导　　师： 马建华

授予学位： 硕士

作　　者： ;

机构地区： 南方医科大学

摘　　要： 脑卒中是一种由于脑部缺血导致的脑组织损伤，多发于中老年人，并且具有较高的复发率、致残率和死亡率。脑部CT灌注(CT Perfusion，CTP)可反映脑组织的血流情况，已成为脑卒中临床诊断和治疗中不可或缺的成像技术。但是，脑部CTP的高辐射剂量使患者面临着致癌的风险。目前，降低辐射剂量最为直接的方法是降低扫描协议中的管电流(mA)。但是，管电流减少会使探测到的信号受到电子噪声的干扰，导致重建图像中存在大量噪声诱发的伪影，这将严重影响医生对患者的诊断与治疗。针对低剂量情况下CTP成像质量受损的问题，本文提出了两种低剂量图像恢复的方法，具体如下：　　(1)在CT统计迭代重建的框架下，本文提出一种时空正则项，该方法简称为“PWLS-ICTGV”。脑部CTP序列图像可分为动态（增强信息）和静态（解剖信息）两部分，两者在时间和空间维度上皆有着大量冗余信息。基于上述认知，本文提出了ICTGV（Infimal Convolution of Total Generalized Variation）正则项。该正则项由两个二阶张量广义总变分(Tensor Total Generalized Variation，TTGV)式子构成，且两者的时空约束强度不同，可在迭代求解的过程中自动将CTP序列图像分成两部分：较高时间维度约束的部分包含更多静态（解剖）信息，而较低时间维度约束的部分包含更多动态（增强）信息，以此实现局部时间和空间约束比例的最优平衡。本文采用交替优化算法对迭代重建框架进行优化，并研究了PWLS-ICTGV方法中不同参数变化对结果的影响。此外，为验证和评估PWLS-ICTGV方法的性能，本文采用了数字脑部体模和临床患者两种数据进行实验。其定性和定量结果表明，该方法可有效抑制噪声，并得到较为准确的灌注参数图。　　(2)本文提出了一个基于深度学习的去卷积网络模型，简称为“CTPNet”�

关 键 词： 脑卒中 脑部 灌注成像 时空正则化 深度学习