基于压缩感知的能谱CT降噪重建算法研究

发布时间：2023-11-10 18:01

　　与传统CT相比,基于光子计数探测器的能谱CT因其识别和区分不同材料的能力引起了极大的关注。光子计数探测器可以将能谱划分为几个通道,提高了能量的分辨率。但是,由于能量通道的划分,单个能量通道内可用的光子数远小于检测到的光子总数量,故每个能量通道内的噪声急剧增加。因此,如何从噪声投影中重建高质量的CT图像已经成为当前能谱CT领域研究的热点之一。本文基于压缩感知(Compressed Sensing,CS)理论,研究能谱CT降噪重建算法,主要研究工作如下:(1)提出了一种联合字典学习和全变分(total-variation,TV)的能谱CT迭代重建算法,并采用Split-Bregman算法求解。同时,采用有序子集方法加速迭代收敛过程,提高运算速率。论文选用简单模型和实际临床小鼠模型作为测试模型进行仿真实验,实验结果表明,所提出的算法有一定的去噪及细节保存能力。(2)虽然传统基于压缩感知的算法有一定的去噪效果,但当噪声过大、模型结构较复杂时,表现力会大打折扣。因此,有待提出新型的能谱CT重建算法。由于不同能谱通道下重建图像有高度的结构相关性,使用高质量的全能谱重建图像作为先验图像指导窄谱CT重...

【文章页数】：52 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 能谱CT去噪算法研究现状
    1.3 论文的主要工作及结构安排
第二章 能谱CT图像重建技术研究
    2.1 传统X-CT成像理论
    2.2 能谱CT成像模型
    2.3 CT重建算法理论
        2.3.1 解析重建算法简述
        2.3.2 迭代重建算法简述
    2.4 基于压缩感知的图像重建
    2.5 能谱CT迭代重建算法研究
        2.5.1 基于TV的能谱CT重建算法
        2.5.2 基于字典学习的能谱CT重建算法
    2.6 重建算法评价参数
    2.7 本章小结
第三章 基于字典学习和TV的能谱CT重建算法
    3.1 基于字典学习和TV的能谱CT重建算法
    3.2 实验仿真
        3.2.1 实验设置
        3.2.2 模型设计
        3.2.3 简单模体重建结果分析
        3.2.4 小鼠模型重建结果分析
    3.3 结论
第四章 基于PICCS框架和字典学习的能谱CT重建算法
    4.1 先验图像约束压缩感知(PICCS)算法
    4.2 基于字典学习和PICCS框架的能谱CT重建算法
    4.3 实验仿真
        4.3.1 实验设置
        4.3.2 简单模体重建结果分析
        4.3.3 小鼠模型重建结果分析
    4.4 结论
第五章 总结与展望
    5.1 研究主要内容及成果
    5.2 存在的问题及以后的工作展望
参考文献
攻读硕士学位期间发表的论文
致谢



本文编号：3862048