基于深度学习的CT图像重建研究

发布时间：2021-11-27 02:24

　　计算机断层成像技术（Computed Tomography,CT）利用X射线来获取物体的内部结构信息。但过强的射线会对患者造成无法挽回的伤害。因此,低剂量CT重建是非常有意义的研究课题。深度学习在计算机视觉领域取得了非常显著的效果,本文将深度学习与CT重建方法结合,分别从后处理,统计迭代,解析重构出发,提出了一种去噪结构和两种重建算法。新方法均能提升低剂量CT重建图像质量。提升低剂量CT图像质量最直接的方式是在图像域对图像进行去噪,经典的去噪算法能够提升CT图像质量,但容易出现伪影和阶梯效应等问题。一系列卷积去噪网络能够获得更好的去噪效果,但容易出现梯度消失等问题,本文将残差块引入去噪网络,使得网络加深时不易出现梯度消失且具备更好的去噪效果。目前低剂量CT重建算法效果较好的是基于统计迭代的方法,该类方法效果的好坏关键在于正则项的设计,但设计好的正则项往往比较困难。本文从统计迭代的优化目标函数出发,采用PDHG和ADMM优化算法的求解形式,并将其中的迫近算子替换成卷积网络形式的学习算子,并进一步化简为更一般的形式并将迭代展开构成一个串联形式的网络结构。这种结构不仅能够不用显式地给出正则表... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

低剂量CT重建

2 CT 成像重建概述T 成像物理基础 使用 X 射线来获得人体内部结构信息。主要利用探测器捕获穿过人 射线。采用重建算法对探测器在不同角度下获得的投影数据进行重建CT 成像技术能够给医生提供人体特定部位完整的 3D 信息，因此被学诊断。设设备产生的 X 光强度为 ，穿过人体之后的 X 光强度为 ，根据得： = ¤( ) = ¤( ) 表示探测器上获得的投影数据， 是 X 射线穿过物体的长度， 表示的衰减系数。

图 2-2 X 光穿过非均匀物体在医学领域，一般将体素作为 CT 重建的基本单位。体素是指将组织划分为匀的小块，每个小块均称作体素。体素越小，代表组织被划分得越细小，所探测器上面各接收器之间的间隔也越小，这代表针对同一个物体，探测器能更多的投影数据，从而使得重建出来的图像质量更好。 Radon 变换及 Radon 逆变换Johann Radon 在西元 1917 年提出 Radon 变换，Radon 变换实际上是一种积。在 CT 成像中对应物体的投影过程。他同时也提出了 Radon 逆变换，刚好过程的逆过程，即图像重建过程。下面主要介绍二维 Radon 变换及其逆变情况类似。令二维平面 = ( ) ，且每个位置的值 ( )在平面上的任意直线 上


本文编号：3521395