基于模型融合的有限角度CT迭代重建方法

针对有限角度扫描的CT重建,提出一种基于模型融合的CT迭代重建方法。模型来源于患者的早期Dicom图像。对扫描角度有限的投影数据,用统计迭代算法进行初步重建,得到预重建图像;将预重建图像与模型进行融合,得到融合图像;然后再次投影,补全原始投影缺失的部分,根据补全的投影数据重建出中间结果,之后重复投影、融合、重建过程直到满足终止条件。仿真实验表明,该算法能完整重建整个目标,在有效保留原目标特征的同时提高了小角度投影数据重建的质量。

一种基于前向成像模型的光声层析图像重建方法

在光声层析成像(photoacoustic tomography,PAT)时,不均匀光通量分布、组织复杂的光学和声学特性以及超声探测器的非理想特性等因素会导致重建图像质量下降。本文考虑不均匀光通量、非定常声速、超声探测器的空间脉冲响应和电脉冲响应、有限角度扫描和稀疏采样等因素的影响,建立了前向成像模型。通过交替优化求解成像模型的逆问题,实现光吸收能量分布图和声速分布图的同时重建。仿真、仿体和在体实验结果表明,与反投影法、时间反演法和短滞后空间相干法相比,该方法重建图像的结构相似度和峰值信噪比可分别提高约83%、56%、22%和80%、68%、58%。由上述结果可知,对非理想成像场景采用该方法重建的图像质量有显著提高。

深度学习在光声成像中的应用现状

光声成像(Photoacoustic Imaging,PAI)是一种多物理场耦合的无创生物医学功能成像技术,它将纯光学成像的高对比度与超声成像的高空间分辨率相结合,可同时获得生物组织的结构和功能成分信息。近年来,随着深度学习算法在医学图像处理中的广泛应用,基于深度学习的光声成像算法也成为该领域的研究热点。对深度学习在PAI图像重建中的应用现状进行综述,归纳和总结现有的算法,分析目前存在的问题,并展望未来可能的发展趋势。