扇束CT的自適應(yīng)迭代、稀疏重建及雙能分解算法研究.pdf

1、傳統(tǒng)的迭代重建算法需要進(jìn)行頻繁的、主觀的迭代步長調(diào)整，為解決該問題我們提出了自適應(yīng)的聯(lián)合代數(shù)重建算法。近年來，低劑量CT成像逐漸成為眾多學(xué)者的研究熱點，其中基于壓縮感知的CT成像算法可以通過減少C T掃描射線的數(shù)目來降低輻射劑量，本文結(jié)合自適應(yīng)的聯(lián)合代數(shù)重建算法及壓縮感知理論提出了一種基于壓縮感知的自適應(yīng)聯(lián)合代數(shù)重建算法。另外，為了減少射束硬化偽影，增強對軟組織病變的診斷能力，本文開展了對雙能分解算法的研究。
　　本文首先從聯(lián)合代

2、數(shù)重建算法（SART）入手，提出了一種基于模糊熵的自適應(yīng)聯(lián)合代數(shù)重建算法（ASART）。該算法在進(jìn)行初步的SART重建之后，對重建圖像采用模糊熵的方法進(jìn)行邊緣檢測，并構(gòu)建該重建圖像的鄰域一致性測度（NHM），在此基礎(chǔ)上，構(gòu)建合適的映射函數(shù)，將 NHM映射在[0,1]之間，并以此作為SART算法的迭代步長，實現(xiàn)根據(jù)重建圖像各部分的灰度特征自適應(yīng)地選取迭代步長，完成自適應(yīng)迭代。隨后，筆者結(jié)合ASART算法和SART-TV算法提出了ASART

3、-TV算法，該算法旨在構(gòu)建合適的映射L，將重建圖像的有限差分圖像映射為可以表現(xiàn)圖像邊緣信息的迭代步長，以此步長替代AS ART算法中的自適應(yīng)步長，以實現(xiàn)自適應(yīng)迭代過程。為了檢驗ASART算法、ASART-TV算法的有效性，筆者選取Shepp-Lo ga n頭模型數(shù)據(jù)、頭仿體數(shù)據(jù)以及臨床數(shù)據(jù)分別進(jìn)行了算法重建，并以歸一化均方距離（NRMSE）、歸一化平均絕對距離（NMAE）、信噪比（SNR）對Shepp-Logan頭模型數(shù)據(jù)的重建結(jié)果進(jìn)行

4、定量分析，以圖像對比度（STD），對比度噪聲比（CNR）對擬人化頭仿體數(shù)據(jù)以及臨床數(shù)據(jù)的重建結(jié)果進(jìn)行定量分析。接下來，本文選取了三種采用不同分解模型、屬于不同分解域的雙能分解算法，分別對所建立的仿真模型進(jìn)行了雙能分解，并以電子密度誤差（EDR）為標(biāo)準(zhǔn)對分解結(jié)果進(jìn)行定量分析。最后，綜合電子密度誤差、分解時間以及分解算法對數(shù)據(jù)的要求，選取迭代分解算法作為本文研究的重點，文中選取線對模型數(shù)據(jù)、擬人化頭模型數(shù)據(jù)進(jìn)行了迭代分解。Shepp-Log

5、an頭模型的重建結(jié)果表明，與傳統(tǒng)的SART(λ=0.1)算法相比，ASART算法的NRMSE下降為原來的27.5％，NMAE下降為原來的25.2％，SNR增加為原來的1.56倍。臨床實驗的重建結(jié)果表明，與傳統(tǒng)的SART-TV算法相比，ASART-TV算法的STD下降為原來的83.7％，CNR增加為原來的1.14倍，除此之外，ASART-TV算法還解決了SART-TV算法的收斂波動問題。最重要的是，本文采用的ASART-TV算法屬于最初的

6、版本，算法對映射L的選取過于粗糙，通過對重建結(jié)果的分析，筆者確定了對映射L的一系列優(yōu)化方案，隨著這些優(yōu)化方案的實施，該算法的性能將會得到很大的提升。仿真模型的分解結(jié)果表明，雙能分解算法中的迭代分解算法計算出的Al、Ca、C的電子密度與真實的電子密度僅相差3.25％、0.19％、0.02％。最后，在仿體分解試驗中，筆者選取基于平滑正則化的最小二乘項作為直接迭代分解算法的噪聲約束項，很好的解決了采用直接迭代分解算法對仿體圖像分解時的噪聲放大