基于迭代残差网络的双能CT图像材料分解研究.docx
118 浏览量
2024-02-15
10:44:15
上传
评论
收藏 858KB DOCX 举报
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
资源评论
