基于字典学习的显微CT低剂量问题研究

发布时间：2017-10-19 16:09

  本文关键词：基于字典学习的显微CT低剂量问题研究

  更多相关文章： 低剂量显微CT 字典学习 稀疏 CT伪影

【摘要】：显微CT (Micro Computed Tomography, Micro CT)因其高分辨率、非侵入性和成像速度快等优势,在临床动物模型实验、科研微观结构研究中得到了广泛的应用。按照显微CT的成像原理,其高分辨与射线源小焦点、探测器的积分时间之间一直存在矛盾的关系。为保证图像质量,显微CT往往需要较长的拍摄时间和较高X射线照射剂量,这样对活体生物样本有不良影响,降低X射线剂量则会影响重建图像质量,因此CT的低剂量问题一直得到了广泛的关注。CT剂量的降低主要通过单幅投影剂量的降低或投影总数量的减少两种方式来实现,这两种方式均存在有效信息的部分缺失,因而会引起CT重建图像噪声模型的改变、重建结果信噪比的降低和各类伪影(如环状伪影、低剂量伪影以及硬化伪影等)的产生。采用基于压缩感知的方法,利用图像信号的稀疏性,可通过更少的信息对图像信号进行复原,因而非常适用于解决CT低剂量所带来的信息缺失问题。字典学习作为压缩感知理论的一个方向,具有对图像信号结构信息敏感的特点,可对图像信号进行良好的稀疏分解。本文以字典学习为基础,选择图像信噪比提高、稀疏角CT图像迭代重建及低剂量重建图像伪影滤除等三个问题,对CT低剂量所引起的图像质量问题进行了研究。在图像信噪比提高的研究工作中,字典作为降噪工具用于改善图像质量。经由噪声图像学习后的字典可获得更好的降噪效果,但是每幅图像都进行学习会耗费大量的时间。为此本文利用高剂量重建图像作为学习样本构建全局字典,在保证降噪效果的同时,节省了单幅噪声图像字典学习的时间,有效地提高了算法的效率。实际数据实验结果表明,本文算法与主流降噪算法相比,在降噪的同时,能够更好的保留图像细节。在稀疏角重建的研究工作中,基于图像信号可以被稀疏表达的先验信息下,本文将字典作为约束项引入迭代过程中,在迭代过程中对图像进行稀疏分解,有效地减少了方程数量。同时由于字典本身具备的降噪能力,在基于字典学习的迭代算法进行稀疏角重建时,可以在抑制稀疏角放射状伪影的同时,有着更好的抗噪效果。稀疏角实验的结果也证明了本文算法的有效性。针对低剂量所引入的多种伪影,本文着力解决环状伪影以及低剂量条纹状伪影。环状伪影在轴向位断层平面的结构与物体自身结构相似,仅仅基于平面的滤波很容易出现图像有效信息的丢失,因此本文考虑了环状伪影在空间结构上的不连续性,利用基于三维字典的滤波方案去除；针对低剂量条纹伪影结构特征相对较为单一的特点,本文通过构建结构字典和伪影字典的双字典组合,有针对性地进行稀疏表达,在图像重构阶段滤除低剂量条纹伪影。实验结果表明,基于字典的伪影滤除算法滤除伪影的同时,能够更好的保留图像细节,并且不会引入新的伪影。最后,考虑到迭代算法及字典相关算法计算的高复杂度,因此均基于GPU平台对其进行了并行化加速,以满足应用的需求。
【关键词】：低剂量显微CT 字典学习 稀疏 CT伪影
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：R814.42;TP391.41
【目录】：

• 摘要5-7
• Abstract7-12
• 第一章 绪论12-20
• 1.1 研究背景与意义12-14
• 1.1.1 CT技术的发展12-13
• 1.1.2 显微CT低剂量问题的研究意义13-14
• 1.2 CT低剂量问题研究现状14-18
• 1.2.1 CT低剂量下信噪比提高的研究14-15
• 1.2.2 CT稀疏角投影研究15-17
• 1.2.3 低剂量CT伪影滤除方面研究17-18
• 1.3 本文研究内容18-19
• 1.4 本文章节安排19-20
• 第二章 基于压缩感知的CT重建理论基础20-32
• 2.1 CT主流重建算法简介20-25
• 2.1.1 CT解析重建基础20-22
• 2.1.2 迭代重建算法基础22-23
• 2.1.3 ART迭代重建算法23-24
• 2.1.4 基于先验知识的迭代重建算法24-25
• 2.2 基于压缩感知理论的重建算法25-31
• 2.2.1 压缩感知理论基础25-26
• 2.2.2 信号重构26-27
• 2.2.3 TV算法27-28
• 2.2.4 字典问题概述28-29
• 2.2.5 字典学习算法29-31
• 2.3 本章小结31-32
• 第三章 基于字典学习的CT图像信噪比提高算法研究32-43
• 3.1 基于字典学习的降噪算法32-34
• 3.2 基于全局字典学习的显微CT降噪框架34-35
• 3.3 基于全局字典学习的降噪实验与分析35-42
• 3.3.1 模拟数据实验结果与分析35-38
• 3.3.2 显微CT数据实验结果及分析38-42
• 3.4 本章小结42-43
• 第四章 基于字典学习的稀疏角重建算法研究43-53
• 4.1 基于TV的迭代算法43
• 4.2 基于全局字典学习的字典迭代算法43-45
• 4.3 实验结果与分析45-52
• 4.3.1 模拟数据实验结果与分析45-49
• 4.3.2 显微CT数据实验结果与分析49-52
• 4.4 本章小结52-53
• 第五章 基于字典学习的低剂量CT伪影滤除算法研究53-61
• 5.1 基于三维字典学习的环状伪影滤除算法研究53-56
• 5.1.1 算法原理53-55
• 5.1.2 实验结果与分析55-56
• 5.2 基于双字典学习的低剂量CT伪影滤除算法研究56-60
• 5.2.1 算法原理56-58
• 5.2.2 实验结果与分析58-60
• 5.3 本章小结60-61
• 第六章 GPU平台算法加速优化61-69
• 6.1 GPU CUDA61-63
• 6.1.1 GPU CUDA平台简介61-62
• 6.1.2 GPU CUDA编程模型62
• 6.1.3 GPU CUDA编程难点62-63
• 6.2 迭代算法并行加速63-66
• 6.2.1 算法并行化63-64
• 6.2.2 GPU并行优化64-65
• 6.2.3 迭代算法加速结果65-66
• 6.3 字典算法并行加速66-68
• 6.3.1 算法并行化66-67
• 6.3.2 算法并行优化67-68
• 6.3.3 字典算法加速结果68
• 6.4 本章小结68-69
• 第七章 总结与展望69-71
• 7.1 总结69
• 7.2 展望69-71
• 致谢71-72
• 参考文献72-78
• 作者简介78

【参考文献】

中国期刊全文数据库 前6条

1 刘立;张惠慧;王建;;主成分分析先验约束总变分正则化CT图像重建方法[J];计算机应用;2013年S2期

2 段隆焱;田文;徐漫涛;陈亚珠;;基于非局部信息的医学图像降噪技术综述[J];计算机应用研究;2013年03期

3 李军;张希牧;包尚联;;硬X射线相衬成像及其生物应用[J];现代仪器;2010年01期

4 李然;冯盛;刘松;张学龙;;X射线成像的相位衬度与吸收衬度分析[J];生命科学仪器;2009年03期

5 唐杰,张丽,高文焕;基于平板探测器的锥束CT系统综述[J];中国体视学与图像分析;2004年02期

6 崔艳芬;孙保存;;小鼠乳腺肿瘤病毒及其与乳腺癌的关系[J];国际肿瘤学杂志;2009年02期

，

本文编号：1062039