基于阿尔法散度约束的全变分最小化剂量ct重建方法

文档序号:6430382阅读:647来源:国知局
专利名称:基于阿尔法散度约束的全变分最小化剂量ct重建方法
技术领域
本发明涉及一种医用CT图像处理的方法,具体来说涉及一种基于阿尔法(α )散度约束的全变分最小化低剂量CT重建方法。
背景技术
临床CT成像中,X线辐射会对人体的潜在风险,如增加癌症发生率及余生肿瘤致死率,因此一直受到广泛关注。但根据目前的图像重建方法,为了得到更好的重建图像,多排CT、双源CT已在临床中广泛应用,新的CT设备的使用造成更大的X射线使用剂量,也对人体造成更大危害,因此,如何在保证图像质量的前提下最大限度地降低X射线使用剂量已成为医学CT成像领域的迫切需要。为达到上述目的,当前方法中除了先进的硬件方法外,通过降低管电流实现低剂量成像是最常用的方法,但该方法重建的图像质量存在严重退化现象,难以满足临床诊断需求。大量研究表明,优质的低剂量CT图像重建方法是大幅降低X射线辐射剂量的有效途径。其中,基于图像域和投影域的滤波方法在一定条件下能取得较好的图像质量,但其只能从图像和投影数据自身获取信息,其处理的精度依赖于图像数据的噪声和伪影特性。当辐射剂量降低或投影数据采集不足时,图像和投影数据的噪声和伪影特性极为复杂,重建出的图像质量就会很差。

发明内容
本发明的目的在于提供一种基于阿尔法(α )散度约束的全变分最小化低剂量CT 重建方法,该方法可实现根据低剂量的CT成像设备投影数据即可重建并得到高质量的CT 重建图像。本发明的目的可通过以下的技术措施来实现一种基于阿尔法(α)散度约束的全变分最小化低剂量CT重建方法,包括以下步骤(1)利用CT成像设备采集原始投影数据,对采集到的投影数据进行CT图像预重建;(2)将步骤(1)中的CT图像预重建的结果作为初值,并构建CT重建模型;(3)采用迭代过程求解步骤O)中CT重建模型,对每步迭代后的结果进行全变分图像恢复,同时判断每步迭代后的结果是否满足终止迭代条件若否,将全变分恢复得到的图像数据作为下一步迭代初值并继续迭代过程;若是,则将当前全变分恢复得到的图像数据作为最终重建结果。所述步骤(1)中的CT图像预重建过程为对CT成像设备采集的原始投影数据采用滤波反投影方法进行图像预重建处理或采用快速的迭代算法进行图像预处理重建。所述的快速的迭代算法为最大似然期望最大算法或最大后验估计算法。所述步骤O)中的CT重建模型为〒^ι Ω(/||Ι//) + ; |/4ν ,其中f为采集到的原始投影数据;Κμ为迭代过程中生成的投影数据,K = (Ki, j}为系统矩阵,i,j分别为待重建CT图像的像素个数和CT探测器探测元的个数;μ表示待重建的衰减图像; Da(f ΙΙΚμ)为数据保真项,a e
; I μ |τν为全变分正则化项。所述步骤(3)中的迭代过程采用期望最大化(EM)迭代方法进行计算。所述系统矩阵是从CT成像设备的系统得到的基于面积加权的系统矩阵,或者,基于体素加权的系统矩阵。所述步骤(3)中全变分图像恢复的计算过程为 /Cl = /C5 -^I//;div(w),其中Ι = ^/Σ;《,7 ; 为全变分恢复后的图像数据,
div为散度算子,W为二元变量。所述步骤中迭代终止条件为相邻两次全变分图像恢复后的重建模型的差小于阈值。所述阈值为0.001。本发明对比现有技术,有如下优点1、由于α散度应用于统计推测时对噪声和离群值具有较好的鲁棒性,本方法利用α散度来测定低剂量投影数据和估计的投影数据之间的偏差,而全变分在图像降噪的同时保持图像的边缘和纹理结构信息。本方法结合以上两点,从而能够实现低剂量CT图像的优质重建;2、试验结果显示,本方法能较好的保持图像边缘,并且抑制勻质区域的噪声,同时具有较高的信噪比。


图1是本发明的基于阿尔法散度约束的全变分最小化低剂量CT重建方法的处理流程图; 图2 (a)是Sh印p-Logan体模图像;图2(b)是对证印p-Logan体模低剂量投影数据采用Ramp滤波后的FBP重建图像;图2 (c)是对证印p-Logan体模低剂量投影数据采用Harm窗滤波后的FBP重建图像;图2 (d)是对证印p-Logan体模低剂量投影数据采用本发明方法的重建图像,其中 α取值0.6,λ取值0.2 ;图2 (e)是对证印p-Logan体模低剂量投影数据采用本发明方法的重建图像,其中 α取值1.0,λ取值0.2 ;图2 (f)是对证印p-Logan体模低剂量投影数据采用本发明方法的重建图像,其中 α取值2. 0,λ取值0. 2的重建图像;图3(a)至图3(d)分别是图2(c)至图2(f)重建图像的水平轮廓图;图4为性能体模图像;图5(a)为图2(d)对应重建过程中目标函数随迭代次数的变化曲线;图5(b)为图2(e)对应重建过程中目标函数随迭代次数的变化曲线;图5(c)为图2(f)对应重建过程中目标函数随迭代次数的变化曲线。
具体实施例方式图1示出了本发明的基于阿尔法(α )散度约束的全变分最小化低剂量CT重建方法(简称α D-TV)的处理流程图,具体过程如下1、利用CT设备采集低剂量投影数据,由于临床CT扫描中,不同的成像部位,剂量使用不同,本方法在使用过程中,采用一般剂量的1/10左右即可达到良好效果,即使用最小剂量即可。对采集到的投影数据进行CT图像预重建,CT图像预重建过程为对CT成像设备采集原始投影数据采用滤波反投影方法进行CT图像预重建或采用快速的迭代算法进行CT图像预重建。快速的迭代算法为最大似然期望最大算法或最大后验估计算法,也可采用其他方法进行CT图像预重建。接下来,构建基于α散度约束的全变分最小化CT重建模型,并将图像重建预处理后的结果作为CT重建模型优化求解的初值进行求解,本方法优选如下CT重建模型 ^mDci (/||1//) 其中Da(f||Ky)为数据保真项,其形式为
=
权利要求
1.一种基于阿尔法散度约束的全变分最小化低剂量CT重建方法,其特征在于包括以下步骤(1)利用CT成像设备采集原始投影数据,对采集到的投影数据进行CT图像预重建;(2)将步骤(1)中的CT图像预重建的结果作为初值,并构建CT重建模型;(3)采用迭代过程求解步骤O)中CT重建模型,对每步迭代后的结果进行全变分图像恢复,同时判断每步迭代后的结果是否满足终止迭代条件若否,将全变分恢复得到的图像数据作为下一步迭代初值并继续迭代过程;若是,则将当前全变分恢复得到的图像数据作为最终重建结果。
2.根据权利要求1所述的基于阿尔法散度约束的全变分最小化低剂量CT重建方法,其特征在于所述步骤(1)中的CT图像预重建过程为对CT成像设备采集的原始投影数据采用滤波反投影方法进行图像预重建处理或采用快速的迭代算法进行图像预处理重建。
3.根据权利要求2所述的基于阿尔法散度约束的全变分最小化低剂量CT重建方法,其特征在于所述的快速的迭代算法为最大似然期望最大算法或最大后验估计算法。
4.根据权利要求1至3任意一项所述的基于阿尔法散度约束的全变分最小化低剂量CT重建方法,其特征在于所述步骤⑵中的CT重建模型为mmOa (/\\Κμ) + λ\μ\ γ ,其中f为采集到的原始投影数据;κ μ为迭代过程中生成的投影数据,K = IKi,」}为系统矩阵,i,j分别为待重建CT图像的像素个数和CT探测器探测元的个数;μ表示待重建的衰减图像;Da(f ΙΙΚμ)为数据保真项,a e
;| μ | τν为全变分正则化项。
5.根据权利要求4所述的基于阿尔法散度约束的全变分最小化低剂量CT重建方法,其特征在于所述步骤(3)中的迭代过程采用期望最大化迭代方法进行计算。
6.根据权利要求5所述的基于阿尔法散度约束的全变分最小化低剂量CT重建方法,其特征在于所述系统矩阵是从CT成像设备的系统得到的基于面积加权的系统矩阵,或者, 基于体素加权的系统矩阵。
7.根据权利要求6所述的基于阿尔法散度约束的全变分最小化低剂量CT重建方法,其特征在于所述步骤⑶中全变分图像恢复的计算过程为μΙ+λ 二 μΙ+5,其中叉= 2/Σ;^“ ; 为全变分恢复后的图像数据,div为散度算子,w为二元变量。
8.根据权利要求7所述的基于阿尔法散度约束的全变分最小化低剂量CT重建方法,其特征在于所述步骤中迭代终止条件为相邻两次全变分图像恢复后的重建模型的差小于阈值。
9.根据权利要求8所述的基于阿尔法散度约束的全变分最小化低剂量CT重建方法,其特征在于所述阈值为0. 001。
全文摘要
本发明公开了一种基于阿尔法散度约束的全变分最小化剂量CT重建方法,包括以下步骤(1)利用CT成像设备采集原始投影数据,对采集到的投影数据进行CT图像预重建;(2)将步骤(1)的结果作为初值,并构建CT重建模型;(3)采用迭代过程求解步骤(2)中CT重建模型,对每步迭代后的结果进行全变分图像恢复,同时判断每步迭代后的结果是否满足终止迭代条件若否,将全变分恢复得到的图像数据作为下一步迭代初值并继续迭代过程;若是,则将当前全变分恢复得到的图像数据作为最终重建结果。该方法可实现根据低剂量的CT成像设备投影数据即可重建并得到高质量的CT重建图像。
文档编号G06T11/00GK102314698SQ20111022832
公开日2012年1月11日 申请日期2011年8月10日 优先权日2011年8月10日
发明者田玲玲, 陈武凡, 马建华, 黄静 申请人:南方医科大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1