先验图像引导的低剂量X射线CT图像噪声抑制研究

Computed tomography (CT) has revolutionized modern medicine and the gamut of its applications has risen at an enormous rate. However, by its nature, CT is considered as a radiation-intensive procedure and CT scans expose a high x-ray radiation dose to the patient, yet becoming more and more common. Worldwide there are growing concerns on CT radiation induced genetic, cancerous and other diseases. Low-dose CT technology can efficient reduce CT radiation. Nonetheless, this approach will result in an insufficient number of x-ray photons detected at the imager and hence elevate the quantum noise level on the sinogram. Efficiently restoration and improving of the SNR of low-dose CT images is a crucial issue for satisfactory clinical diagnosis. Despite of the conventional restoration method based only on the information of the scan object itself, the priori image assisted low-dose CT image noise reduction strategy uses priori CT image to assist the restoration process, such that the information obliterated in the low-dose CT scan protocol for the photon starvation phenomenon can be compensated by means of an information learning strategy from the priori database and the quality of the resulting CT image can be efficiently improved. A systematic research would be performed for the core issues involved in the priori image assisted low-dose CT image noise reduction strategy, including exploring the influence of the priori image samples to the noise reduction performance, developing the novel priori image assisted low-dose CT image noise reduction algorithms and verifying the effectiveness of the proposed method. The objective of the project is to improve the theoretical system of the priori image assisted low-dose CT image noise reduction strategy and to further promote the development of low-dose CT technology.

X射线CT扫描是临床重要诊断方式，但其产生的辐射极大增加人体患癌症、遗传性疾病风险，低剂量CT技术能有效减少辐射，但其成像质量会严重下降，对低剂量CT图像进行降噪处理以获得临床满意成像质量具有重要理论意义和应用价值。由于低剂量CT数据信息存在严重缺陷，降噪过程中若仅依靠自身信息难以取得理想效果，先验图像引导的低剂量CT图像噪声抑制技术将信息学习策略引入低剂量CT图像降噪领域，通过信息学习方法从先验图像中提取有效知识，以弥补低剂量CT图像自身信息缺陷，能有效提高降噪后图像质量，具有广阔发展前景。课题针对先验图像引导的低剂量CT图像噪声抑制所涉及的问题做深入系统研究，包括先验图像样本因素对噪声抑制效果影响研究，先验图像引导的低剂量CT图像降噪算法研究以及降噪效果有效性验证方法研究等，旨在完善先验图像引导的低剂量CT图像噪声抑制理论体系，进一步推动低剂量CT技术发展。

X射线CT在临床诊断中具有重要意义，但对患者会造成极大辐射伤害。低剂量CT技术能有效减少辐射，但其成像质量会严重退化。常规剂量CT图像中含有大量有价值的结构、纹理等特征，可以作为低剂量CT成像的先验信息。项目在此背景下，采用先验图像引导的方法进行低剂量CT图像噪声抑制研究，以提高低剂量CT成像质量，为临床应用奠定基础。项目针对先验图像样本、特征提取算法、噪声抑制算法以及算法有效性验证等进行了深入研究，主要工作包括：. 提出基于自适应局部先验特征的低剂量CT图像噪声抑制算法。该算法通过组建先验图像数据库，实现了以不同患者常规剂量CT图像为先验样本的先验图像模式，并且通过在线搜索及PCA特征提取，实现了对低剂量CT中待处理局部兴趣区的自适应先验特征提取。CT引导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能力上具有明显优势。. 提出基于主成分非局部均值的低剂量CT图像噪声抑制算法。该算法通过局部图像片段PCA分解，实现了图像信号按能量强弱分类，并通过主成分自适应NLM滤波，实现了高信噪比信号的弱滤波，低信噪比信号的强滤波。临床肝脏图像验证表明，算法在噪声抑制及边界保持方面优于当前同类算法。. 提出基于局部组织先验MRF特征的迭代重建算法。该算法利用先验图像样本库，结合最大后验概率估计迭代重建模型，从先验数据库中对低剂量CT局部区域MRF特征进行训练并将其应用于MAP迭代重建中，从而达到噪声抑制及局部纹理结构保持目的。. 提出基于先验图像样本库+PCA样本特征提取的稀疏采样光声CT成像算法。该算法以全采样CT图像组成先验图像样本库，利用PCA从中进行特征提取并对欠采样数据成像进行引导，从而有效提高欠采样数据成像质量，并且达到提高成像速度，降低成像成本目的。活体人手数据验证表明，算法在保证成像质量同时能够有效减少扫描数据量，降低扫描时间。. 此外，考虑到基于高阶奇异值分解的张量分析，特别是H张量分析，能够有效保持图像中局部区域高维结构特征，在高维数据处理中极具潜力，项目在张量分析领域开展研究，建立了强H张量判别准则，提出了基于H张量的系统矩阵正定性的迭代判别方法。通过对该领域研究，有望进一步将H张量分析应用到先验图像高维特征提取上，以更好实现低剂量CT图像噪声抑制处理。