基于深度学习的锥形束CT影像金属伪影去除研究

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(60mm×75mm×110mm),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、2.0mm,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。