论文部分内容阅读
计算机断层扫描(Computed Tomography,CT)将人类身体不同角度拍摄的一系列X射线图像与计算机处理结合起来,从而创建体内骨骼、血管和软组织的横截面图像切片,与普通X射线相比,CT扫描图像可提供更多详细信息。CT能够被用于人体器官可视化,并被用于诊断疾病或受伤、计划医疗、外科或放射治疗。CT扫描期间人体会短暂暴露于电离辐射中,由于CT扫描会收集更多详细信息,因此辐射量大于普通X射线照射。虽然相关研究没有显示出CT扫描中使用的低剂量辐射会造成长期伤害,但当剂量较高时,潜在的癌症风险可能会略有增加,因此希望降低辐射伤害的同时可以得到清晰的成像,本文就稀疏角度CT图像重建问题进行了深入研究,本文的主要工作如下:随着CT成像技术的发展,使用者对CT图像重建的质量提出了更高的要求。在满足成像质量要求的同时,希望使用尽可能低剂量的辐射,稀疏视图重建是解决辐射剂量问题的有效措施。由于投影数据的角度范围不满足数据完整性条件,因此稀疏视图重建一直是CT图像重建中的难题。本文主要提出一种基于残差网络的CT稀疏视图重建算法。首先改进传统的残差网络,使程序的计算速度加快同时保证图像的质量,一定程度上消除由稀疏视图投影导致的伪影,其次当在网络中堆叠多个残差模块时,容易随着网络的加深引起梯度爆炸,该方法提出的解决方案是向残差模块中添加比例因子,从而很好的杜绝这种情况,从实验结果可以看出,此方法能够保证在保留完整细节和锐利边缘的同时去除伪影。当对CT图像进行稀疏采样后,得到的投影图像的数据量相对来说就会比较少,解决方法之一是可以使用正弦图插值法来处理稀疏正弦图从而生成更密集的正弦图,但是这会影响重建切片的质量。本文提出一种新的模型,该模型是基于U-Net和残差学习的稀疏视图CT正弦图插值方法,通过深度学习神经网络将正弦图插入到滤波反投影(Filtered back projection,FBP)算法中进行重建。U-Net可以有效地学习正弦图数据的复杂结构,特别是对于生物医学图像而言,残差学习可以学习输入正弦图数据与全视图正弦图数据之间的差异,而不是直接变换正弦图数据。通过与其他模型算法对比,实验结果显示即使当正弦图数据在稀疏度达到90%时,也能取得很好的效果。