低剂量计算机断层扫描（CT）在医学成像领域变得越来越重要，因为它减少了X射线辐射对人类健康的危害。CT成像中，剂量的降低通常可以通过减少管电流、缩短扫描时间或改变扫描几何形状等方式实现。然而，这些方式可能会导致数据的不足，从而影响重建图像的质量。与其它方法相比，统计迭代重建（Statistical Iterative Reconstruction，SIR）在低剂量情况下通常会有更好的性能。但是，SIR重建的图像质量高度依赖于基于先验的正则化方法，因为低剂量数据的不足。常规使用的正则化是基于像素的先验，例如相邻像素之间的平滑度。这种基于像素的约束不能有效地区分噪声和结构。最近，基于块的方法（如字典学习和非局部均值滤波）已优于传统的基于像素的方法。块是图像的一个小区域，它表达了图像的结构信息。在本文中，我们提出使用基于块的稀疏性和相似性约束来提高低剂量CT重建的图像质量。在SIR框架中，正则化项考虑了基于块的稀疏性和相似性。一方面，基于块的稀疏性是通过稀疏表示和字典学习方法来解决的，另一方面，基于块的相似性是通过非局部均值滤波方法来解决的。我们进行了实际数据实验来评估所提出的方法。实验结果验证了该方法能够在低计数和少视图的情况下，产生噪声更少、细节更多的图像。
关键词包括：低剂量CT、统计迭代重建、稀疏表示、字典学习、非局部均值。
在引言部分，作者指出低剂量CT已成为医学成像领域的热点话题。由于X射线辐射对人体健康有害，降低剂量是重要的研究方向。剂量的降低可以通过降低管电流、缩短扫描时间或改变扫描几何形状等方式实现。尽管这些方法可以降低剂量，但它们会带来数据不足的问题，影响重建图像的质量。
在传统方法中，常见的正则化技术是基于像素的先验，如相邻像素间的平滑性，但这类基于像素的约束无法有效区分噪声与结构。基于块的方法，如字典学习和非局部均值滤波技术已经展现出在性能上超过了传统的基于像素的方法。块是指图像中的一个小区域，它表达了图像的结构信息。本文提出使用基于块的约束来改善低剂量CT重建图像质量。在统计迭代重建的框架中，正则化项同时考虑了基于块的稀疏性和相似性。一方面，基于块的稀疏性通过稀疏表示和字典学习的方法来实现；另一方面，基于块的相似性则通过非局部均值滤波的方法来实现。作者通过实际数据实验验证了提出的方法在低计数和少视图的情况下，能够生成噪声更少、包含更多细节的图像。
此外，文章详细介绍了低剂量CT对人类健康的重要性，强调了开发有效的低剂量CT图像重建技术的紧迫性。文章还强调了稀疏表示和字典学习在图像重建中的应用，以及非局部均值滤波在提高图像质量方面的作用。通过将这些方法应用于统计迭代重建的框架中，本文尝试解决低剂量条件下CT图像重建所面临的挑战。通过实验验证，文章提出的基于块的约束方法确实能够在低剂量CT图像重建中提高图像质量，为未来的医学成像技术进步奠定了基础。
