基于解剖自适应的非局部先验贝叶斯PET图像重建

将配准的解剖图像作为先验信息指导PET图像重建已有广泛的研究。基于非局部均值(nonlocal means)滤波和解剖图像的区域信息,提出一种解剖自适应的非局部先验(anatomically adaptive nonlocal prior,AANLP)模型。新模型中的信息来自一个较大的非局部邻域内灰度值的加权差,其权值通过计算两个像素的相似性获得。权值参数通过利用解剖图像的区域信息进行自适应迭代估计。在PET图像的重建过程中,AANLP模型自适应地用于每一个解剖区域。构建两步式重建策略,用于图像重建和参数估计。仿真数据重建结果表明,AANLP具有很好的保持边缘效果,并且能鲁棒地产生最高的病灶对比度。

基于广义Gibbs先验的优质PET成像

最大后验方法(Maximum A Posteriori,MAP)已经广泛应用于解决图像重建中的病态问题,正电子发射成像(Positron Emission Tomography,PET)便是其中之一.本文基于MAP方法,针对PET成像提出一新的基于图像相似结构信息的广义Gibbs先验形式,新先验能在有效地抑制噪声的同时,鲁棒地保持锐利的边缘信息.但由于新先验的引入,使得重建模型的求解趋于复杂.为解决模型解的收敛性问题,我们提出两步式的局部线化优化迭代重建策略,并结合抛物线替代坐标上升(Paraboloidal Surrogate Coordinate Ascent,PSCA)算法进行求解.新算法分别对PET模拟数据和真实数据进行重建实验,结果表明本文提出的基于广义Gibbs先验的PET成像可以获得优质的重建图像.

基于相关系数和双向扩散结合的优质正电子发射断层重建算法

在正电子发射断层成像(PET)中,传统迭代算法会造成重建图像细节信息丢失或目标边界模糊。为了解决上述问题,提出一种基于相关系数和双向扩散结合的优质中值先验(MP)重建算法。首先,引入特征因子相关系数来表征图像局部灰度统计信息,构造出结合相关系数的双向扩散模型;其次,考虑到双向模型对背景和边缘区别处理的优点,将新模型应用到中值先验分布的最大后验重建算法中,形成基于双向扩散的中值先验重建算法。实验结果表明,该算法在去除噪声的同时能够较好地保持图像中的目标边界信息,信噪比(SNR)和均方误差(RMSE)的变化也能直观体现重建图像质量的提高。

基于灰度方差和正逆扩散结合的PET重建

在正电子发射断层成像(PET)中,最大后验重建引入图像先验分布信息,将重建结果约束在正则空间中,但是不恰当的约束将导致重建图像过度平滑;经典正逆各项异性扩散模型仅考虑图像的梯度信息,不能完整表征图像的特征。针对该问题,提出了一种基于正逆扩散的优质PET重建算法,将灰度方差与正逆扩散模型结合,并采用改进模型进行正逆各项异性扩散,进行中值先验分布的贝叶斯重建。仿真结果表明,新算法克服了传统算法图像退化的缺点,优化了重建质量,能获得较高的信噪比和较好的图像视觉效果。