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C...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(CTPerfusion,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”。我们采用交替方向乘子法(Alternating Direction Multiplier Method,ADMM)优化去卷积的目标方程,并将ADMM的子步骤展开,构建去卷积网络。其后,本文采用残差网络构建一个参数化的即插即用先验,替代原来目标方程中的正则项。最后,为充分提取常规剂量图像的丰富信息,本文以低剂量下的动脉输入函数(Artery Input Function,AIF)和时间-密度曲线(Time-Density Curve,TDC)作为输入数据,常规剂量下的灌注参数图作为标签数据,对构建的整个去卷积网络进行参数训练。本文对CTPNet方法中的网络结构进行了分析讨论。同时,基于临床患者数据,我们对CTPNet方法的性能进行了评估。定性和定量结果表明,CTPNet方法可从低剂量图像中获得精准的灌注参数图。更多还原显示全部
