基于迭代残差网络的双能CT图像材料分解研究.docx资源-CSDN文库

66 浏览量 2024-02-15 10:44:15 上传评论收藏 858KB DOCX 举报

资源推荐

资源详情

资源评论

双能 CT（dual energy CT, DECT）广泛的应用于医学成像、公共安全和工业无损检测

等领域

[1-2]

，具有重要应用潜力和研究价值。与计算机断层成像技术（computed tomography,

CT）相比，双能 CT 技术可以利用两种不同的光谱获得额外的诊断信息

[3]

。因此，DECT

可以分解特定材料的图像，还能得到关于被成像物体原子序数和电子密度的分布图。

在材料分解方面，双能图像直接求逆分解（DIMD）易引起噪声放大，为提高图像质

量，发展了许多基于正则项约束的分解算法。Xue 等

[4]

在双能 CT 图像分解中添加了额外的

约束（体积守恒和质量守恒），提出一种图像域多材料分解算法（DECT-EP），提高了分

解精度；利用全变分（TV）正则化的方法在 DECT 图像分解中取得了成功

[5-6]

。虽然这些

基于全变分的方法在 DECT 图像重建中得到了广泛的应用，但是通常会产生阶梯效应，导

致图像细节模糊。受字典学习的启发，Li 等

[7-8]

结合传统的惩罚加权最小二乘估计

（PWLS），提出稀疏变换（DECT-ST）和学习变换混合集（DECT-MULTRA）的正则化

方法, 此方法大大提高了材料分解精度，但是存在调节参数繁琐和迭代时间长的缺点，且

需要一个良好的初始基图像。上述迭代优化方案面临计算成本高、繁琐的调参和图像平滑

造成的图像细节缺失等问题。因此，为了进一步提高材料分解精度，必须发展更先进的方

法。

近年来，深度学习算法在医学图像处理领域得到了广泛的应用

[9-11]

。特别地，将深度

学习技术与迭代重建算法结合，迭代神经网络已成功的应用于多种逆成像问题

[12-14]

。受迭

代神经网络良好性能的启发，本文从图像域出发，提出一种深度迭代残差网络（IR-Net）

用于 DECT 材料分解。本文将迭代过程展开为递归残差网络，其中正则化项和相关参数被

堆叠的卷积神经网络（CNN）替代，在训练阶段自适应调节正则化参数，同时实现图像分

解和噪声抑制。利用每次迭代的数据保真项，训练样本数量并不需要很大。实验表明，该

方法可以在较短时间内完成分解，并有效抑制基图像噪声和伪影，提高材料分解精度。

1. 双能 CT 图像域材料分解模型

在图像域材料分解理论中，将基材料图像中像素值的线性组合近似为 CT 图像中每个

像素的线性衰减系数。在本文中，假定这个近似是准确的，首先将不同能量下的重建图像

组成一个堆叠的双通道图像向量

oldsymboly=(oldsymbolyTH,oldsymbolyTL)∈R2Npoldsymboly=(oldsymbolyHT,\

boldsymbolyLT)∈R2Np，其中oldsymbolyHoldsymbolyH 和

oldsymbolyLoldsymbolyL 分别是高能量和低能量下的衰减图像，NpNp 是图像的像素

总数。

oldsymbolx=(oldsymbolxTH,oldsymbolxTL)∈R2Npoldsymbolx=(oldsymbolxHT,\

boldsymbolxLT)∈R2Np 表示未知的材料密度图像，

oldsymbolxm=(oldsymbolxm1,⋯,oldsymbolxmn,⋯,oldsymbolxmNp)∈R2Npolds

ymbolxm=(oldsymbolxm1,⋯,oldsymbolxmn,⋯,oldsymbolxmNp)∈R2Np 代表 L 种材料图

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余7页未读，立即下载

内容反馈

罗伯特之技术屋

粉丝: 4036
资源: 1万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip