CT图像重建算法对辐射剂量优化的临床观察

探讨CT图像重建算法(深度学习算法、迭代重建算法)对辐射剂量优化的临床观察。方法 选取本次研究涉及时间范围于2022年8月-2024年8月在我院接受CT检查的100例患者为本次检查对象,按照盲选法实施分组操作,即:分别为A组、B组,每组均包含病例数据50例,A组采取深度学习算法、B组则采取迭代重建算法,对比两组在对辐射剂量、成像质量等方面的内容。结果 辐射剂量的组间对比显示,得出A组的辐射剂量指标即E、DLP、CTDI均较B组数据更低(P<0.05)。图像质量的主观评价组间数据对比,显示A组的SD数据低于B组,其SNR、CNR高于B组,比较存在统计学意义(P<0.05)。图像质量的客观评价组间数据对比,显示A组在主动脉弓、颈动脉起始部、颈动脉分叉、大脑中动脉上的CT值均显示较B组数据更高(P<0.05)。结论 基于接受CT检查的患者,采取深度学习算法相较迭代重建算法更具作用价值,可助于优化辐射剂量,提高图像质量,减少图像噪声,为临床提供一种可靠的CT图像重建算法,值得推广于临床实践。

一种TV模型下基于ADMM的加速算法

如何利用不充分的投影数据进行精确的图像重建是当前电子计算机断层扫描(Computed Tomography,CT)领域的研究热点,受辐射剂量、人体自身条件、重建时间等诸多因素的限制,投影数据不会总是完整的,而医学采样过程中,如果能减少采样数目,无疑大大减少了X射线对病患和医生的伤害,随着压缩感知(Compressed sensing,CS)理论的提出,稀疏角度重建已经得到了较为广泛的应用。全变分(Total Variation,TV)算法是稀疏角度重建的一种有效方法,文章在TV算法和ADMM算法的基础上,提出了一种新的加速收敛算法,该算法先进行ADMM-TV算法迭代,然后在每轮迭代后对图像进行调整,有效加快收敛速度。相关的实验结果表明,该加速算法能够在相同的迭代次数下获得精确度更高的图像,在加速收敛方面效果良好。

基于稀疏优化的计算机断层成像图像不完全角度重建综述

计算机断层成像(computed tomography,CT)技术在医学和工业无损检测中都具有非常广泛的应用,CT重建算法是其中的核心,而不完全角度重建问题则是实际应用中重建算法研究领域的一个热点和难点问题.近年来,随着稀疏优化理论与算法的飞速发展,基于稀疏优化的重建算法已经在不完全角度重建问题中得到了较广泛的应用,且表现出了良好的精度与速度性能.本文首先对稀疏优化的基本理论结论与常用算法进行了介绍;而后对稀疏优化理论在CT图像不完全角度重建中的应用进行归纳,分类介绍了其主要研究成果及稀疏优化所发挥的作用;最后对基于稀疏优化的不完全角度重建研究进行了展望.