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...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,本文就如何实现数据-模型耦合驱动更快速的低剂量CT精准成像进行了深入研究。归纳起来,本文的主要工作有:(1)结合传统的MBIR算法与深度学习技术,提出了一种基于数据-迭代模型耦合驱动的参数化即插即用ADMM(Alternating Direction Method Of Multipliers)算法框架。相对于传统的方法,新算法框架利用一些可学习的网络参数来代替ADMM迭代格式中的超参数。另外使用一个标准神经网络来代替正则项的设计;然后将修改后的ADMM求解格式展开成一个扁平化的网络,使用反向传播和随机梯度下降法进行参数以及正则项优化。最终将优化好的模型用于CT图像重建。新算法框架解决了迭代CT重建算法中先验知识设计和超参数选择的问题;(2)将数据-迭代模型耦合驱动的参数化即插即用ADMM算法框架由2D低剂量CT图像重建任务推广至3D低剂量灌注CT去卷积应用中,解决了灌注剩余函数精准计算所需先验知识的确定以及超参数的优化问题,进一步验证新算法框架在低剂CT精准成像中的适应性;(3)结合解析型的滤波反投影算法与深度学习技术,提出了一种基于数据-解析模型耦合驱动的Radon反演统一框架。该算法借鉴了解析型滤波反投影算法的重建范式,利用深度学习技术构建了一个在弦图域内沿角度方向进行的滤波算子和一个正弦反投影算子。其中,滤波算子使用全连接技术构建;然后,根据重建图像与弦图的关系构建一个正弦反投影算子。最后为增强网络整体的灵活性,在正弦反投影算子后再增加一个后处理子网络。算法通过训练大量数据对其进行整体优化,实现了快速稳健的低剂量CT精准图像重建。实验结果表明,本文提出的两个数据-模型耦合驱动的低剂量CT精准成像方法在定性和定量方面均有良好的表现。更多还原显示全部