稀疏角度成像，從稀疏（有限數量）角度下獲取的投影數據進行準確的CT圖像重建。
基本介紹
- 中文名：稀疏角度成像
- 套用領域：在醫學成像領域
背景介紹,基本介紹,
背景介紹
在過去的五十年中，由於CT圖像的高解析度和高靈敏度，CT（computed tomography）已廣泛套用於臨床診斷、無損檢測和生物學研究。然而，它的高輻射劑量會導致頭痛，甚至在嚴重的情況下會導致癌症和白血病。解決這個問題的一種方案是降低X射線掃描頻率並加快採集速度。稀疏視圖CT通過稀疏投影對象來降低測量頻率。然而，由於數據收集不足，重建的CT圖像通常在低退化級別（例如240個稀疏視圖）具有較少的紋理和結構細節，而在高退化級別（例如60個稀疏視圖）具有更多意外的偽影。
目前較為成熟的圖像重建算法包括濾波反投影法(Filtered Back-Projection,FBP) 、時間反演法(Time-Reversal,TR)、基於傅立葉變換的算法和代數疊代法等。這些成熟的標準重建算法都是基於完備數據的，但在實際套用中受探測器陣元尺寸、機械結構、接收角度以及頻寬等的限制，往往不能滿足全形度掃描和完備數據採集的條件。若仍採用標準重建算法，則可能導致圖像中的偽影嚴重，空間解析度降低。近些年，針對有限角度掃描和稀疏測量數據的問題，各種新的圖像重建算法層出不窮。這些算法能夠利用高度不完備的測量數據恢復高質量的圖像。
由於稀疏投影數據不滿足CT精確重建所需要的採樣條件,傳統的解析重建方法將失去效力,如濾波反投影算法,其套用將直接導致重建圖像嚴重退化,產生大量的條形偽影（Streak artifacts）.2006年,Sidky和Pan等人提出一種基於全變分算法的稀疏角度重建算法。
基本介紹
基於整環分散式射線源或陣列式一體化射線源的布局優勢，靜態CT本徵具備了稀疏重建成像的要素，結合壓縮感知、深度學習等算法將稀疏角度圖像重建技術得以在CT領域套用並工程化。
