一種基于字典學習的低劑量能譜ct圖像處理方法
【技術領域】
[0001] 本發明涉及一種醫學影像的圖像處理方法，特別涉及一種基于字典學習的低劑量 能譜CT圖像處理方法。
【背景技術】
[0002] X射線計算機斷層成像（computed tomography，簡稱CT)因其在時間、空間與密度 分辨率上的卓越表現，已廣泛用于不同解剖部位的常規檢測與診斷，為臨床醫生的診斷和 疾病預防提供了豐富的三維人體器官組織信息。
[0003] 隨著CT技術的飛速發展，能譜成像是CT領域的一個突破性進展。能譜CT最顯著 的特征就是以多參數成像為基礎的綜合診斷模式，有望彌補或解決常規CT所面臨的高輻 射劑量且僅為解剖成像的缺陷，因為能譜CT多參數成像提供了多種新的圖像模式，如基物 質圖像、單能量圖像等，另外能譜成像還提供了多種定量分析的方法和參數。能譜CT可以 從傳統形態學診斷轉到功能學診斷上，并且已在臨床應用上顯示其巨大潛力和廣闊應用前 景，尤其是腫瘤，在檢查、診斷、定性等方面將起到重要作用。另外，能譜CT可以用于去除射 束硬化引起的條形偽影，解決了常規CT成像存在的諸多缺陷。
[0004] 然而，當前能譜CT成像中的輻射劑量較常規CT并未降低而且在特定應用時反而 大幅增加。囿于此，為了使能譜CT成像技術能夠在臨床上實現應用，必須研宄高效的低劑 量成像方法。
[0005] 當前提高低劑量能譜CT圖像質量的方法主要分為兩種策略進行：策略一是能譜 CT圖像迭代重建，利用其物理模型準確、對噪聲不敏感等優點，能在不規則采樣和數據缺失 情況下重建出高質量圖像，抑制最終圖像的噪聲。由但是，由于能譜CT投影數據量龐大，造 成計算量太大，重建時間非常長，難以滿足臨床中實時交互的要求。策略二時直接對能譜CT 圖像進行噪聲濾波，屬于后處理技術，具有不依賴原始投影數據和處理速度快的優點，通常 使用非線性濾波方法進行保持圖像邊緣信息去噪處理，如基于小波的圖像去噪方法，然而 此類方法未考慮能譜CT圖像噪聲來源，而且這些非線性濾波方法主要是基于圖像的局部 信息，難以得到優秀的去噪效果。
[0006] 最近提出的基于字典學習的稀疏表示（Sparse and Redundant Representations over Dictionary Learning)圖像去噪算法屬于策略二。基于字典學習的稀疏表示的去噪 方法與小波不同的是，它是利用了圖像信號的稀疏性這個特征，來區分噪聲和信號，從而進 行圖像去噪。基于字典學習的稀疏表示方法已經被證明其在低劑量能譜CT成像中的處理 效果，然而此種方法存在一定的局限性，容易把低劑量條件下能譜CT基物質圖像中的條形 偽影當做圖像信息，從而無法有效抑制基物質圖像中在低劑量條件下易出現的條形偽影。
[0007] 因此，針對現有技術不足，提供一種基于字典學習的低劑量能譜CT圖像處理方 法，能夠克服現有技術中存在的條形偽影，實現低劑量掃描下獲得高質量的能譜CT基物質 圖像。
【發明內容】
[0008] 本發明的目的在于避免現有技術的不足之處而提供一種基于字典學習的低劑量 能譜CT圖像處理方法，可以提高基物質密度圖像的圖像質量，能夠實現低劑量掃描協議下 能譜CT圖像的優質成像。
[0009] 本發明的上述目的通過如下技術手段實現。 提供一種基于字典學習的低劑量能譜CT圖像處理方法，包括如下步驟， (1) 獲取成像對象在低劑量射線下的低能量CT投影數據和高能量CT投影數據，并分別 對低能量CT投影數據和高能量CT投影數據進行CT圖像重建，獲得低劑量下低能量CT圖 像和高能量CT圖像/% ; (2) 對低能量CT投影數據和高能量CT投影數據進行基于圖像域的物質分解，獲得低劑 量下的水基圖Cw.和骨基圖; (3) 根據預先得到的水基圖字典及骨基圖字典g，并且利用基物質間的梯度信 息，構建用于能譜CT圖像成像的目標函數； (4) 對步驟（3)中構建的用于能譜CT圖像成像的目標函數采用分裂Bregman算法求 解，得到能譜CT圖像成像結果。
[0010] 上述步驟（2)中基于圖像域的物質分解所采用的的基物質分解模型為：物質 對x光子的質量吸收函數通過任何兩個物質即基物質對的質量吸收函數來表示：
【主權項】
1. 一種基于字典學習的低劑量能譜CT圖像處理方法，其特征在于：包括如下步驟， (1) 獲取成像對象在低劑量射線下的低能量CT投影數據和高能量CT投影數據，并分別 對低能量CT投影數據和高能量CT投影數據進行CT圖像重建，獲得低劑量下低能量CT圖 像/?和尚能量CT圖像/ijy ; (2) 對低能量CT投影數據和高能量CT投影數據進行基于圖像域的物質分解，獲得低劑 量下的水基圖Cw和骨基圖C il ; (3) 根據預先得到的水基圖字典Dm.及骨基圖字典1?，并且利用基物質間的梯度信息， 構建用于能譜CT圖像成像的目標函數； (4) 對步驟（3)中構建的用于能譜CT圖像成像的目標函數采用分裂Bregman算法求 解，得到能譜CT圖像成像結果。
2. 根據權利要求1所述的基于字典學習的低劑量能譜CT圖像處理方法，其特征在于： 所述步驟（2)中基于圖像域的物質分解所采用的的基物質分解模型為：物質對 X光子的質量吸收函數通過任何兩個物質即基物質對的質量吸收函數來表示：
分別是兩個物質的質量吸收函數， <^和€2分別是所需要的基物質的密度且與X光子的能量無關； 根據基物質分解模型，對于步驟（1)能譜CT的高能量CT投影數據和低能量CT投影數
據，對應的物質的質量吸收函數的表達式為 ，其中表示 高能，Z表示低能； 定義物質吸收函數矩陣
基物質量吸收矩陣，
，基物質密
度矩陣
，且過逆矩陣計算直接得到，公式為 定義基物質質量吸收矩陣J的逆矩陣形式
3. 根據權利要求2所述的基于字典學習的低劑量能譜CT圖像處理方法，其特征在于： 所述步驟（3)中水基圖字典及骨基圖字典的獲取方法包括：根據自身圖像數 據自身訓練得到的字典，或根據外源性圖像數據訓練得到的字典。
4. 根據權利要求1所述的基于字典學習的低劑量能譜CT圖像處理方法，其特征在于： 所述步驟（3)中基物質間的梯度信息構建的具體過程為：
'表示梯度算子。 5. f艮據權利要求4所述的基于字典學習的低劑量能譜CT圖像處理方法，其特征在于： 所述步驟（3)中構建的用于能譜CT圖像成像的目標函數具體為：
其中，j表示基物質質量吸收矩陣，下標i表示圖像中的像素索引，g表示從低劑量 下的水基圖Cw、骨基圖Ci中分別提取大小為WX W且中心在/的圖像塊Xf的算符； 水基圖字典Dw:和骨基圖字典D6是一個IixJC的矩陣，由w維列向量組成，每 個W維列向量對應一個w X W的圖像塊；OTw表示水基圖中所有塊的稀疏表示的系數集 合水基圖或骨基圖中每一個圖像塊X 由線性組合圖像Dcr .來近似表示； 表示骨基圖中所有塊的稀疏表示的系數集合骨基圖中每一個圖像塊1&:/由 線性組合圖像Dcr5 i來近似表示；Ilgcj表示Zfj范數，用來計算向量CJ中的非零個數； I'表示Z1范數!表示取二范數的平方操作；Tw是預設的對于水基圖的稀疏 程度參數，用來限制cr w=/中非零項個數；丁&是預設的對于骨基圖的稀疏程度參數，用來限 制^%』中非零項個數；V*.和w是超參數。
6. 根據權利要求5所述的基于字典學習的低劑量能譜CT圖像處理方法，其特征在于： 所述步驟（4)中能譜CT圖像成像的目標函數采用分裂Bregman算法求解，具體過程如 下： 對式（I )進行變換，得到如下式（II):
其中〇?^是一個引入的向量值，該向量值大小和c大小一樣； 對式（II )采用分裂Bregman算法的具體計算過程如下： 引入公式A、公式B和公式C進行迭代求解，
具體迭代過程按照如下步驟進行： (6. 1)令 /?=0， (6.2)根據公式A通過K均值奇異值分解方法從圖像塊中得到出稀疏系數
(6. 3)根據公式B，通過原始對偶算法求解得到
(6. 4)將（5. 2)獲得的稀疏系數和（5. 3)獲得的 代入公式C u d 求解得到; (6. 5)判斷是否迭代終止，具體是： 判斷迭代步數/7是否等于況如果/7等于況則迭代終止，以步驟（5. 4)所獲得的結果作 為去噪后的能譜CT圖像； 如果/?小于況則進入步驟（5. 6); (6. 6)令將步驟（5. 2)、（5. 3)得到的結果代入公式A和公式Β，重新進入步驟 (5. 2)〇
7.根據權利要求1所述的基于字典學習的低劑量能譜CT圖像處理方法，其特征在于： 所述步驟（1)還設置有配準處理步驟，具體是： 判斷低劑量下所得到的低能量CT投影數據和高能量CT投影數據是否存在位置偏移， 當存在位置偏移時采用數據配準的方法將低能量CT投影數據和高能量CT投影數據進行配 準處理。
【專利摘要】基于字典學習的低劑量能譜CT圖像處理方法，包括，（1）獲取成像對象在低劑量射線下的低能量CT投影數據和高能量CT投影數據，進行重建獲得低劑量下低能量CT圖像和高能量CT圖像；（2）進行物質分解，獲得低劑量下的水基圖和骨基圖；（3）構建用于能譜CT圖像成像的目標函數；（4）對目標函數采用分裂Bregman算法求解，得到能譜CT圖像成像結果。本發明采用基于字典學習的稀疏表達模型，結合能譜CT基物質圖像間的梯度信息，實現了對能譜CT基物質圖像去噪。可實現使用低劑量發射的同時，仍能保證產生高質量的能譜CT基物質圖像。
【IPC分類】G06T5-10
【公開號】CN104751429
【申請號】CN201510040428
【發明人】馬建華, 曾棟, 邊兆英, 黃靜, 陳武凡
【申請人】南方醫科大學
【公開日】2015年7月1日
【申請日】2015年1月27日