳，陈武凡. 基于弦图的 CT 图像环形伪影校正［J］. 第四军医大学学报， 2009， 30（3）： 207-209.
	YU X E， LUO J F， CHEN W F. Wing artifact correction of CT images based on sinogram ［J］. Journal of the Fourth Military Medical University， 2009， 30（3）： 207-209.
24	李保磊，杨民，傅健，等. 两种CT成像环状伪影校正方法［J］. 光学学报， 2009， 29（7）： 1849-1853. 10.3788/aos20092907.1849
	LI B L， YANG M， FU J， et al. Two ring artifact correction methods for computed tomography ［J］. Acta Optica Sinica， 2009， 29（7）： 1849-1853. 10.3788/aos20092907.1849
25	王珏，黄苏红，蔡玉芳. 改进Canny算法的CT图像环形伪影校正［J］. 光学精密工程， 2011， 19（11）： 2767-2773. 10.3788/ope.20111911.2767
	WANG J， HUANG S H， CAI Y F. Improved Canny algorithm for correcting ring artifacts of CT images ［J］. Optics and Precision Engineering， 2011， 19（11）： 2767-2773. 10.3788/ope.20111911.2767
26	王珏，黄苏红，蔡玉芳. 工业CT图像环形伪影校正［J］. 光学精密工程， 2010， 18（5）： 1226-1233.
	WANG J， HUANG S H， CAI Y F， Ring artifact correction for ICT images ［J］. Optics and Precision Engineering， 2010， 18（5）： 1226-1233.
27	ŠALPLACHTA J， ZIKMUND T， ZEMEK M， et al. Complete ring artifacts reduction procedure for lab-based X-ray nano CT systems［J］. Sensors， 2021， 21（1）： 238. 10.3390/s21010238
28	KOWALSKI G. Suppression of ring artefacts in CT fan-beam scanners ［J］. IEEE Transactions on Nuclear Science， 1978， 25（5）： 1111-1116. 10.1109/tns.1978.4329487
29	ASHRAFUZZAMAN A N M， LEE S Y， HASAN M K. A self-adaptive approach for the detection and correction of stripes in the sinogram： suppression of ring artifacts in CT imaging ［J］. EURASIP Journal on Advances in Signal Processing， 2011， 2011： 183547. 10.1155/2011/183547
30	RAVEN C. Numerical removal of ring artifacts in microtomography［J］. Review of Scientific Instruments， 1998， 69（8）： 2978-2980. 10.1063/1.1149043
31	MÜNCH B， TRTIK P， MARONE F， et al. Stripe and ring artifact removal with combined wavelet — Fourier filtering ［J］. Optics Express， 2009， 17（10）： 8567-8591. 10.1364/oe.17.008567
32	郭宏，曾栋，张华，等. 基于投影域小波滤波处理的CT图像环形伪影去除方法［J］. 南方医科大学学报， 2015， 35（9）： 1258-1262. 10.3969/j.issn.1673-4254.2015.09.008
	GUO H， ZENG D， ZHANG H， et al. CT ring artifact reduction using an improved wavelet filtering in the sinogram domain ［J］. Journal of Southern Medical University， 2015， 35（9）： 1258-1262. 10.3969/j.issn.1673-4254.2015.09.008
33	MÄKINEN Y， MARCHESINI S， FOI A. Ring artifact reduction via multiscale nonlocal collaborative filtering of spatially correlated noise ［J］. Journal of Synchrotron Radiation， 2021， 28（3）： 876-888. 10.1107/s1600577521001910
34	MÄKINEN Y， MARCHESINI S， FOI A. Ring artifact and Poisson noise attenuation via volumetric multiscale nonlocal collaborative filtering of spatially correlated noise ［J］. Journal of Synchrotron Radiation， 2022， 29（3）： 829-842. 10.1107/s1600577522002739
35	PALEO P， MIRONE A. Ring artifacts correction in compressed sensing tomographic reconstruction ［J］. Journal of Synchrotron Radiation， 2015， 22（5）： 1268-1278. 10.1107/s1600577515010176
36	SALEHJAHROMI M， WANG Q， ZHANG Y， et al. A new iterative algorithm for ring artifact reduction in CT using ring total variation ［J］. Medical Physics， 2019， 46（11）： 4803-4815. 10.1002/mp.13762
37	SELIM M， RASHED E A， ATIEA M A， et al. Sparsity-based method for ring artifact elimination in computed tomography ［J］. PLoS ONE， 2022， 17（6）： e0268410. 10.1371/journal.pone.0268410
38	ZELLERHOFF M， SCHOLZ B， RUEHRNSCHOPF E P， et al. Low contrast 3D reconstruction from C-arm data ［J］. Proceedings of the SPIE， 2005， 5745： 646-655. 10.1117/12.593433
39	王闯，李诗，吴少海，等. 基于中值滤波的口腔CT图像环形伪影去除算法［J］. 中国医疗器械信息， 2018， 24（9）： 27-28， 44. 10.3969/j.issn.1006-6586.2018.09.013
	WANG C， LI S， WU S H， et al. Ring artifact reduction of dental CT image based on median filter ［J］. China Medical Device Information， 2018， 24（9）： 27-28， 44. 10.3969/j.issn.1006-6586.2018.09.013
40	杨硕，苗积臣，刘锡明，等. 一种基于阈值分割的CT图像环状伪影消除方法［J］. 核电子学与探测技术， 2014， 34（1）： 5-8.
	YANG S， MIAO J C， LIU X M， et al. A new method which based on threshold segmentation for correcting ring artifacts in CT image ［J］. Nuclear Electronics and Detection Technology， 2014， 34（1）： 5-8.
41	SIJBERS J， POSTNOV A. Reduction of ring artefacts in high resolution micro-CT reconstructions ［J］. Physics in Medicine and Biology， 2004， 49（14）： 247-253. 10.1088/0031-9155/49/14/n06
42	BRUN F， KOUROUSIAS G， DREOSSI D， et al. An improved method for ring artifacts removing in reconstructed tomographic images ［C］// Proceedings of the 2009 World Congress on Medical Physics and Biomedical Engineering. Cham： Springer， 2009： 926-929. 10.1007/978-3-642-03882-2_247
43	张国强，周虎，和友，等. 基于极坐标变换去除计算机层析图像环形伪影［J］. 光学学报， 2012， 32（5）： 0534001. 10.3788/aos201232.0534001
	ZHANG G Q， ZHOU H， HE Y， et al. Ring artifacts correction of computerized tomography image based on polar-coordinate transform ［J］. Acta Optica Sinica， 2012， 32（5）： 0534001. 10.3788/aos201232.0534001
44	WEI Z， WIEBE S， CHAPMAN D. Ring artifacts removal from synchrotron CT image slices ［J］. Journal of Instrumentation， 2013， 8（6）： C06006. 10.1088/1748-0221/8/06/c06006
45	CHEN Y-W， DUAN G， FUJITA A， et al. Ring artifacts reduction in cone-beam CT images based on independent component analysis［C］// Proceedings of the 2009 IEEE Instrumentation and Measurement Technology Conference. Piscataway： IEEE， 2009： 1734-1737. 10.1109/imtc.2009.5168737
46	YANG Y， ZHANG D， YANG F， et al. Post-processing method for the removal of mixed ring artifacts in CT images ［J］. Optics Express， 2020， 28（21）： 30362-30378. 10.1364/oe.401088
47	LI Y， ZHAO Y， JI D， et al. Sparse-domain regularized stripe decomposition combined with guided-image filtering for ring artifact removal in propagation-based X-ray phase-contrast CT ［J］. Physics in Medicine and Biology， 2021， 66（10）： 105011. 10.1088/1361-6560/abf9de
48	KYRIAKOU Y， PRELL D， KALENDER W A. Ring artifact correction for high-resolution micro CT ［J］. Physics in Medicine and Biology， 2009， 54（17）： 385-391. 10.1088/0031-9155/54/17/n02
49	林志宏，李光，罗守华. 全变差最小化在CT图像环状伪影去除中的应用［J］. 计算机工程与应用， 2015， 51（21）： 195-198. 10.3778/j.issn.1002-8331.1310-0289
	LIN Z H， LI G， LUO S H. Ring artifact correction via total variation minimization ［J］. Computer Engineering and Applications， 2015， 51（21）： 195-198. 10.3778/j.issn.1002-8331.1310-0289
50	HUO Q， LI J， LU Y. Removing ring artefacts in CT images via unidirectional relative variation model ［J］. Electronics Letters， 2016， 52（22）： 1838-1839. 10.1049/el.2016.2692
51	霍其润，李建武，陆耀，等. 基于变分的CT图像环形伪影校正［J］. 自动化学报， 2019， 45（9）： 1713-1726.
	HUO Q R， LI J W， LU Y， et al. Variation-based ring artifact correction in CT images ［J］. Acta Automatica Sinica， 2019， 45（9）： 1713-1726.
52	LIANG X， ZHANG Z， NIU T， et al. Iterative image-domain ring artifact removal in cone-beam CT ［J］. Physics in Medicine and Biology， 2017， 62（13）： 5276-5292. 10.1088/1361-6560/aa7017
53	WU H， LI J， WANG H. Removing ring artifacts in cone-beam CT via TV-Stokes and unidirectional total variation model ［J］. Medical Physics， 2019， 46（4）： 1719-1727. 10.1002/mp.13430
54	PRELL D， KYRIAKOU Y， KALENDER W A. Comparison of ring artifact correction methods for flat-detector CT ［J］. Physics in Medicine and Biology， 2009， 54（12）： 3881-3895. 10.1088/0031-9155/54/12/018
55	HUO Q， LI J， LU Y， et al. Removing ring artifacts in CBCT images via smoothing ［J］. International Journal of Imaging Systems and Technology， 2016， 26（4）： 284-294. 10.1002/ima.22200
56	YAN L， WU T， ZHONG S， et al. A variation-based ring artifact correction method with sparse constraint for flat-detector CT ［J］. Physics in Medicine and Biology， 2016， 61（3）： 1278-1292. 10.1088/0031-9155/61/3/1278
57	季长清，高志勇，秦静，等. 基于卷积神经网络的图像分类算法综述［J］. 计算机应用， 2022， 42（4）： 1044-1049. 10.11772/j.issn.1001-9081.2021071273
	JI C Q， GAO Z Y， QIN J， et al. Review of image classification algorithms based on convolutional neural network ［J］. Journal of Computer Applications， 2022， 42（4）： 1044-1049. 10.11772/j.issn.1001-9081.2021071273
58	HEIN D， LIAPPIS K， GRÖNBERG F， et al. Ring artifact correction in photon-counting spectral CT using a convolutional neural network with spectral loss ［EB/OL］. ［2022-10-24］. .
59	LIU Y， WEI C， XU Q. Detector shifting and deep learning based ring artifact correction method for low-dose CT ［J］. Medical Physics， 2023， 50（7）： 4308-4324. 10.1002/mp.16225
60	LV X， REN X， HE P， et al. Image denoising and ring artifacts removal for spectral CT via deep neural network ［J］. IEEE Access， 2020， 8： 225594-225601. 10.1109/access.2020.3044708
61	FU T， WANG Y， ZHANG K， et al. Deep-learning-based ring artifact correction for tomographic reconstruction ［J］. Journal of Synchrotron Radiation， 2023， 30（3）： 620-626. 10.1107/s1600577523000917
62	GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial networks ［J］. Communications of the ACM， 2020， 63（11）： 139-144. 10.1145/3422622
63	TRAN L D， NGUYEN S M， ARAI M. GAN-based noise model for denoising real images ［C］// Proceedings of the 2020 Asian Conference on Computer Vision. Cham： Springer， 2020： 560-572. 10.1007/978-3-030-69538-5_34
64	LEDIG C， THEIS L， HUSZÁR F， et al. Photo-realistic single image super-resolution using a generative adversarial network ［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 105-114. 10.1109/cvpr.2017.19
65	NAGANO Y， KIKUTA Y. SRGAN for super-resolving low-resolution food images ［C］// Proceedings of the 2018 Joint Workshop on Multimedia for Cooking and Eating Activities and Multimedia Assisted Dietary Management. New York： ACM， 2018： 33-37. 10.1145/3230519.3230587
66	WANG Z， LI J， ENOH M. Removing ring artifacts in CBCT images via generative adversarial networks with unidirectional relative total variation loss ［J］. Neural Computing and Applications， 2019， 31： 5147-5158. 10.1007/s00521-018-04007-6
67	YANG Q， YAN P， ZHANG Y， et al. Low-dose CT image denoising using a generative adversarial network with Wasserstein distance and perceptual loss ［J］. IEEE Transactions on Medical Imaging， 2018， 37（6）： 1348-1357. 10.1109/tmi.2018.2827462
68	ZHANG H， SINDAGI V， PATEL V M. Image de-raining using a conditional generative adversarial network ［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2020， 30（11）： 3943-3956. 10.1109/tcsvt.2019.2920407
69	KUPYN O， BUDZAN V， MYKHAILYCH M， et al. DeblurGAN： blind motion deblurring using conditional adversarial networks［C］// Proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 8183-8192. 10.1109/cvpr.2018.00854
70	ZHAO S， LI J， HUO Q. Removing ring artifacts in CBCT images via generative adversarial network ［C］// Proceedings of the 2018 IEEE International Conference on Acoustics， Speech and Signal Processing. Piscataway： IEEE， 2018： 1055-1059. 10.1109/icassp.2018.8462316
71	LOEY M， MANOGARAN G， KHALIFA N E M. A deep transfer learning model with classical data augmentation and CGAN to detect COVID-19 from chest CT radiography digital images ［J］. Neural Computing and Applications， 2020， 2020： 1-13. 10.1007/s00521-020-05437-x
72	HUANG Z， SUNAGUCHI N， SHIMAO D， et al. Ring artifact removal for differential phase-contrast X-ray computed tomography using a conditional generative adversarial network ［J］. International Journal of Computer Assisted Radiology and Surgery， 2021， 16（11）： 1889-1900. 10.1007/s11548-021-02500-3
73	RADFORD A， METZ L， CHINTALA S. Unsupervised representation learning with deep convolutional generative adversarial networks ［EB/OL］. ［2023-02-11］. . 10.1109/aiar.2018.8769811
74	KORNILOV A， SAFONOV I， REIMERS I， et al. Deep neural networks for ring artifacts segmentation and corrections in fragments of CT images ［C］// Proceedings of the 2021 28th Conference of Open Innovations Association. Piscataway： IEEE， 2021： 181-193. 10.23919/fruct50888.2021.9347587
75	AAPM. Low dose CT grand challenge ［EB/OL］. ［2022-06-18］. .
76	CLARK K， VENDT B， SMITH K， et al. The Cancer Imaging Archive （TCIA）： maintaining and operating a public information repository ［J］. Journal of Digital Imaging， 2013， 26： 1045-1057. 10.1007/s10278-013-9622-7
77	HELLER N， ISENSEE F， MAIER-HEIN K H， et al. The state of the art in kidney and kidney tumor segmentation in contrast-enhanced CT imaging： Results of the KiTS19 challenge ［J］. Medical Image Analysis， 2021， 67： 101821. 10.1016/j.media.2020.101821
78	BAKR S， GEVAERT O， ECHEGARAY S， et al. A radiogenomic dataset of non-small cell lung cancer ［J］. Scientific Data， 2018， 5： 180202. 10.1038/sdata.2018.202
79	TIMOFTE R， AGUSTSSON E， GU S， et al. DIV2K dataset： DIVerse 2K resolution high quality images as used for the challenges@ NTIRE （CVPR 2017 and CVPR 2018） and@ PIRM （ECCV 2018）［EB/OL］. ［2023-03-01］. .
80	WANG D， FAN F， WU Z， et al. CTformer： convolution-free Token2Token dilated vision transformer for low-dose CT denoising［J］. Physics in Medicine and Biology， 2023， 68（6）： No.065012. 10.1088/1361-6560/acc000

[1]	张鹏飞, 韩李涛, 冯恒健, 李洪梅. 基于注意力机制和全局特征优化的点云语义分割[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1086-1092.
[2]	杨先凤, 汤依磊, 李自强. 基于交替注意力机制和图卷积网络的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1058-1064.
[3]	王铂越, 李英祥, 钟剑丹. 基于改进Res-UNet的昼夜地基云图分割网络[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1310-1316.
[4]	万泽轩, 谢春丽, 吕泉润, 梁瑶. 基于依赖增强的分层抽象语法树的代码克隆检测[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1259-1268.
[5]	唐睿, 岳士博, 张睿智, 刘川, 庞川林. UAV协助下非正交多址接入使能的数据采集系统中能效优化机制[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1209-1218.
[6]	孙祥杰, 魏强, 王奕森, 杜江. 代码相似性检测技术综述[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1248-1258.
[7]	董炜娜, 刘佳, 潘晓中, 陈立峰, 孙文权. 基于编码-解码网络的大容量鲁棒图像隐写方案[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 772-779.
[8]	赵奎, 仇慧琪, 李旭, 徐知非. 结合注意力和多路径融合的实时肺结节检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 945-952.
[9]	徐大鹏, 侯新民. 基于网络结构设计的图神经网络特征选择方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 663-670.
[10]	李雨秋, 侯利萍, 薛健, 吕科, 王泳. 基于内容解译的遥感图像推荐方法[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 722-731.
[11]	蔡美玉, 朱润哲, 吴飞, 张开昱, 李家乐. 基于注意力机制和多粒度特征融合的跨视角匹配模型[J]. 《计算机应用》唯一官方网站, 2024, 44(3): 901-908.
[12]	宋钰丹, 王晶, 王雪徽, 马朝阳, 林友芳. 基于自适应多任务学习的睡眠生理时序分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 654-662.
[13]	张家伟, 高冠东, 肖珂, 宋胜尊. 基于改进分层注意网络和TextCNN联合建模的暴力犯罪分级算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 403-410.
[14]	荆智文, 张屿佳, 孙伯廷, 郭浩. 二阶段孪生图卷积神经网络推荐算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 469-476.
[15]	邱华禄, 蔺素珍, 王彦博, 刘峰, 李大威. 基于复卷积双域级联网络的欠采样磁共振图像重建算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 580-587.

CT图像环形伪影去除方法研究现状及展望

Research status and prospect of CT image ring artifact removal methods

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 80

相关文章 15

编辑推荐

Metrics