基於字典學習的不完備投影數據CT重建方法研究

《基於字典學習的不完備投影數據CT重建方法研究》是依託西安交通大學，由牟軒沁擔任項目負責人的面上項目。

基本介紹

• 中文名：基於字典學習的不完備投影數據CT重建方法研究
• 項目類別：面上項目
• 項目負責人：牟軒沁
• 依託單位：西安交通大學

中文摘要

提出研究基於字典學習和稀疏表示的CT統計疊代重建的計算框架，研究將CT重建這種獨特的信號恢復過程和字典學習、稀疏表示進行高效地結合，構成一種自適應參數選擇的普適重建計算模型，能夠有效地運用於各類投影數據的CT重建，特別是不完備投影數據的CT重建；結合CT投影的相關性和稀疏表示約束的特性，研究不完備投影數據下有效地表達投影物理過程的約束項，加入到所提出的計算模型中，進一步改善不完備投影CT重建的計算效能。針對幾種典型的不完備CT投影模式開展面向實際設備的預臨床/臨床數據的適應性研究，分析所提計算框架和算法的實用性；研究所提出的計算框架和算法在CT投影校正中的套用，校正因投影中的各種物理效應導致的CT重建偽影。該項目研究將最新發展的信號和圖像處理技術引入到CT重建研究中，獲得更加出色的計算性能，改善不完備投影CT重建的效果，同時，也為CT重建研究提供新的視點。

結題摘要

儘管CT技術在生物醫學成像、工業無損檢測等各個方面發揮著不可替代的作用，然而在實際套用情況中，CT成像技術在投影數據的完備性上仍然面臨多方面的挑戰，包括：由於射線劑量的限制而引發的低電流需求從而導致噪聲投影數據的高噪聲問題；由於成像幾何條件的限制而產生的有限角問題和內部問題等；由於射束硬化和散射等因素而導致的重建圖像質量退化問題等等。在本項目中，我們通過將現代圖像處理和信號處理技術與 CT 重建結合，為上述問題提供了優秀的解決方案。具體來說： 1. 通過統計疊代重建過程來實現投影數據保真性約束，我們構造出了基於字典學習的基本計算框架；並將字典學習算法推廣到了基於多尺度字典學習和三維字典學習算法的低劑量CT、錐束CT重建框架；並且通過利用圖形處理單元（GPU）的大規模並行計算能力來進行疊代運算，從而大大提高了算法的計算效率。 2. 在能譜CT重建方面，通過充分利用低秩張量來描述不同能量通道之間各個圖像的相關性，結合已有的基於冗餘字典的稀疏表示技術，我們提出了一種結合字典學習和低秩張量正則化的能譜CT重建算法。 3. 基於字典學習的優越重建性能，結合我們對投影數據的一致性條件的深入研究，提出了一種無需已知支撐的統計內重建算法，從而解決了內部問題中典型的直流偏移問題。此外，利用主成分分析方法將在灰度全局成像鏈上重建出的灰度全局圖像映射到彩色空間，提出了一種混合真彩色微CT系統以在較低的系統成本和輻射劑量下提高微CT系統的對比度。 4. 通過深入分析自然圖像的統計特性，我們提出了基於梯度模值和高斯拉普拉斯濾波的自然圖像質量評價算法，基於此，我們進而提出了一種基於自然圖像統計特性和盲自然圖像質量評價算法的正則化參數選擇方法，並在實際CT數據上進行測試，取得了良好的效果。此外，通過對目標函式最佳化過程的深入理解，我們提出了一種基於平衡準則的自適應參數選擇算法。 5. 在數據校正算法方面，提出了一種基於局部正則約束的全變分正則化疊代重建算法，從而構造出了一種混合金屬偽影校正算法；利用金屬偽影和線性插值偽影得疊加圖像來生成組合先驗圖像，提出了一種基於組合先驗圖像的金屬偽影校正算法。 通過對上述所提出各種算法的深入研究，我們基本上解決了基於字典學習的不完備投影數據重建算法的構造與套用研究，相信這會給CT 重建理論和技術的研究帶來新的研究視點和飛躍，具有重要的理論意義和套用前景。