基于字典學習的低劑量CT圖像處理方法.pdf

1、X射線計算機斷層成像（X-ray Computed Tomography, CT）作為一種成熟的檢查方法，在臨床上已經(jīng)被普遍認可，成為了放射診斷領域內(nèi)不可或缺的主要工具之一。然而，隨著CT斷層掃描的普及，CT掃描中的輻射劑量問題已經(jīng)越來越多地引起了人們的關注。超過正常范圍的輻射劑量易誘發(fā)人體新陳代謝異常甚至引發(fā)癌癥。通過調(diào)節(jié)管電流和電壓可以減少CT掃描劑量，但會在重建圖像中增加噪聲以及具有方向性的條狀偽影，降低CT重建圖像質(zhì)量，從而影響

2、臨床醫(yī)生對異常組織的確診率。本文將主要研究基于字典學習的低劑量CT圖像處理算法，具體內(nèi)容包括以下幾個方面:
　　基于字典學習的稀疏表示方法是最近提出的一種信號/圖像處理方法。這種方法首先訓練出一個全局過完備字典，之后將目標圖像拆分成若干很小的圖塊，并對每個圖塊進行稀疏編碼，令其用一個過完備字典中的很少的幾個基（原子）通過線性組合進行表示。在這一過程中，通過控制參數(shù)，可以使正常結構得到表示，而偽影噪聲很難被稀疏表示，從而達到去噪/去

3、偽影的目的?；谧值鋵W習的稀疏表示方法已被證實在低劑量腹部CT圖像中能夠?qū)崿F(xiàn)較好的圖像恢復效果。本文中將繼續(xù)探索該方法在頭部灌注CT和心臟CT中的應用，并將原來的二維方法擴展到三維，進一步利用了空間和時間維度上的連續(xù)性。實驗結果表明，相對于二維的方法，三維的基于字典學習的稀疏表示方法能顯著提高效果，在更加有效地去除噪聲偽影的同時，更好的保持了圖像的細節(jié)和對比度。
　　對于腹部CT圖像，基于字典學習的稀疏表示方法已被證實能夠在管電流

4、降低到原來五分之一的情況下仍然獲得較好的圖像恢復效果。然而，該方法也存在一定的局限性，即容易將低劑量掃描條件下易出現(xiàn)的條狀偽影當作圖像中的有用信息進行保留，從而無法有效去除該類偽影。為了克服該問題，本文在原有算法的基礎上進行了改進，創(chuàng)新性地提出了“偽影抑制字典學習方法(ArtifactSuppressed Dictionary Learning，ASDL)”。該方法的主要思路是，首先訓練一種區(qū)別性的字典，這種字典既包含了利于表示圖像特征