基于空间连续性的4DCT图像排序算法研究

4DCT图像应用于肿瘤的放线治疗中,能够在全呼吸周期中定位肿瘤的运动,同时有效地减少运动伪影的产生。目前,4DCT在临床应用中需要依靠外部呼吸信号检测装置提供呼吸信号运动信息。本文提出了一种4DCT自动图像排序算法,不需要外部呼吸监测装置,在Cine扫描模式下采集图像数据,从第一个床位开始,利用空间连续性特征,寻找相邻床位之间呼吸相位相同的图像,将其归入相应的图像集合中,以此类推,直到全部床位的图像都归入到相应相位的图像集合中,构成4DCT重建所需要的图像数据集合。本文的算法应用于呼吸体模数据和临床图像数据,观察三维重建图像和冠状面重组图像。对比单独使用的三维重建算法,本算法较好地消除了呼吸运动伪影,能够清楚观察到模拟肿瘤的运动和器官在呼吸运动过程中的变化情况。     

基于形态分量分析的含噪地震数据重建方法

随着当今勘探难度的增加,地震数据处理的精度也逐步提升,因此,对数据的完整度也提出了更高的要求.本文基于形态分量分析,采用离散余弦变换(DCT)字典和Shearlet字典的组合形式用于地震数据恢复重建,相比于其他稀疏变换具有更高的稀疏性、更强的稀疏表示能力.在MCA框架下,首先通过对地震数据中的局部奇异分量与平滑状分量分别采用DCT字典和Shearlet字典进行稀疏表示;而后,在重建的算法中加入指数阈值模型和指数阈值函数的块坐标松弛(BCR)算法来得到各个分量;最后,将不同字典得到的结果合并得到最终重建结果.通过合成数据实验和实际数据实验均表明,该方法能够有效地重建缺失地震数据,并且重建精度高于Curvelet字典与DCT字典组合、单一Shearlet字典、Shearlet字典与Curvelet字典组合.同时,通过对含噪数据以及不同信噪比的数据处理结果均验证了该方法具有较强的适应性.     

IMR、iDose4和FBP三种重建算法在隆鼻整形术CT扫描的应用研究

目的:探讨IMR、iDose4和 FBP三种重建算法在肋软骨隆鼻术前胸部多排螺旋CT扫描中对图像质量的影响。方法:收集符合纳入标准的拟行自体肋软骨隆鼻术患者60例,术前均行胸部CT检查,分别使用IMR、iDose4和 FBP三种重建算法生成图像并进行相关后处理重建肋软骨,记录并比较各组图像质量主观评价分数和客观评价的指标如:肋软骨CT值、噪声、信噪比、对比噪声比。结果:三种算法得到的CT重建图像都能准确评估肋软骨钙化程度;主观评分IMR、iDose4组与FBP组相比,在MIP图像上评分均值分别增加50.5％和33.6％,在VR图像上评分均值分别增加51.0％和19.0％。IMR组较iDose4组的评分均值在 MIP图像和VR图像上分别增加了11.1％ 和21.1％。客观评价肋软骨CT值、信噪比和对比噪声比并作统计学分析,最终显示IMR、iDose4和 FBP三种重建算法组间对比有显著差异,IMR组明显最优。结论:IMR、iDose4和 FBP三种重建算法均能准确评估自体肋软骨是否存在钙化及程度,IMR算法较后两者更能显著降低图像噪声,提高CNR、SNR,提升肋软骨的主观图像质量,为制定最佳术前方案提供更精准的相关信息,可作为肋软骨CT检查首选算法重建技术进行应用,值得大力推广。      

一种扇束扫描模式下的图像重建迭代算法

CT图像重建的扫描模式有平行束、扇束、锥束等,在扇束扫描模式下的图像重建算法大多基于图像的正方形网格剖分。本文建立了扇束扫描模式下新的图像重建离散化模型,并给出了基于新模型的代数迭代校正格式和重建算法。对新的模型下迭代算法几何意义进行了讨论,基于新模型的代数迭代重建算法有助于提高成像质量,启发新的图像重建算法。     

基于Chambolle-Pock框架的核TV多通道图像重建算法

总变差最小化算法是一种基于压缩感知理论的图像重建算法,能够从稀疏投影或含噪投影数据中高精度地重建图像,已经被广泛应用于计算机断层成像、磁共振成像、电子顺磁共振成像。能谱CT、T1或T2加权的MRI及EPRI均属于多通道成像。逐通道TV算法可以实现较高精度的图像重建,然而忽略了各通道图像之间的相似性。核TV算法是一种考虑了通道间图像相似性的TV类算法,可以实现高精度图像重建。面向多通道图像重建,以CT重建为研究范例,本文提出一种Chambolle-Pock算法框架下的核TV多通道图像重建算法。通过仿真模体和真实CT图像模体的重建实验,验证算法的正确性,分析算法的收敛性,探索算法参数对收敛速率的影响,评估算法的稀疏重建能力及含噪投影重建能力。结果表明,相对于逐通道TV算法,所提算法可以取得更高的重建精度。核TV算法是一种高精度的多通道图像重建算法,可以应用于各种成像模态的多通道重建场合。      

基于相对TV最小的CT图像重建算法

总变差（TV）最小算法是一种有效的CT图像重建算法,可以对稀疏或含噪投影数据进行高精度重建。然而,在某些情况下,TV算法会产生阶梯状伪影。在图像去噪领域,相对TV算法展现了优于TV算法的性能。鉴于此,将相对TV模型引入图像重建,提出相对TV最小优化模型,并在自适应梯度下降-投影到凸集（ASD-POCS）框架下设计对应的求解算法,以进一步提升重建精度。以Shepp-Logan、FORBILD及真实CT图像仿真模体进行重建实验,验证了该算法的正确性并评估了算法的稀疏重建能力和抗噪能力。实验结果表明,相对TV算法可以实现逆犯罪,可以对稀疏或含噪投影数据进行高精度重建,与TV算法相比,该算法可以取得更高的重建精度。      

ART算法中松弛因子对中子CT成像结果的影响研究

ART算法是CT重建迭代算法中重要和经典的算法,而松弛因子是ART算法中的重要参数。由建于绵阳的冷中子照相装置采集得到投影图像,本文研究了松弛因子对ART重建算法重建图像收敛速度的影响和对重建图像质量的影响,从兼顾质量和效率的角度出发,给出了松弛因子的选择范围,对中子CT成像迭代重建具有重要参考意义。      

统计重建算法综述

本文主要综述应用于PET/SPECT领域的统计重建算法,介绍统计重建算法发展的历史,最新的研究成果及研究方向,总结统计重建算法发展的三个概念:有序子集加速、增量方法和优化变换.对现有算法进行归纳总结,关注统计重建的发展带来变革的概念和方法,重点论述算法的思想,勾勒统计重建方法发展的主线.     

选择性重排FDK算法及其GPU加速优化

FDK算法是目前三维图像重建的主流算法,但是传统重排FDK算法存在占用内存量较大、重建效率不高的问题,本文提出一种选择性重排FDK算法。根据重排前后投影数据的结构关系,计算出一轮重排所加载的最少锥形束投影,并使用循环队列对有限帧数的投影进行选择性加载,显著降低了重建对内存的消耗。此外,利用新算法较好的并行性,借助图形处理单元(GPU)对算法进行了硬件加速,大大提升算法的执行效率。为验证算法有效性,对5123规模的仿真数据和实际数据进行重建,在不损失重建精度的前提下,新算法占用内存约为传统算法的1/3或1/5。本文算法对传统重排FDK算法进行了改进,有效降低了计算机内存占用,较好地解决了大规模投影数据重建问题。      

康普顿散射成像图像重建算法综述

康普顿散射成像技术因其灵活的系统结构、较低的辐射剂量而广泛应用于传统透射成像技术无法应用的场合,受到研究者的关注。图像重建算法是康普顿散射成像技术的核心,直接决定着重建图像的质量。本文从康普顿散射成像的正向模型讲起,分别对解析和迭代两种重建算法进行了介绍,着重对解析重建算法中的圆弧Radon变换模型和迭代算法中正则化过程中引入的全变分最小化方法进行了阐述和分析。最后,对康普顿散射成像重建算法存在的问题及发展趋势进行了总结。     

非标准快速傅里叶变换算法综述

非标准快速傅里叶变换算法是一种用于处理非标准采样的快速算法,在信号处理领域有着广泛的应用。本文回顾了NUFFT算法的历史和发展,对通用的算法实现形式做了详细描述,介绍了该算法的最新进展和研究方向。对NUFFT算法在CT重建中的应用,如傅里叶重建,迭代重建,稀疏采样重建等也做了介绍。     

深度学习重建算法的图像质量体模研究

目的:使用体模比较CT深度学习重建算法和迭代重建算法的图像质量。方法:使用GE Revolution Apex扫描ACR质量控制体模Gammex 464,分别测量module 1～module 4的5种物质CT值准确性、低对比度分辨率、图像均匀性和高对比度分辨率。通过指标比较高剂量下（20 mGy）深度学习重建算法TrueFedelityTM（TFI）3种等级（DL、DM及DH）和自适应统计迭代重建算法V（AV）3种等级（30％、60％ 及90％）的图像质量。两种算法的各指标比较采用单因素方差分析。结果:所有6组图像的高/低分辨率均一致（高对比度分辨率:10 lp/cm;低对比度分辨率:6 mm）;两种算法都轻微高估聚乙烯、空气以及丙烯酸的CT值,各物质间CT值差异不具有统计学意义。两种算法均低估骨和固态水的CT值,其中,TFI算法对固态水的CT值较AV更接近真实值,但各组图像间不具有统计学差异。6组图像中,TFIDH的图像均匀性最佳;同等级条件下,深度学习重建算法相较IR算法的图像均匀性更佳。结论:深度学习重建算法在高剂量水平下可以在保持图像空间分辨率和CT值准确性的基础上,进一步降低图像噪声。      

多层CT重建算法对比研究

目前多层CT的重建算法主要有基于FDK的三维滤波反投影算法以及基于多层投影数据重排的二维FBP重建算法。本文对传统的FDK算法、基于投影角度二维/三维加权的CB-FBP算法以及自适应轴向插值AAI-FBP算法的性能进行了对比实验,并对实验数据进行了细致地分析。实验结果表明:在这几种重建算法中,AAI-FBP算法对于多层CT的重建效果最好,这对于后续多层CT重建算法的改进以及临床应用研究提供了可靠的实验依据。     

一种块迭代的快速代数重建算法

常用的计算机层析成像的重建算法可分为:变换重建法、代数重建法和其它算法几大类.变换重建算法中最为常用的为"卷积反投影”算法,该算法重建速度较快,重建效果较好.但该算法也存在一些不足,它通常要求完全的、等间隔的平行采样数据.在天文、物探、地震成像等领域采样数据通常是不完全的和非等间隔的.代数重建算法简单,适用于不同格式的采样数据,对不完全数据亦可重建图像.还可以结合一些先验知识进行求解.可应用于工业检测、物探成像、天文成像等领域.其缺点主要是计算量大,收敛速度慢,难以重建大的图像. 计算机层析成像的重建问题,可离散化为线性方程组AF=P的求解问题,其中P是被采集的投影数据向量,A是投影系数矩阵,F是图像基函数.假设有M个投影数据,且重建的图像有N×N像素,则A为M行、N×N列矩阵.即使重建较小的图像,系数矩阵也是很大的,需要M×N×N个浮点数.A为大型稀疏矩阵,其非零元的个数约为2×M×N个浮点数.因此,想用代数重建算法重建中等或大的图像,必须寻找一种快速的投影系数矩阵实时计算方法. 其次,代数重建算法中迭代的收敛速度也是要解决的主要难点.初值的选取对收敛速度影响是很大的.如果选取的初值与原物体的密度分布较接近,迭代就容易满足收敛条件.传统的代数重建算法中,初值常选为零和某种平均值.在每次循环中都对N×N个图像值,进行逐线或逐点迭代修正.因此,需要大量计算时间,且收敛速度甚慢. 本文提出一种基于分块迭代的快速代数重建算法,其基本思想是采用对图像逐级分块,通过迭代使图像逐步细化,最终逼近于重建的图像.算法的实现过程如下:1.将重建图像按不同级别分块;2.根据块的大小,抽取投影数据,实时计算投影系数矩阵的非零元;3.对给定级图像块赋值,根据投影系数矩阵的非零元和阀值确定对哪些图像块的值进行修正:4.对给定级的图像块经一次循环迭代修正后,判断前后两次的图像是否满足该级迭代结束条件,满足时进入下一级块的迭代;最后一级块迭代满足条件后,块迭代结束.在每一级块迭代过程中,我们设计了求解系数矩阵非零元的快速计算方法,使得所需的系数矩阵的非零元可实时计算,而不必存贮. 利用X射线工业CT实采数据,我们对块迭代代数重建算法的测试结果表明:该方法重建速度快,重建图像精度高、伪影轻,并有较高的密度分辨率和空间分辨率.     

320排动态容积CT颅内动脉瘤图像重建算法进展和评估

320排动态容积CT脑血管数字减影（DSA）可为颅内动脉瘤病人提供4DDSA成像信息,这一技术的关键是宽体检测器和ConeXact锥束重建算法。本文对目前常见锥束扫描重建算法进行了分析和比较,特别是近几年发展起来的Feldkamp类,Grangeant类,Katsevich类和ConeXact锥束重建算法。应用方面对30例颅内动脉瘤患者进行了宽探测器平台下动态容积扫描,一次成像获得满意图像,无阶梯伪影,并与计算机断层血管造影（CTA）、常规DSA对比,320排CTDSA检查可作为颅内动脉瘤筛选和术后复查一种方法,与CTA相比320排CT动态容积成像和功能成像有明显的优势。     

有限角度CT图像重建算法综述

本文主要介绍了处理有限角度CT图像重建的思路和方法。有限角度CT图像重建属于不完全数据重建范畴,由于不满足数据完备性条件,因此不能精确重建。其处理方法大致可以分为两类:基于变换的迭代-解析重建算法和基于级数展开的迭代-代数/统计重建算法。同时,有限角度重建等价于病态矩阵求逆问题,适当的约束条件、先验知识以及正则化因子对提高重建图像质量非常重要。     

最大后验概率重建算法在发射CT中的应用

最大似然期望最大(Maximum Likelihood-Expectation Maximization, MLEM)重建算法已在发射CT的二维重建中得到了广泛的研究和应用,但MLEM有两点不足:1)一定迭代次数以后噪声随着迭代增多而增多.2)重建需要太长时间.而最大后验概率重建算法(maximum a posteriori, MAP)根据图像的先验知识分布,则可以有效的抑制噪声,后来逐渐发展起来的多种加速迭代方法结合MAP重建算法可以缩短重建时间.本文对近年来MAP重建算法的发展做了一个回顾,并对各类算法了做了比较和讨论.     

由投影重建图像的对称网格迭代算法

本文对于工业CT检测中常用的代数迭代重建算法提出了改进,利用投影射线之间存在的几何对称结构,提出了图像重建的对称网格迭代算法(简写为SM-IRT).该算法简化了投影系数矩阵的计算,调整了迭代算法逐线校正的迭代顺序.对模拟数据和工业CT实测数据进行了重建图像的数值实验,结果表明:与常规算法比较,本文提出的新算法重建速度快,成像精度高.     

基于光谱估计和图像重建的双能量CT迭代算法

已知的光谱信息对双能量CT（DECT）重建具有重要的意义,但在实际应用中,光谱信息很难直接获得,此外,双能量CT的重建算法对噪声敏感,因此,在重建算法中需要设计对应的噪声抑制方法来提升重建图像质量。本文提出了一种同时更新双能量CT估计光谱和重建图像的迭代方法,该方法不需要提前获得光谱信息,估计光谱和重建图像可以通过提出的算法同时获得。两组实验用来验证算法的有效性。实验结果表明,提出方法不仅能够准确估计光谱,也可以同时提升DECT重建图像质量。      

深度学习重建算法在上腹部CT成像中的应用

目的:通过分析比较自适应统计迭代重建（ASIR）算法和深度学习重建（DLIR）算法在上腹部CT成像中的图像质量,探讨DLIR算法在上腹部CT成像中的应用价值。方法:回顾性纳入75例患者上腹部CT平扫图像,利用自适应统计迭代重建算法ASIR（30％、50％、70％、90％）和深度学习重建算法（DL-L、DL-M、DL-H）重建图像,共7组。测量每组图像肝脏、胰腺、竖脊肌的CT值和SD值,并计算信噪比（SNR）和对比噪声比（CNR）,采用单因素方差分析对各指标进行客观评价;同时由两位放射医师对图像质量和噪声评分,采用Friedman M检验进行比较。结果:①七组重建图像的SD值、SNR、肝脏CNR差异有统计学意义。②DL-L与ASIR 50％、DL-M与ASIR 70％、DL-H与ASIR 90％ 间各ROI处CT值、SD值、SNR值、CNR值无差异。③三种深度学习重建算法间随等级升高,SNR值升高,差异有统计学意义;且DL-H 算法的SNR值高于ASIR 30％、ASIR 50％,SD值低于除ASIR 90％ 外的其余5组重建算法。④七组图像主观评分差异有统计学意义,算法DL-H具有最佳的图像质量和最低的噪声,DL-M、ASIR 90％、DL-L、ASIR 70％、ASIR 50％、ASIR 30％ 图像噪声依次增加。结论:深度学习重建算法能够降低上腹部图像噪声,提高图像质量,且随等级升高,图像噪声降低、质量提高、信噪比升高。