研究目的:计算机断层成像(computed tomography,CT)技术是一种广泛应用于工业中的无损检测技术。由于受到X射线照射剂量、成像系统扫描几何关系等约束因素的影响,往往只能得到有限角度的扫描数据,进而导致重建过程出现伪影。迭代类重建算法易于引入先验,可以在一定程度抑制伪影,是目前处理有限角度问题的主流方法。但迭代类方法对计算消耗大、耗时长,在实际系统中应用受限。本文旨在研究一种便捷高效的解析重建伪影抑制方法,以提升有限角度扫描下重建图像的质量。方法:滤波反投影(filtered back projection,FBP)算法是目前应用最广泛的重建方法,该算法要求完整的投影数据集,在有限角度扫描条件下,重建图像会存在非常严重的条状伪影。然而,在固定的扫描条件下,FBP图像中的有限角度伪影实际上存在特定的方向性特征,因此,提取并抑制这些特征是一种可行的策略。近年来,深度学习提供了一种通过挖掘数据深层特征,并利用其特征构建神经反馈网络来进行图像处理的手段,该方法在大数据条件下可以得到很好的求解结果。本文提出了一种新的有限角度问题伪影抑制方法,在有限角度下FBP重建的低质量图像和完整数据集下重建的真实图像之间建立一个一一对应的非线性映射,通过深度学习的方法,挖掘有限角度下特定伪影存在的深层特征和真实图像相应特征之间的关联性,进而利用FBP图像预测真实图像的信息。结果:应用本文提出的新方法对150度有限角度扫描下的CT数据进行FBP重建并运用卷积神经网络对重建后的图像进行预测。在神经网络的训练中,共使用了3024张相同扫描设置下的CT图像进行学习。在实验验证中,原始FBP图像中存在的有限角度伪影得到了明显抑制,同时其原有的真实信息依旧可以得到较好的保留。通过PSNR和UQI对图像质量进行定量分析,其结果也有明显的增益。实验结果表明,本文方法能够较好的抑制FBP图像中因缺失角度造成的伪影,提高和改善重建图像的质量。结论:本文提出了一种全新的有限角度问题解决思路,该方法作为一种重建后处理操作,思路简单,实现方便。虽然网络训练耗时较长,但求解得到的卷积网络在实际应用中却耗时极短,易于与现有的图像重建方法相结合,为进一步提升重建图像质量提供了高效快捷的途径,具有较高的实用价值。
暂无评论