盲均衡技术在医学CT图像复原中的应用研究

Medical CT image is one of main basis for the diagnosis and treatment of disease, and its quality will directly affects the accuracy of diagnosis. However, in the process of medical CT imaging, due to the impact of the point spread function, image will emerge from degradation and affect diagnosis effect. And the exact cause of degradation may be unknown. On the basis of the analysis of formation of medical CT images and interference mechanism, the subject combines some methods such as dimension reduction, orthogonal transformation, neural network, sparse decomposition and blind equalization algorithm applied to one-dimensional signal processing to complete medical CT image blind restoration in order to eliminate the point spread function of the impact and to improve the resolution of images. We focus on the transformation model between two-dimensional medical CT image and one-dimensional signal, select the appropriate blind equalizer structures and algorithm form, construct the cost function, build the simulation experimental platform, analyze its convergence properties and verify the algorithm. The research result may be applied to achieve medical CT image blind restoration, improve better definition of medical CT image, obtain objective and accurate imaging information, easy to complete pathological image analysis and lesion detection, and reduce misdiagnosis rate. On the other hand, it can also be integrated into the CT image reconstruction algorithm, accelerate the convergence rate, reduce the constructed defect, and improve the ability of CT image three-dimensional reconstruction.

医学CT 图像是进行疾病检查和诊断的主要依据之一，其质量好坏直接影响诊断的准确性。但在成像过程中由于受到点扩展函数的影响，使得图像退化，产生图像模糊问题，影响诊断效果，且退化过程往往是未知的。 本课题在分析医学CT 图像成像机理和干扰产生机理的基础上，采用降维、正交变换、神经网络、稀疏分解等方法，创新性地将适用于一维信号处理的盲均衡算法应用于医学CT 图像复原中，旨在消除点扩展函数的影响，提高图像分辨率。重点研究二维医学CT 图像与一维信号间的相互转换模型，选择适合的盲均衡器结构和算法形式，构造代价函数，搭建仿真实验平台，分析其收敛性能，并对算法进行验证。 研究成果可用于医学CT 图像盲复原，提高其清晰度，获得客观准确的影像学信息，便于实现病理图像分析和病灶检测，降低误诊率，也可将其融入CT图像代数重建算法中，加快算法收敛速度，减少伪影，提高CT图像的三维重建能力。

医学CT是一种从测量到的投影数据中重建出人体内部图像的技术，具有快速、准确、无创伤、无痛苦等特点，被越来越多地应用于临床诊断。医学CT图像作为进行疾病检查和诊断的重要依据，其质量好坏直接影响诊断准确性。在医学CT成像过程中不可避免地受到点扩展函数和噪声的影响，使得图像产生退化，影响诊断效果。图像盲均衡就是仅利用退化图像和部分图像先验信息对退化图像进行处理，达到消除点扩展函数和噪声的目的，从而提高信噪比，改善重建图像质量。.本课题利用正交分解、神经网络、稀疏变换和压缩感知等技术研究了医学CT图像的盲均衡，提出了六种新的算法。首先采用频域变换结合复值盲均衡算法，提出了频域差错概率最小医学CT图像盲均衡算法，设计了代价函数，推导出算法迭代公式，进行了计算机仿真，表明算法提高了峰值信噪比和改善信噪比。其次，研究了复值医学CT图像神经网络盲均衡算法和遗传算法优化神经网络医学CT图像盲均衡算法，分析了算法原理，给出了算法流程及迭代公式，仿真验证了算法的有效性。第三，利用字典学习和稀疏变换，提出了低剂量CT图像重建方法，先在投影域使用字典学习的稀疏表示方法对正弦图去噪，然后再对处理后的投影数据采用全变分最小化的迭代算法进行图像重建，适用于低X射线管电流强度而引起的投影数据含有高强度噪声的情况。第四，提出了一种基于剪切波变换的低剂量CT图像重建算法，将待建图像在剪切波域可以稀疏表示作为先验信息，以此作为正则化项加入目标函数，使得重建图像在投影数据不满足完备性条件的情况下仍然能够满足诊断要求。第五，提出了基于交替方向乘子法ADMM迭代的多通道医学CT图像盲复原算法，利用分离算法进行求解，实验结果表明算法改善了峰值信噪比、结构相似性等性能指标，提高了图像复原质量。第六，在自一致性的SPIRiT框架下，提出了综合考虑数据一致性、校准一致性和联合稀疏性正则项的复杂重建问题，简化成一般性最优化问题，并使用算子分离算法将其分解成一个梯度计算问题和一个典型去噪问题，设计了算法流程，实验结果表明算法改善了重构图像信噪比，加快了重构速度。.课题完成了原定的各项研究内容，先后撰写学术论文9篇，在《Computer Modelling and New Technologies》、《天津大学学报》等重要刊物及国内会议上发表6篇，申请成功软件著作权1项，培养博士研究生1名，达到了预期的研究目标。