摘要
计算机断层成像(CT)在临床医学诊断中应用十分广泛，发挥着不可替代的作用。对于常规的扫描方式，要重建出高质量的CT图像，其前提是获取的投影数据比较完备且具有较高的信噪比。但另一方面获取完备的数据意味着患者在CT检查中接受的X射线辐射剂量也会更多。与此同时，随着CT设备的广泛使用，CT的高剂量所带来的辐射风险越来越引起人们的关注。为了降低患者在CT影像检查过程中的辐射剂量，同时确保重建图像能满足准确诊断要求，低剂量CT成像技术在临床实践过程中的需求越来越迫切。低剂量CT实现方法目前主要有两种:降低管电流或者减少射线投影角度数量。前者将导致X射线能量强度不足，使透过被扫描物体并被探测器检测到的光子数量减少，从而使CT投影数据被噪声污染，重建图像表现噪声过大或者细节模糊等严重退化。后者会导致投影数据不完备，传统算法无法实现精确重建，CT图像会出现严重的伪影。为解决低剂量CT图像重建和伪影校正过程中存在的问题，本文做了以下几个方面的研究: (1)针对如何从稀疏角度投影数据进行高质量CT图像重建问题，提出了一种改进的低剂量CT统计迭代重建方法。该算法(PWLS-TV-DL)基于惩罚加权最小二乘法(penalized weighted least-squares，PWLS)、全变分(Total Variation，TV)最小化与稀疏字典学习（Dictionary Learning，DL）技术。通过将TV和DL集成到同一帧中以实现信号的稀疏表示，在重建过程中加强了图像结构上的约束，实现了低剂量CT下复杂结构图像的精确恢复。 (2)针对低剂量CT重建后图像出现的噪声和伪影问题，提出了两种基于字典学习的图像噪声与伪影校正算法。一种为基于字典学习和稀疏表示的校正方法，另一种为基于字典学习和随机森林的方法。前者通过对低分辨率和高分辨率字典的耦合训练以及对过完备字典的稀疏编码，后者通过随机森林分类器找到低剂量CT图像和正常剂量CT图像之间映射关系的最优解，最终实现低剂量CT成像中的噪声抑制与伪影校正。 (3)针对当前深度学习算法在低剂量CT重建图像伪影校正过程中出现的过度平滑等局限性，提出了一种改进的低剂量图像伪影校正生成对抗网络(m-WGAN)。该网络采用了Wasserstein距离代替传统生成对抗网络(GANs)中的Jensen Shannon散度（JS散度），并引入了梯度惩罚以加速训练过程收敛，使训练更加稳定;在结构上利用级联残差块网络构建了更深的生成器网络，提升了网络的特征提取能力;同时在损失函数中加入了内容损失函数，结合对抗损失函数，更好地还原了图像细节。在包含轴状位、矢状位和冠状位的临床实验数据集上的评估表明所提出方法可以实现低剂量CT重建图像细节的恢复和伪影的校正。
NETL