基于高维全变分正则化的鲁棒低剂量CT心肌灌注去卷积方法

目的研发一种基于高维全变分（high dimension total variation, HDTV）先验的CT 心肌灌注（computed tomography
myocardial perfusion, CT-MP）去卷积方法。方法首先对低剂量CT-MP数据进行灌注去卷积建模,其后通过引入HDTV正则化
修正模型最小化解的一致性。其中,HDTV利用心肌血管空间结构相似性和心肌血流信号时间连续性。结果XCAT心肌灌注
仿真数据和猪心肌灌注数据实验表明,同已有的方法相比,本方法能更有效地抑制低剂量血流动力学参数图中的噪声和伪影,
同时较好地保持具有诊断意义的结构信息。结论本文方法可实现低剂量CT-MPI血流动力学参数图的优质成像。
     

数据冗余信息引导的低剂量心肌灌注CT成像方法

目的心提出一种数据冗余信息引导的低剂量心肌灌注CT成像方法。方法考虑到心肌灌注CT图像帧内含有丰富的结 构冗余性,且帧间具有高度的相似性,本文提出基于非局部均值滤波（NLM）和全变分（TV）混合框架的惩罚加权最小二乘 （PWLS）图像重建模型,简称为PWLS-aviNLM-TV。该模型利用了帧间结构相似性和帧内数据冗余性,能有效消除重建图像中 的噪声和伪影,提高灌注序列图像帧内空间分辨率与帧间时间分辨率。结果PWLS-aviNLM-TV相比PWLS-TV和PWLSaviNLM 能更好地去除心肌灌注图像中的噪声和伪影,同时较好保持图像边缘和细节信息,进而有效区分缺血心肌与正常心 肌。结论数据冗余信息引导的重建算法可有效改善低剂量心肌灌注CT成像质量,更好地为临床影像诊断服务。     

改进的先验图像约束的压缩感知重建方法用于低剂量Ｘ-线CT

低剂量CT重建已成为当前X-线CT成像的研究热点。针对低剂量CT成像,本文提出一种改进的先验图像约束的压缩感
知重建方法。新方法首先对CT线积分投影数据采用惩罚加权最小二乘方法进行降噪恢复,接着对恢复后的投影数据进行滤波
反投影重建,然后以重建图像作为先验图像应用先验图像约束的压缩感知方法进行统计迭代重建。实验结果表明,同已有的先
验图像约束的压缩感知重建方法相比,新方法能够更有效地抑制低剂量CT重建图像中的噪声和条形伪影,同时较好地保持图
像的空间分辨率。
     

正常剂量扫描导引的低剂量心血管CT造影图像恢复

目的探讨如何在保证诊断用心血管CT造影(CTA)图像质量的前提下降低X射线辐射剂量的最佳方法。方法本文利用先前正常剂量扫描导引的非局部平均(ndiNLM)方法,结合先前正常剂量扫描的心血管CTA高质量图像,对当前低剂量扫描的心血管CTA图像进行恢复。结果仿真和临床心血管CTA数据实验表明,同传统非局部平均方法(NLM)相比,ndiNLM方法在抑制CTA图像噪声与伪影的同时,还可以实现心血管增强结构信息的优质保持。结论 ndiNLM方法可为CTA成像中的辐射剂量降低提供有力的方法学支撑。     

基于多尺度小波残差网络的稀疏角度CT图像恢复

目的 稀疏角度CT具有加速数据采集和减少辐射剂量的优点。然而,由于采集信息的减少,使用传统滤波反投影算法（FBP）进行重建得到的图像中伴有严重的条形伪影和噪声。针对这一问题,本文提出基于多尺度小波残差网络（MWResNet）对稀疏角度CT图像进行恢复。方法 本网络中将小波网络与残差块相结合,用以增强网络对图像特征的提取能力和加快网络训练效率。实验中使用真实的螺旋几何CT图像数据“Low-dose CT Grand Challenge”数据集训练网络。通过观察图像表征和计算定量参数的方法对结果进行评估,并与其他现有网络进行比较,包括图像恢复迭代残差卷积网络（IRLNet）,残差编码解码卷积神经网络（REDCNN）和FBP卷积神经网络（FBPConvNet）。结果 实验结果表明,本文提出的多尺度小波残差网络优于其余对比方法。结论 本文提出的MWResNet网络能够在保持稀疏角度CT图像边缘细节信息的同时有效抑制噪声和伪影。     

基于联邦特征学习的多机型低剂量CT重建算法

目的 提出一种基于联邦特征学习的多机型低剂量CT重建算法（FedCT）,以提升深度学习模型对多CT机型的泛化能力并保护数据隐私。方法 FedCT框架在每个协作学习的客户端中设置了一个基于数据-解析模型耦合驱动的Radon反变换智能重建模型作为局部网络模型,并采用投影域特异性学习策略,在局部投影域保留成像几何特异性。同时,引入联邦特征学习,使用条件特征参数标记局部数据并馈入网络模型进行编码以在图像域提升网络模型的泛化性。结果 在跨站点的多机型、多协议低剂量CT重建实验中,FedCT的重建结果在所有对比联邦学习方法中获得了最高的PSNR（高于次优的联邦学习方法+2.8048、+2.7301、+2.7263）、最高的SSIM指标（高于次优的联邦学习方法+0.0009、+0.0165、+0.0131）以及最低的RMSE指标（低于次优的对比联邦学习方法-0.6687、-1.5956、-0.9962）。在消融实验中,相较于一般联邦学习策略,采用投影特异学习策略的模型在测试集上的PSNR指标的Q1平均提升1.18,RMSE指标的Q3平均降低1.36。在引入联邦特征学习后,FedCT在测试集上的PSN...     

投影插值联合物理校正的自适应CT金属伪影消除算法

目的 为去除CT图像中的金属伪影,提升CT图像质量,本文提出一种结合投影插值和物理校正的自适应加权CT金属伪影消除算法。方法 采用归一化金属投影插值算法得到初始校正投影数据,在此基础上引入金属物理校正模型得到物理校正投影数据,通过自适应权重加权融合两者投影得到最终的校正投影,最后经过滤波反投影重建获得最终校正图像。为验证本文算法的有效性,采用仿真数据和临床数据进行实验。对于仿真数据本文采用PSNR和SSIM定量指标进行评估,而临床数据采用影像专家对结果图像评分方式来比较不同方法的伪影消除性能。结果 在仿真数据实验中,与对比方法结果相比,本文方法结果的PSNR定量指标至少提升了0.2 dB且获得最高SSIM定量指标。影像专家评分结果显示本文方法在临床数据中获得最高的评分结果3.616±0.338（5分制）,与对比方法之间的伪影消除性能差异具有统计学意义（P<0.001）。结论 本文提出的金属伪影消除算法,可有效去除金属伪影,同时保持更多的组织结构信息,减少新伪影的产生。     

基于非局部能谱相似特征的基物质分解方法用于双能CT图像去噪

目的 提出一种非局部能谱相似特征引导的双能CT基物质分解方法（NSSD-Net）以抑制低剂量能谱CT基物质图像的相关性噪声。方法 首先构建模型驱动的双能CT迭代分解模型,采用迭代软阈值算法（ISTA）优化分解模型目标函数的求解过程,并利用深度学习技术将此过程展开为迭代分解网络的形式。然后构建非局部能谱相似特征引导的代价函数,约束网络的训练过程。利用双能CT真实病人数据所建立的基物质分解数据集进行评估。将NSSD-Net与2种传统模型驱动的基物质分解方法、1种基于数据驱动的基物质分解方法以及1种基于数据-模型耦合驱动的监督分解方法进行对比实验。结果 与传统模型驱动的基物质分解方法以及数据驱动的基物质分解方法相比,NSSD-Net方法在水和骨基物质分解结果中均获得最高的PNSR指标（31.383和31.444）、最高的SSIM指标（0.970和0.963）以及最低的RMSE指标（2.901和1.633）;与数据-模型耦合驱动的监督分解方法相比,NSSD-Net方法在水和骨基物质分解结果中均获得最高的SSIM指标;临床影像专家的主观图像质量评估结果显示,NSSD-Net方法在水和骨基物质分解结果中图像质量评分均最高（8.625和8.250）,与其他4种对比方法分解性能之间的差异具有统计学意义（P<0.001）。结论 本方法可以获得高质量的基物质分解结果,有效避免训练数据质量问题和模型不可解释问题。     

低剂量CT图像重建算法对脑出血检测性能的影响

目的 探究低剂量CT图像重建算法对脑出血检测性能的影响。方法 对正常剂量（定义为100% dose）脑出血CT图像进行低剂量CT成像仿真,仿真剂量包括30%、25%和20% dose。采用7种CT图像重建算法进行图像重建,以实现抑制低剂量CT图像噪声,包括滤波反投影算法（FBP）、惩罚加权最小二乘的全变分（PWLS-TV）、非局部均值滤波（NLM）、3维块匹配（BM3D）、残差编码解码卷积神经网络（REDCNN）、FBP卷积神经网络（FBPConvNet）和图像恢复迭代残差卷积网络（IRLNet）。基于深度学习方法的脑出血检测模型（CNN-LSTM）对正常剂量图像和7种重建算法得到的图像进行脑出血检测。对7种重建算法与正常剂量图像的脑出血检测结果进行比较,评估不同重建算法对脑出血检测性能的影响。结果（1）对于同一算法,剂量对脑出血检测性能的影响：在30%、25%和20% dose下,FBP算法脑出血检测正确率分别为82.21%、74.61%和65.55%。（2）在相同剂量（30% dose）下,不同图像重建算法对脑出血检测性能的影响：FBP、PWLS-TV、NLM、BM3D、REDCNN、FBPConvNet和IRLNet算法的脑出血检测正确率分别为82.21%、86.80%、89.37%、81.43%、90.05%、90.72%和93.51%。（3）IRLNet算法在30%、25%和20% dose下的脑出血检测正确率分别为93.51%、93.51%和93.06%。结论 剂量和重建算法的选择对脑出血检测性能有显著影响,临床中选择合适的剂量和算法组合能在大幅度降低辐射剂量同时保证脑出血检测性能。