[发明专利]基于阿尔法散度约束的全变分最小化剂量CT重建方法

说明书

技术领域

本发明涉及一种医用CT图像处理的方法，具体来说涉及一种基于阿尔法(α)散度约束的全变分最小化低剂量CT重建方法。 

背景技术

临床CT成像中，X线辐射会对人体的潜在风险，如增加癌症发生率及余生肿瘤致死率，因此一直受到广泛关注。但根据目前的图像重建方法，为了得到更好的重建图像，多排CT、双源CT已在临床中广泛应用，新的CT设备的使用造成更大的X射线使用剂量，也对人体造成更大危害，因此，如何在保证图像质量的前提下最大限度地降低X射线使用剂量已成为医学CT成像领域的迫切需要。 

为达到上述目的，当前方法中除了先进的硬件方法外，通过降低管电流实现低剂量成像是最常用的方法，但该方法重建的图像质量存在严重退化现象，难以满足临床诊断需求。大量研究表明，优质的低剂量CT图像重建方法是大幅降低X射线辐射剂量的有效途径。其中，基于图像域和投影域的滤波方法在一定条件下能取得较好的图像质量，但其只能从图像和投影数据自身获取信息，其处理的精度依赖于图像数据的噪声和伪影特性。当辐射剂量降低或投影数据采集不足时，图像和投影数据的噪声和伪影特性极为复杂，重建出的图像质量就会很差。 

发明内容

本发明的目的在于提供一种基于阿尔法(α)散度约束的全变分最小化低剂量CT重建方法，该方法可实现根据低剂量的CT成像设备投影数据即可重建并得到高质量的CT重建图像。 

本发明的目的可通过以下的技术措施来实现： 

一种基于阿尔法(α)散度约束的全变分最小化低剂量CT重建方法，包括以下步骤： 

(1)利用CT成像设备采集原始投影数据，对采集到的投影数据进行CT图像预重建； 

(2)将步骤(1)中的CT图像预重建的结果作为初值，并构建CT重建模型； 

(3)采用迭代过程求解步骤(2)中CT重建模型，对每步迭代后的结果进行全变分图像恢复，同时判断每步迭代后的结果是否满足终止迭代条件：若否，将全变分恢复得到的图像数据作为下一步迭代初值并继续迭代过程；若是，则将当前全变分恢复得到的图像数据作为最终重建结果。 

所述步骤(1)中的CT图像预重建过程为：对CT成像设备采集的原始投影数据采用滤波反投影方法进行图像预重建处理或采用快速的迭代算法进行图像预处理重建。 

所述的快速的迭代算法为最大似然期望最大算法或最大后验估计算法。 

所述步骤(2)中的CT重建模型为： 其中：f为采集到的原始投影数据；Kμ为迭代过程中生成的投影数据，K＝{K_i，j}为系统矩阵，i，j分别为待重建CT图像的像素个数和CT探测器探测元的个数；μ表示待重建的衰减图像；D_α(f‖Kμ)为数据保真项，α∈[0.6，2]；|μ|_TV为全变分正则化项。 

所述步骤(3)中的迭代过程采用期望最大化(EM)迭代方法进行计算。 

所述系统矩阵是从CT成像设备的系统得到的基于面积加权的系统矩阵，或者，基于体素加权的系统矩阵。