基于字典学习的光谱CT图像重建

基于字典学习的光谱CT图像重建是一种利用能量分辨的光子计数探测器实现的成像技术，相较于传统CT，其在物质辨别、对比度分辨率以及信噪比等方面有显著的优越性。本文探讨了一种利用字典学习的方法来改善光谱CT图像的重建质量。 在常规的光谱CT重建方法中，通常会从每个能量通道重建出一个图像组分，然后生成一个彩色图像。然而，考虑到辐射剂量的限制，每个通道中的光子数量有限，这将导致每个通道中的噪声很大，最终影响彩色重建的质量。基于字典学习的稀疏表示方法已被证明可以改善低剂量CT的图像质量。 本文提出了一种基于字典学习的光谱CT重建方法，实验结果显示该方法的有效性。该方法的工作流程首先将所有能量通道的数据集以适当的权重相加，形成一个噪声较少的多色数据集，用于字典学习。接着，使用基于字典学习的统计迭代重建方法（DLSIR）对每个能量通道进行重建。通过基于PCA的颜色映射方法从灰度重建中生成彩色图像。 在实施该方法时，首先对多色数据集进行重建以形成图像，随后从该图像中提取用于字典学习的图像块（patches）。在这里，图像块的大小为8×8像素。通过这些步骤，可以提高重建图像的质量，降低噪声对最终重建图像的影响。 此外，本文的工作得到了国家自然科学基金（NSFC）的部分支持，项目编号分别为***和***。研究团队成员包括来自西安交通大学图像处理与模式识别研究所的Q.Xu和X.Q.Mou，以及来自维克森林大学健康科学学院生物医学影像科的H.Y.Yu和来自伦斯勒理工学院生物医学工程系生物医学成像中心的G.Wang。 为了评估所提方法的效果，研究人员进行了一项活体小鼠研究，实验数据是利用装有Medipix MXR CdTe探测器模块的MARSmicro-CT扫描仪收集的。在重建过程中，首先重建了覆盖所有能量通道的多色数据集中的图像。然后，从该图像中提取图像块进行字典学习。在图2中展示了这些结果。 基于字典学习的光谱CT图像重建方法通过减少每个能量通道中的噪声，有效改善了图像质量，这对医学成像领域有着重要的意义。通过这种方法，不仅提高了成像的精确度，也增强了对疾病诊断的敏感性和特异性，为未来的临床应用提供了可能。