范例影像引导的保纹理特征低剂量CT成像新方法研究

Although the low-dose CT (LDCT) technique can effectively reduce the radiation damage to patients brought by the X-ray exposure, it will be highly detrimental to image quality. The high quality imaging features from the existing normal-dose CT scans (example images) could be employed as the priori information for the LDCT imaging, which can help to reduce the artifacts/noise and improve the quality of the resulted image. With the increasing role of the radiomics analysis in clinical diagnosis and prognosis, the importance of the image texture and detail features is highlighted. However, the current methods are mainly concerned with the traditional imaging quality enhancement whose target is to reduce the effect of artifacts/noise on image quality in LDCT acquisition protocol, and ignore the texture and detail features preservation ability. Hence, it is difficult for the resulted images to support the valuable radiomics analysis in clinical application. In this project, we will follow the idea of adaptive local region of interest (ROI) priori information mining and imaging. We will employ the scheme of construction of the example image database integrated with search of the prior training samples similar to the local target ROI, develop the methods of local adaptive priori information assisted LDCT imaging with priori information extracted from example images, and finally obtain the high quality CT images with texture and detail features being well preserved.

低剂量CT(LDCT)技术在降低X射线对患者辐射伤害的同时伴有成像质量严重退化问题。利用常规剂量CT影像(范例影像)中的高质量影像学特征作为先验，可有效提升LDCT成像质量。随着影像组学分析在临床诊断与预后中作用的日益提升，影像纹理的作用突显，迫切需要在抑制LDCT噪声同时，有效保持纹理细节特征。但现有方法主要关注的是LDCT影像的常规质量提升，目标是在降低剂量同时抑制噪声对影像质量的影响，未能专注于纹理细节保持，难以支撑极具临床价值的影像组学分析方法。本项目以范例影像中局部感兴趣区自适应先验信息挖掘与成像利用为思路，通过组建范例影像数据库，结合局部目标区域相似先验样本搜索，挖掘局部感兴趣区自适应先验信息并设计相应成像模型，实现具有纹理细节保持能力的LDCT成像。

低剂量CT成像技术在降低对患者电离辐射的同时伴有严重的伪影噪声。临床上已有常规剂量CT影像中丰富的高质量影像学特征可以作为低剂量CT成像的先验信息，极大提升其成像质量。项目在此背景下开展范例影像引导的保纹理特征低剂量CT成像新方法研究，主要内容包括范例样本特征表达研究和先验信息自适应挖掘与成像模型设计研究，其中：. 1. 在范例样本特征表达研究中，提出了基于灰度共生矩阵的样本纹理特征提取策略、基于图像块距离相似性直方图分布的样本上下文特征提取策略。经验证，采用上述特征表示形式能够有效提高相似先验样本搜索精度。. 2. 在先验信息自适应挖掘与成像模型设计研究中，项目所取得重要结果包括：. （1）通过提取范例影像中高质量先验冗余信息，提出了基于范例影像冗余先验的低剂量CT影像图像域噪声抑制算法以及迭代重建算法。CT下肺结节活检穿刺临床数据验证表明，该算法在噪声抑制及局部纹理结构特征保持上具有明显优势。. （2）在基于马尔科夫随机场的最大后验概率模型基础上，提出了基于范例影像中先验吉布斯分布特征的CT迭代重建模型，并将其应用于低剂量腹腔CT成像以及低剂量能谱CT成像中。实验表明，该算法在保持病变区域的纹理信息上优于传统算法。. （3）利用低秩先验模型，提出了基于区域内容感知核范数的低秩子空间低剂量CT影像去噪算法、基于低秩空间内稀疏正则化的低剂量脑灌注CT影像迭代重建算法。临床肺癌患者胸部CT数据以及脑卒中患者灌注CT数据验证表明，所提方法能够提高病变区域纹理保持能力；. （4）在基于深度神经网络的先验噪声分布特征、组织结构特征学习基础上，提出了基于迭代残差伪影学习深度卷积神经网络的低剂量CT影像增强算法、基于渐进迁移学习网络的低剂量CT影像复原算法、基于半监督先验噪声分布学习神经网络的低剂量CT影像复原算法。仿真及临床腹腔CT数据验证表明，上述算法在噪声抑制及脏器纹理保持上具有较大优势。