论文部分内容阅读
随着X射线计算机断层成像（X-ray Computed Tomography，CT）在现代医学中的应用越来越广泛，CT 检查中潜在的辐射风险也引起了广泛的关注，过量的辐射容易诱发白血病以及癌症等疾病，因此，降低CT扫描过程中的辐射剂量刻不容缓。但是降低CT扫描过程中的辐射剂量会导致重建后的CT 图像中的信噪比降低，CT 图像中存在着严重的噪声和伪影，进而影响医生的诊断。为了提高在低扫描剂量下CT图像的质量，多种低剂量CT成像方法被提出，它们可以分为投影数据滤波方法、图像后处理方法、迭代重建方法、字典学习方法和深度学习方法。基于深度学习的方法是目前最有潜力的低剂量CT成像算法，它能够深度挖掘海量临床训练数据的特征信息，通过特征组合和表征提高低剂量CT图像质量，具有成像速度快、成像质量高等优点。
本文主要研究基于深度学习的低剂量CT成像算法。目前基于深度学习的低剂量CT成像方法的主流研究思路是在投影数据或图像数据上进行处理，利用神经网络抑制低剂量CT中的噪声和伪影。尽管在这个思路下出现了许多效果显著的研究成果，但这个思路具有一定的局限性：这些方法都只关注于单一的投影域处理或者单一的图像域处理，没有挖掘投影域和图像域联合处理提升低剂量CT成像质量的潜力；单域处理的方法都需要使用传统CT重建方法，算法效果会受到重建方法的制约。本文采取了一种新颖的研究路线，本文研究直接从低剂量投影数据重建高质量CT图像，使用神经网络同时完成CT重建和噪声抑制两个任务，从而能够突破上述局限。
本论文首先提出了一个低剂量CT重建网络Dual-ResUnet，该网络能够直接从低剂量投影数据重建 CT 图像，具有 CT 图像重建和噪声抑制两种功能。该网络使用两个ResUnet 网络分别在投影数据和图像数据上进行噪声抑制，并且使用一个滤波反投影模块在网络内部进行CT重建，实现了基于卷积神经网络的低剂量CT重建方法，只需要输入低剂量投影数据，就可以快速重建出高质量的CT图像。本文在AAPM数据集上进行了实验验证，实验结果表明该网络具有较好的效果。
在Dual-ResUnet网络的基础上，本文提出了基于多滤波核和重投影的低剂量CT重建网络Dual-ResUnet-MR，该网络使用多种重建滤波核，进一步提高了重建网络的成像质量，并且引入了重投影模块，用于限制重建结果的数据一致性。多个数据集上的实验结果表明，本文提出的Dual-ResUnet-MR网络具有优异的性能。
本文主要研究基于深度学习的低剂量CT成像算法。目前基于深度学习的低剂量CT成像方法的主流研究思路是在投影数据或图像数据上进行处理，利用神经网络抑制低剂量CT中的噪声和伪影。尽管在这个思路下出现了许多效果显著的研究成果，但这个思路具有一定的局限性：这些方法都只关注于单一的投影域处理或者单一的图像域处理，没有挖掘投影域和图像域联合处理提升低剂量CT成像质量的潜力；单域处理的方法都需要使用传统CT重建方法，算法效果会受到重建方法的制约。本文采取了一种新颖的研究路线，本文研究直接从低剂量投影数据重建高质量CT图像，使用神经网络同时完成CT重建和噪声抑制两个任务，从而能够突破上述局限。
本论文首先提出了一个低剂量CT重建网络Dual-ResUnet，该网络能够直接从低剂量投影数据重建 CT 图像，具有 CT 图像重建和噪声抑制两种功能。该网络使用两个ResUnet 网络分别在投影数据和图像数据上进行噪声抑制，并且使用一个滤波反投影模块在网络内部进行CT重建，实现了基于卷积神经网络的低剂量CT重建方法，只需要输入低剂量投影数据，就可以快速重建出高质量的CT图像。本文在AAPM数据集上进行了实验验证，实验结果表明该网络具有较好的效果。
在Dual-ResUnet网络的基础上，本文提出了基于多滤波核和重投影的低剂量CT重建网络Dual-ResUnet-MR，该网络使用多种重建滤波核，进一步提高了重建网络的成像质量，并且引入了重投影模块，用于限制重建结果的数据一致性。多个数据集上的实验结果表明，本文提出的Dual-ResUnet-MR网络具有优异的性能。