與傳統(tǒng)CT相比,基于光子計(jì)數(shù)探測(cè)器的能譜CT因其識(shí)別和區(qū)分不同材料的能力引起了極大的關(guān)注。光子計(jì)數(shù)探測(cè)器可以將能譜劃分為幾個(gè)通道,提高了能量的分辨率。但是,由于能量通道的劃分,單個(gè)能量通道內(nèi)可用的光子數(shù)遠(yuǎn)小于檢測(cè)到的光子總數(shù)量,故每個(gè)能量通道內(nèi)的噪聲急劇增加。因此,如何從噪聲投影中重建高質(zhì)量的CT圖像已經(jīng)成為當(dāng)前能譜CT領(lǐng)域研究的熱點(diǎn)之一。本文基于壓縮感知(Compressed Sensing,CS)理論,研究能譜CT降噪重建算法,主要研究工作如下:(1)提出了一種聯(lián)合字典學(xué)習(xí)和全變分(total-variation,TV)的能譜CT迭代重建算法,并采用Split-Bregman算法求解。同時(shí),采用有序子集方法加速迭代收斂過程,提高運(yùn)算速率。論文選用簡(jiǎn)單模型和實(shí)際臨床小鼠模型作為測(cè)試模型進(jìn)行仿真實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,所提出的算法有一定的去噪及細(xì)節(jié)保存能力。(2)雖然傳統(tǒng)基于壓縮感知的算法有一定的去噪效果,但當(dāng)噪聲過大、模型結(jié)構(gòu)較復(fù)雜時(shí),表現(xiàn)力會(huì)大打折扣。因此,有待提出新型的能譜CT重建算法。由于不同能譜通道下重建圖像有高度的結(jié)構(gòu)相關(guān)性,使用高質(zhì)量的全能譜重建圖像作為先驗(yàn)圖像指導(dǎo)窄譜CT重...

【文章頁數(shù)】：52 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 能譜CT去噪算法研究現(xiàn)狀
    1.3 論文的主要工作及結(jié)構(gòu)安排
第二章 能譜CT圖像重建技術(shù)研究
    2.1 傳統(tǒng)X-CT成像理論
    2.2 能譜CT成像模型
    2.3 CT重建算法理論
        2.3.1 解析重建算法簡(jiǎn)述
        2.3.2 迭代重建算法簡(jiǎn)述
    2.4 基于壓縮感知的圖像重建
    2.5 能譜CT迭代重建算法研究
        2.5.1 基于TV的能譜CT重建算法
        2.5.2 基于字典學(xué)習(xí)的能譜CT重建算法
    2.6 重建算法評(píng)價(jià)參數(shù)
    2.7 本章小結(jié)
第三章 基于字典學(xué)習(xí)和TV的能譜CT重建算法
    3.1 基于字典學(xué)習(xí)和TV的能譜CT重建算法
    3.2 實(shí)驗(yàn)仿真
        3.2.1 實(shí)驗(yàn)設(shè)置
        3.2.2 模型設(shè)計(jì)
        3.2.3 簡(jiǎn)單模體重建結(jié)果分析
        3.2.4 小鼠模型重建結(jié)果分析
    3.3 結(jié)論
第四章 基于PICCS框架和字典學(xué)習(xí)的能譜CT重建算法
    4.1 先驗(yàn)圖像約束壓縮感知(PICCS)算法
    4.2 基于字典學(xué)習(xí)和PICCS框架的能譜CT重建算法
    4.3 實(shí)驗(yàn)仿真
        4.3.1 實(shí)驗(yàn)設(shè)置
        4.3.2 簡(jiǎn)單模體重建結(jié)果分析
        4.3.3 小鼠模型重建結(jié)果分析
    4.4 結(jié)論
第五章 總結(jié)與展望
    5.1 研究主要內(nèi)容及成果
    5.2 存在的問題及以后的工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文
致謝



本文編號(hào)：3862048