基于压缩感知的新型碳纳米球管显微CT重建算法研究

In recent years, a novel X-ray tube which uses the carbon nanotubes (CNT) as the cathode-ray source has attracted more and more attention. The CNT X-ray tube has great advantages of miniaturization and instant electron emission. Currently, the CNT X-ray tube CT still has some disadvantages such as greater noise in projection data since the low tube current as well as the scatter effect. Moreover, considered that the U.S. Food and Drug Administration (FDA) are continuously improving the safety standards of radiation dose for the CT scan, conventional filtered back projection (FBP) based reconstruction algorithms and iterative reconstruction algorithms are not effective for the CNT X-ray tube CT. To address these problems, we intend to peform a deep research about the reconstruction algorithm based on compressed sensing (CS) theory for a novel Micro-CT system using CNT X-ray tube. We will mainly focuse on the system imaging model, the noise characteristics of the projection data, reconsturction objective function based on CS theory as well as fast and accurate optimization strategies. The aim of this study is to explore an effective reconstruction algorithm for CNT X-ray tube Micro-CT, which will be capable of performing a CT scan with high temporal resolution, high spatial resolution and low radiation dose. Also, we will strive to narrow the gap with the first rate achievements of foreign researchers in this field and make a breakthrough in CS based reconstruction algorithm theory. More important, throught this study we can provide a valuable research basis for the development of next generation clinical diagnostic CT.

近年来，采用碳纳米管作为阴极射线源的新型X射线球管（碳纳米球管）因其具有微型化和快点火等优点正受到越来越多的关注。但目前碳纳米球管CT存在因功率低导致投影数据噪声较大等不足，此外随着美国食品与药品管理局（FDA）对CT扫描辐射剂量安全性要求的不断提高，采用传统的滤波反投影算法及迭代算法对碳纳米球管CT进行重建的效果都不理想。基于此，本项目拟进行基于压缩感知的新型碳纳米球管显微CT(Micro-CT)系统的重建算法研究，主要对系统成像模型、投影数据的噪声特性、基于压缩感知的成像目标优化函数及优化算法等进行深入研究，探索出效果较好的高时间分辨率、高空间分辨率及低剂量的碳纳米球管显微CT重建算法，缩小与国外研究者在这一领域的差距并力争在算法理论上能有所突破，为下一代临床诊断CT的研制提供重要的研究基础。

本项目原定进行基于压缩感知的新型碳纳米球管显微CT系统的重建算法研究。因碳纳米球管的技术还不是十分成熟，球管的寿命始终无法满足成像实验的要求，因此在项目执行中对研究内容进行了适当的修正，主要进行了基于压缩感知的CT成像算法研究，包括基于字典学习理论的迭代重建算法、基于先验图像及变权全变分迭代重建的金属伪影校正算法等内容，具体如下。..本项目提出了一种基于先验图像信息的金属伪影校正算法，通过对临床含金属伪影CT图像的进行分析，构造滤波算子和软组织恢复函数，计算具有完整组织信息的先验图像，有效地抑制了次级伪影和保护了金属周围的高密度组织结构。此外，应用构造的先验图像，提出了区域性平滑插值算法，有效地保证了插值数据与周围非金属投影数据的平滑性过渡，有效解决了多金属情况下金属投影插值难的问题。在此基础上，采用CUDA并行计算技术对对正投影与反投影过程的进行加速，与CPU相比，GPU上的校正重建时间缩短了约7倍，加速效果明显。..本项目提出了一种基于变权全变分迭代重建的金属伪影校正算法。通过研究L0范数惩罚函数与L1范数惩罚函数的关系，采用自定义的权值函数对全变分模型做加权惩罚生成权值全变分模型，并通过交替解权值全变分最小化过程和更新权值步骤实现了变权全变分重建算法。实验结果表明：基于变权全变分迭代重建的金属伪影校正算法不仅能有效地抑制伪影和噪声，而且能重建出清晰的边缘细节。..本项目对基于字典学习理论的迭代重建算法进行了深入研究，能够利用欠采样的投影数据大概率的重建出高质量的CT图像，主要取得了以下成果：1、建立了一个正则化参数选取模型，传统的经验选取方法需要经过大量的测试来确定合适的正则化参数取值，耗时且费力，我们提出了一种根据扫描数据自动选取正则化参数的方法，节省了参数确定的时间；2、提出了一种加权字典学习重建算法，通过引入加权惩罚因子，有效的保留了更多的边缘信息；3、提出一种基于L1稀疏约束的字典学习重建算法，L1约束比L2约束有更好的稀疏特性，对欠采样率更高的扫描数据有更好的效果，并且也进一步提高了重建图像的质量。