导　　师： 马建华

授予学位： 博士

作　　者： ;

机构地区： 南方医科大学

摘　　要： X射线计算机断层成像(Computed Tomography,CT)在获取患者内部解剖结构上具有的极大优势，其在临床诊断和治疗中得到了广泛的使用。然而，过量的X射线辐射会增大患者临患癌症风险，特别是在灌注CT成像应用上尤为显著。目前，减少剂量辐射最简单的解决方案是直接降低球管毫安秒或者减少扫描角度。但剂量的降低将无可避免地破坏原始投影数据的一致性，并进一步影响CT图像重建精准度与速度。如何在降低X射线辐射剂量的同时保证快速CT图像重建精准度，已经成为业界最为迫切要解决的问题。　　目前，广泛使用的低剂量CT成像方法可大致分为模型驱动与数据驱动两大类。其中模型驱动又可细分为解析模型驱动的滤波反投影算法(Filtered Back-Projection，FBP)与迭代模型驱动的重建算法(Model Based Iterative Reconstruction，MBIR)两小类。解析模型驱动的FBP算法的优势在于可以快速地进行CT图像重建，但相应的图像重建精准度无法保证;迭代模型驱动的MBIR算法需在正则项中嵌入一些精细的先验知识并在求解过程中对超参数进行细致调整。MBIR可以获得比FBP更精准的重建结果，但是适当地设计先验知识和调节超参数并不是一项简单的任务。更重要的是，由于MBIR的求解过程中包含多重前向和后向投影操作，其重建速度将比FBP慢得多。近年来，数据驱动的低剂量CT成像方法随着深度学习（Deep Learning，DL）技术的发展也得到了广泛的研究，并取得了良好的处理结果。但是，目前大多数据驱动的低剂量CT成像算法直接使用标准的DL模块在弦图域（Sinogram Domain）或图像域(Image Domain)进行去噪，忽略了CT成像内在机制，极大地限制了数据驱动算法在低剂量CT精准成像上的应用潜力。　　基于复杂的低剂量CT精准成像任务，着眼于当前经典成像方法的难点，本文就如何�

关 键 词： 射线计算机断层成像 图像重建 深度学习 算法 变换

领　　域： [] []