论文部分内容阅读
毋庸置疑,每个患者具有个体差异,制定个体医疗方案进行个性化医疗乃是精准医学的重要研究内容之一。不同于传统的医学X-CT以积分测量方式获取患者人体组织信息的治疗方法,能谱CT利用光子计数探测器获取人体组织不同能量区间内X射线衰减特性,依据这种差异,不仅可以提高衰减系数相近材料的成像对比度,而且还能对被测对象进行定性及定量分析。作为CT领域新型方向,能谱CT可以获得物体多个能量段衰减信息,拥有许多传统CT不可替代的优势,成为近年来CT成像研究的热点。其中,基于X射线能谱特性的物质分解和材质识别已成为能谱CT成像技术的一个重要研究方向。但是因为光子技术探测器存在一致性差等问题,能谱CT图像通常含有严重的噪声,进而影响了重建图像的质量和材料分解的效果。如何提高能谱CT图像质量以及材料识别精度是目前能谱CT领域科学研究的一个热点,也是能谱CT研究的一大难关。针对能谱CT成像技术现存的主要问题,本论文依托科技部国家重点研发计划(No.2016YFC0104609)和国家自然科学青年基金(No.61401049)等科研项目,开展基于图像总变分联合张量字典学习开展了能谱CT图像重建及材料识别研究,主要研究内容包括:(1)在阐述了X射线CT成像原理及系统、重建方法与技术的基础上,研究分析了能谱CT图像重建原理,归纳了相应的重建算法模型,此为能谱CT图像重建和材料识别研究打下了基础。(2)开展了基于图像总变分(Total Variation,TV)联合张量字典学习(Tensor Dictionary Learning,TDL)的能谱CT图像重建和材料识别算法研究。针对张量字典学习在稀疏角条件下难以恢复出高质量能谱CT图像的难题,借鉴了TV在图像稀疏表达能力方面的优势,利用TDL低秩性,构建了基于TV+TDL的能谱CT图像重建算法。TV+TDL算法中利用TDL对不同能量通道近似线性衰减特性进行建模,有效利用能谱CT不同能谱通道图像之间的相关性,反映图像局部区域的低秩性;同时TV+TDL算法基于TV的稀疏性表达,强化图像的边缘结构和细节信息并抑制噪声。(3)开展了能谱CT基于图像域(Image Domain)重建方法与基材料模型相结合研究,对老鼠胸腔模体的三种基材料(骨骼、软组织和碘对比剂)进行了材料分解与识别,通过实验证明该材料识别技术的优越性。文章提出基于TV和TDL的能谱CT图像重建和材料识别算法,并从理论模型、仿真实验和算法收敛性测试等方面均表明了TV+TDL算法在图像重建和材料识别方面有效性和可行性。