基于梯度保真项的低剂量CT统计迭代重建算法

针对低剂量计算机断层扫描(Computed Tomography,CT)重建图像时容易出现明显条形伪影这一现象,提出一种基于梯度保真项的低剂量CT统计迭代重建算法。该算法克服了原始全变分(Total Variation,TV)模型在抑制条形伪影和噪声的同时引入阶梯效应的缺点,首先把梯度保真约束项和能够区分图像平滑区和细节区的边缘指示函数应用到TV模型中得到基于梯度保真项的自适应全变分模型,然后再把新模型与惩罚加权最小二乘(Penalized Weighted Least Square,PWLS)重建算法相结合,使用交替方向迭代法得到最终的图像。采用Shepp-Logan模型来验证算法的有效性,实验结果表明,该算法不仅可以有效地去除条形伪影,还可以较好地保护图像的边缘和细节信息。     

基于改进U-net的自监督低剂量CT图像去噪算法研究

针对低剂量CT(low-dose CT,LDCT)图像去噪过程中配对数据难以获取的问题,本文提出了一种基于注意力机制和联合损失的自监督LDCT图像去噪算法。在该算法中,利用边缘增强后的U-net网络完成LDCT图像的特征提取,在网络框架中引入通道和像素注意力机制,以提高网络对噪声和伪影的抑制能力。同时使用联合损失避免传统损失对图像造成的图像过平滑问题,使得去噪后图像更加接近原图像。实验结果表明：所提出的算法可有效抑制LDCT图像的噪声,保留图像的纹理细节。经过算法处理后的LDCT图像的峰值信噪比(peak signal-to-noise ratio,PSNR)提高了16.40%,结构相似性(structural similarity,SSIM)提高了9.60%。在无配对数据下,该方法可有效保留细节并减少低剂量扫描产生的噪声,为临床LDCT图像去噪提供新思路。     

基于生成对抗网络的超声图像超分辨率重建

针对医学超声图像的分辨率低而导致视觉效果差的问题,使用基于神经网络的图像超分辨率(SR)重建方法提升医学超声图像的分辨率。采用针对自然图像超分辨率重建的生成对抗网络(SRGAN)作为基本方法,通过减少2个输入通道和删除1个残差块对该网络的结构进行更改,并且改进网络损失函数,新增模糊处理数据集,使该网络适应医学超声图像所具备的灰度图像、散斑纹理单一等特点,从而重建出放大4倍的边缘清晰没有伪影的医学超声图像。将改进SRGAN与原始SRGAN的结果相比,峰值信噪比(PSNR)和结构相似性(SSIM)分别有1.792 dB和3.907%的提升;与传统双立方插值的结果相比,PSNR和SSIM分别有2.172 dB和8.732%的提升。     

基于全广义变分约束加权最小二乘的低剂量计算机断层重建方法

为了减少X射线的辐射剂量，提出了一种基于全广义变分约束加权最小二乘的低剂量计算机断层（CT）重建方法。首先对投影数据进行统计建模，然后将全广义变分正则化作为先验信息引入到投影数据恢复过程中，从而达到抑制噪声的目的，最后使用传统的滤波反投影算法进行CT图像重建。在Shepp-Logan体模实验中，提出方法的重建结果与Gibbs先验约束的惩罚加权最小二乘（Gibbs-WLS）、字典学习先验约束的惩罚加权最小二乘（DL-WLS）和全变分先验约束的惩罚加权最小二乘（TV-WLS）方法的重建结果相比，均方根误差分别降低了25.06%、1.50%和15.21%，信噪比分别提高了10.29%、0.53%和5.68%。在Clock体模实验中，提出方法的重建结果与Gibbs-WLS、DL-WLS和TV-WLS方法的重建结果相比，均方根误差分别降低了42.72%、23.45%和34.63%，信噪比分别提高了27.04%、11.42%和15.49%。实验结果表明，该方法在有效抑制低剂量CT图像的伪影和噪声的同时可以很好地保持图像的边缘信息和结构细节特征。     

基于卷积神经网络的高光谱图像重建方法

为了提高高光谱图像的成像质量，满足应用需求，提出基于卷积神经网络的高光谱图像重建方法研究。通过预处理方式消除高光谱图像中的暗电流信息与噪声数据，以此为基础，获取高光谱图像SIFT特征，选择高光谱图像最优波段，最大限度地保留高光谱图像的波段特征，有效融合卷积神经网络构建高光谱图像重建模型，将最优波段高光谱图像数据输入至构建模型中，输出结果即为高光谱图像重建结果。实验数据显示：应用提出方法获得的评价指标MSE最小值为6,评价指标Q最大值为6.8,PSNR与SSIM最大值分别为40.349 dB与0.964 4,充分证实提出方法高光谱图像重建质量较佳。     

模糊神经网络像素分类的稀疏表示医学CT图像去噪方法

在医学CT成像过程中,由于引入了不可避免的噪声,致使图像质量下降,影响临床诊断。因此,研究医学CT图像降噪方法在诊疗服务中具有重要意义。本文结合图像分割的思想,利用模糊神经网络将图像像素分成边缘区、平滑区与纹理区等不同图像区域,通过小波稀疏表示对不同类型的图像块进行阈值去噪处理,以便更好地保留医学CT图像的细节特征。实验结果表明,本文算法对医学CT图像降噪有一定的效果,峰值信噪比（PSNR）和结构相似性指数（SSIM）都得到了改善,更好并且很好地保留CT图像的细节信息。      

基于改进生成对抗网络的低剂量CT去噪算法

针对低剂量计算机断层扫描(computerized tomography,CT)在图像采集过程中引入较多噪声,造成图像质量严重下降的问题, 提出一种基于残差注意力机制与复合感知损失的低剂量CT去噪算法。在该算法中,利用生 成对抗网络完成对低剂量CT图像的去噪,在网络框架中引入多尺度特征提取及残差注意力 模块,以融合图像中不同尺度的信息,提高网络对噪声特征的区分能力,避免在去噪过程中 丢失图像细节信息。同时采用复合感知损失函数,以加快网络收敛速度,促使去噪图像在感 知上与原图像更接近。实验结果表明:与现有的算法相比,所提算法能够有效抑制低剂量 CT图像中的噪声,并恢复更多的纹理细节;对比低剂量CT图像,所提算法处理后的CT 图像峰值信噪比(peak signal-to-noise ratio,PSNR) 值提高了31.72%, 结构相似性(structural similarity,SSIM)值提高了13.15%,可以满足更高的医学影像诊断要求 。     

基于局部路径特征信息神经网络的图像去噪

图像去噪旨在减少或消除噪声对图像的影响,这一过程往往会有高频细节信息的丢失。为了在去除图像噪声的同时保护图像的边缘信息与纹理细节,本文提出了一种能够连接图像局部路径信息的神经网络,该网络训练完成后可以直接对含噪声图像进行降噪,不需要对图像进行预处理。本文提出的神经网络包括3个部分特征提取层、信息连接模块、信息重建层。信息连接模块是该网络的关键部分,通过残差学习连接局部长路径和局部短路径的特征信息。实验结果表明,经本文处理后的图像在有参考的图像质量评价指标PSNR和SSIM上均有明显提升,PSNR最高可以达到34.87 dB,SSIM可以达到0.87以上;在无参考的图像质量评价指标BRISQUE和NIQE上均有明显下降。本文算法对不同水平、不同种类的算法都有相对较好的效果,且性能优于一般算法,在去噪工作中有一定的实用价值。     

基于离散剪切波的MAP-MRF低剂量CT去噪算法

当降低X射线计算机断层成像(computer tomography,CT)的管电流强度,投影 数据将变为低信噪比的,使CT图像 复原变为欠定问题。提出了一种基于离散剪切波MAP-马尔可夫随机场(map Markov random field,MAP-MRF)的低 剂量医学CT图像去噪算法。首先,利用离散剪切波多尺度、多方向的优点,可以精确地计算 剪切系数,而且可以更稀疏的表示图像信息,结合马尔可夫理论提出了基于MAP-MRF的去噪 算法,使盲复原结果在噪声消除和边缘保持上达到有效的平衡,且优化了正则化项,使算法 快速收敛。图像的噪声得到了较为有效的滤除,并且图像特征得到了较好的保留,将MAP-M RF算法与其他5种对比算法进行Shepp-Logan体膜、临床脑部CT、临床低剂量肩部CT的定性 及 定量实验,实验结果表明,在定性实验中该方法可以获得良好的CT重建图像,保留清晰的纹 理细节和结构特征;在10 mA模拟噪声及20 mA 临床低管电流定量实验中峰值信噪比(PSNR)、 结构相似性指数(SSIM)指标均有较大改进,均方根误差(RMSE)低于对比算法,证明了算 法的有效性。     

基于并行多轴自注意力的图像去高光算法

图像高光层模型的模糊性和高光动态范围大的特点,使得图像去高光成为了一个挑战性的视觉任务。纯局部性方法容易导致图像高光区出现伪影,纯全局性方法容易使图像非高光区色彩失真。针对图像去高光中局部和全局特征不平衡导致的上述问题,以及高光层建模的模糊性,提出了基于并行多轴自注意力机制的门限融合U型深度网络图像去高光算法。该方法通过隐式建模避免了高光层模型模糊引入的问题,利用U型网络结构将上下文信息与低层信息融合对无高光图像进行估计,并在U型结构编码器和解码器之间引入门限融合结构进一步提升网络模型的特征表达能力。此外,U型网络的单元结构通过融合局部和全局自注意力平衡了局部和全局特征的编码和解码。定性实验结果表明,文中方法可以更有效地去除图像中的高光,其他对比算法在高光处容易产生伪影和失真。定量实验结果表明,文中方法在PSNR和SSIM指标上优于其他五种典型的图像去高光方法,在三个数据集上,PSNR值分别高于次优方法 4.10、7.09、6.58 dB,SSIM值分别取得了4%、9%和3%的增量。     

基于深度学习的稀疏或有限角度CT重建方法研究综述

由于计算机断层扫描（CT）成像技术对物体内部结构具有出色的可视化能力，其在临床医学诊断中获得广泛应用。但是X射线辐射会对人体造成伤害，通常采用降低扫描强度或者减少扫描角度数量的方式降低患者受到的X射线辐射剂量，然而在欠采样投影数据条件下重建的低剂量CT图像会有严重的条状伪影和噪声。近年来，深度学习技术快速发展，同时卷积神经网络在图像表示与特征提取等方面展现出巨大优势，应用在稀疏或者有限角度下的CT重建任务中可以实现快速和高质量的重建。因此面向稀疏或者有限角度条件下的CT重建技术，综述了深度学习技术在图像域后处理、正弦域预处理、双域数据联合处理、迭代重建算法和端到端映射重建5个方面的国内外最新研究进展，对当前基于深度学习的稀疏或者有限角度CT重建方法的技术特点及其局限性进行分析，并展望了未来可能的研究方向。     

基于标准剂量CT图像非局部权值先验的低剂量图像恢复

本文提出一种基于标准剂量CT图像非局部权值先验的低剂量图像恢复方法,该方法首先将先前标准剂量图像与低剂量CT图像配准,并对低剂量CT图像进行预处理以抑制部分噪声,随后利用非局部均值的思想计算配准后的先前标准剂量CT图像的权值矩阵,基于该权值矩阵对预处理后的低剂量CT图像进行加权均值滤波.仿真实验和临床脑灌注数据实验表明,本文方法在消除低剂量CT图像噪声和伪影的同时,还可提升图像分辨率,对临床脑灌注CT扫描的疾病诊断中尤为有效.     

基于卷积神经网络的定量磁化率图像重建

文中提出了解决定量磁化率成像中偶极子反卷积的病态逆问题和快速重建高质量无伪影的定量磁化率图像的算法。基于k空间阈值法(TKD)初步重建三维定量磁化率图像(QSM),随后将TKD重建图像输入训练完成的三维卷积神经网络(CNN)模型中获得预测图像。在k空间中将TKD重建图像与CNN预测图像进行融合重建最终QSM图像。结果表明:与金标准相比,算法能够重建视觉上误差较小和无条形伪影的磁化率图像;卷积神经网络可以恢复病态区域的信号,k空间融合方法有效解决了偶极子反卷积的病态性。测试集上的重建结果在标准均方根误差(NRMSE)和高频误差范数(HFEN)重建误差上均低于主流算法。     

一种针对膝关节CT图像分割的卷积神经网络

针对现有的膝关节CT图像分割方法耗时长、精度低的问题,文中提出一种改进U-Net的卷积神经网络。首先,该网络将添加批归一化层的残差模块作为U-Net编码过程的主要单元,以增加对图像特征的提取能力,克服网络训练过程中可能产生的梯度消失和梯度爆炸问题;其次,把Attention U-Net中的注意力门加入到U-Net解码过程的前3个阶段,在尽量减少网络复杂性的同时突出模型对图像重要特征的学习;最后,该网络结合Adam一阶优化算法和Focal Loss损失函数实现膝关节CT图像的精准分割。在膝关节CT图像数据集上,Dice系数、IOU系数精度分别达到96.5%,93.4%,豪斯多夫距离减小到（3.2±1.3）mm。相比U-Net和SegNet模型,文中算法在膝关节CT图像的分割方面精度更高,网络训练时间减少,平均预测每张图像的效率也有较大提高。     

采用高频能量的CT几何参数自标定方法

针对锥束CT系统中几何参数失配引起几何伪影的问题,提出了一种采用空域高频能量的几何伪影自校正算法。该算法以重建图像的空域高频能量为目标函数建立优化模型,通过单纯形法迭代求解使空域高频能量最大的几何参数最优解。利用投影图像的特性提取部分参数作为输入初值,减小算法搜索范围。并采用图形处理器（Graphic Processing Unit,GPU）对自校正过程中的图像重建并行加速,减少重建时间,提高校正速度。实验结果表明:该算法具有较高的求解精度,最大相对误差不超过5%,对重建图像中的几何伪影有较好的校正效果。同时,在不影响精度的情况下减少了迭代次数,算法执行效率提高了18.8%。     

基于稀疏编码的鲁棒型人脸超分辨率重建

为了减少人脸超分图像的边缘伪影和图像噪点,利用基于稀疏编码的单幅图像超分辨率重建算法,在字典学习阶段,结合L1范数引入在线字典学习方法,使字典根据当前输入图像块和上次迭代生成的字典逐列更新,得到更加精确的超完备字典对,用于图像重建.实验中进行的仿真结果表明,改进算法超分结果的峰值信噪比(PSNR)和结构相似性(SSIM)比同类型的稀疏编码超分法(SCSR)和应用在线字典学习算法的超分方法(ODLSR)均有较大幅度提升,比后者平均提升0.72 dB和0.0187.同时,视觉上有效地消除了边缘伪影,且在处理含噪人脸图像时,具备更强的去噪能力和更好的鲁棒性.     

基于生成对抗网络和噪声水平估计的低剂量CT图像降噪方法

生成对抗网络(GAN)用于低剂量CT(LDCT)图像降噪具有一定的性能优势,成为近年CT图像降噪领域新的研究热点。不同剂量的LDCT图像中噪声和伪影分布的强度发生变化时,GAN网络降噪性能不稳定,网络泛化能力较差。为了克服这一缺陷,该文首先设计了一个编解码结构的噪声水平估计子网,用于生成不同剂量LDCT图像对应的噪声图,并用原始输入图像与之相减来初步抑制噪声;其次,在主干降噪网络中,采用GAN框架,并将生成器设计为多路编码的U-Net结构,通过博弈对抗实现网络结构优化,进一步抑制CT图像噪声;最后,设计了多种损失函数来约束不同功能模块的参数优化,进一步保障了LDCT图像降噪网络的性能。实验结果表明,与目前流行算法相比,所提出的降噪网络能够在保留LDCT图像原有重要信息的基础上,取得较好的降噪效果。     

基于生成对抗网络和噪声水平估计的低剂量CT图像降噪方法

生成对抗网络(GAN)用于低剂量CT(LDCT)图像降噪具有一定的性能优势,成为近年CT图像降噪领域新的研究热点.不同剂量的LDCT图像中噪声和伪影分布的强度发生变化时,GAN网络降噪性能不稳定,网络泛化能力较差.为了克服这一缺陷,该文首先设计了一个编解码结构的噪声水平估计子网,用于生成不同剂量LD-CT图像对应的噪声图,并用原始输入图像与之相减来初步抑制噪声;其次,在主干降噪网络中,采用GAN框架,并将生成器设计为多路编码的U-Net结构,通过博弈对抗实现网络结构优化,进一步抑制CT图像噪声;最后,设计了多种损失函数来约束不同功能模块的参数优化,进一步保障了LDCT图像降噪网络的性能.实验结果表明,与目前流行算法相比,所提出的降噪网络能够在保留LDCT图像原有重要信息的基础上,取得较好的降噪效果.     

锥束CT去除环形伪影的方法研究

环状伪影是CT技术人员经常遇到的影响重建图像质量的一种伪影,造成环形伪影的因素很多,其中探测器缺陷引起的环形伪影最为常见。环形伪影表现在原始图像结构上是圆环或者是圆弧,理论认证发现探测器响应效率不一致,会使锥束三维CT重建结果产生环形伪影。环形伪影影响了CT图像的分析和后续处理,因此去除环形伪影显得非常具有使用价值。本...     

应用先验插值校正CT金属伪影

针对CT系统在实际应用中出现的金属伪影问题,提出一种基于先验插值的金属伪影校正算法。文中通过预滤波、骨骼分割和软组织恢复步骤计算先验图像,并利用先验图像的正向投影对原始投影中的金属投影区进行插值校正。应用该算法对数值仿真图像和临床CT图像分别进行了校正重建实验。数值仿真实验表明,用提出算法校正的结果比线性插值金属伪影校正算法、归一化金属伪影校正算法校正的结果更接近理想体模。临床数据实验表明:该算法的重建结果有效抑制了金属伪影,清晰重建出金属边缘细节,极大地提高了重建图像的质量。