基于能谱CT的材料组分彩色表征研究

基于光子计数探测器的X射线能谱CT,通过增加能谱分辨率实现了CT图像由灰度向彩色的转变,提高了材料识别能力。然而随着能谱通道数量的增加,通道中的噪声也显著增加,降低了材料识别的准确性。为充分利用能谱CT图像的稀疏性以及能谱通道之间图像的相关性,提出一种多约束窄谱CT迭代重建算法,可在降低噪声的同时有效保留图像的边缘及细节部分。进一步利用主成分分析对窄谱CT图像中的能谱信息进行估计,并建立主成分图像与R, G和B颜色分量之间的映射关系,最后获取彩色CT图像。该方法通过材料组分的彩色表征可以有效识别材料,同时降低图像中的背景噪声。仿真实验和实际实验结果验证了多约束窄谱CT迭代重建算法的有效性以及利用主成分分析进行材料组分彩色表征的可行性。

多通道联合的广义总变分能谱CT重建

基于光子计数探测器的能谱CT在材料分解、组织表征、病变检测等应用中具有巨大的潜力。在重建过程中,通道数的增加会造成单通道中光子数减少,从而导致重建图像质量下降,难以满足实际需求。本文从能谱CT重建的角度出发,将广义总变分向矢量延伸,利用奇异值的稀疏性,促进图像梯度的线性依赖,提出一种基于核范数的多通道联合广义总变分的能谱CT重建算法。在图像重建过程中,多层共享结构信息,同时保留独特的差异。实验结果表明,本文提出的算法在抑制噪声的同时,能够更有效地恢复图像细节及边缘信息。

基于多尺度生成对抗网络的低剂量CT去噪算法

为有效降低低剂量CT图像的噪声,提出一种结合特征金字塔(FPN)的生成对抗网络模型(FGAN)。该模型利用多尺度并行方法从低剂量图像中提取图像细节,在不改变主干模型的前提下,融合不同尺度结构特征,采用批量归一化以及带泄露修正线性单元提高网络性能。通过与非局部均值滤波(NLM)、三维块匹配滤波(BM3D)、多层感知机(MLP)以及生成对抗网络(GAN)4种算法相比,该算法不仅降低了低剂量CT图像的噪声和伪影,而且保留了更多的细节信息,提高了低剂量CT图像质量,验证了该算法的有效性。