论文部分内容阅读
自上世纪70年代初英国工程师G.N.Hounsfield研制成功第一台CT机以来，X射线计算机断层成像（Computerized Tomography,CT）技术在放射领域发挥着不可替代的作用，已被广泛应用于医学临床诊断方面。然而CT检查中射线的辐射问题引起了广泛关注。低剂量CT扫描技术应运而生，它不仅极大地降低了对患者的辐射剂量，还进一步扩大CT技术的应用范围。目前，一种比较实际且广泛使用的降低辐射剂量的方法是降低射线管电流，但是这种方法使得获取的投影数据被噪声污染，运用滤波反投影(Filtered BackProjection，FBP)算法重建的图像中含有明显的条形伪影和噪声，影响重建图像的质量。因此，如何在降低CT辐射剂量的同时提高重建图像的质量一直是CT领域的研究热点，具有重要的科学研究价值和临床使用价值。本文主要针对低剂量投影数据中的噪声问题和重建图像中出现条形伪影和噪声展开研究，主要工作如下：1.针对高斯惩罚加权最小二乘(GS-PRWLS)算法中的高斯马尔科夫先验模型的不足，基于偏微分中的各向异性扩散模型，设计了一种具有各向异性平滑效果的高斯马尔科夫先验模型。根据该先验模型和投影数据的噪声统计特性，采用最大后验（MaximumAPosteriori, MAP）方法得到了一种自适应的投影域去噪算法。该算法能够根据像素点的噪声水平及所在区域的特征自适应地调节平滑度，避免了GS-PRWLS算法中使用固定参数的不足。实验结果表明了本章所提出的算法优于GS-PRWLS算法，在去噪的同时能够保留更多图像细节特征。2.针对投影域的噪声，提出了一种新的基于全变差先验的投影域去噪算法。新算法采用基于MAP的统计迭代算法的模式，将投影数据的统计特性和全变差先验信息融入到投影数据的恢复中，达到抑制噪声和保持边缘的目的。该全变差先验模型，是在原全变差的模型的基础上引入了一个自适应的惩罚权重，该权重使得提出的算法自动地区分边缘和平坦区域，根据图像像素点的结构特征和噪声水平自适应地调节平滑度。实验结果证明所提出的算法能够有效地保持边缘和去除噪声，重建图像的质量优于其他算法。3.针对低剂量CT图像中的条形伪影和噪声，提出了一种基于形态分量分析(Morphological ComponentAnalysis，MCA)的低剂量CT图像伪影去除算法。该方法把图像中伪影的去除作为图像的分解问题，首先运用一个双边滤波器把图像分解成低频和高频部分，然后把基于MCA的图像分解思想方法运用于图像的高频部分。该方法与传统的基于MCA的图像分解方法不同，不需要根据经验选取固定字典，也不需要提前收集样本图像，而是根据伪影的方向性特征和频率特征，把从高频图像中在线学习到的字典分成伪影子字典和组织结构子字典。基于稀疏表示理论，把高频部分分解成伪影部分和组织部分，从而达到去除条形伪影的目的。最后运用字典学习方法进一步去除图像中残留的伪影和噪声。计算机仿真以及诊所数据的实验均表明本章所提出的算法不仅能够有效去除低剂量CT图像中的条形伪影和噪声而且还能够保持图像中结构细节。