X-射線計算機斷層掃描（Computed Tomography,CT）技術由于其空間分辨率高、掃描時間短和成本低等優(yōu)點而被廣泛用于臨床診斷。但是,CT掃描產(chǎn)生的高劑量電離輻射已被證明與白血病、腫瘤、遺傳等疾病存在正相關性,尤其對婦女、兒童等敏感人群影響較大。低劑量CT（Low-Dose Computed Tomography,LDCT）技術能夠有效減少X-射線對患者的電離輻射傷害。但降低輻射劑量會導致成像質量下降,增加了圖像分析的難度,影響臨床診斷的準確性。近年來,基于低秩約束的圖像局部結構建模方法已成為低層圖像處理領域的研究熱點,并在圖像噪聲抑制處理中獲得了廣泛應用。其中,核范數(shù)最小化（Nuclear Norm Minimization,NNM）方法通過對目標矩陣的奇異值進行約束,從而將傳統(tǒng)非凸低秩約束轉換成易于求解的凸范數(shù)優(yōu)化問題,取得了較好效果。但是該方法對目標矩陣所有奇異值采用同等強度約束,無法描述低劑量CT圖像中非平穩(wěn)噪聲特性。鑒于此,本文針對低劑量CT圖像中的噪聲問題,結合低劑量CT圖像非平穩(wěn)噪聲特點,開展基于區(qū)域內(nèi)容感知低秩建模的低劑量CT圖像噪聲抑制研究。本文的創(chuàng)新點如... 

【文章來源】：曲阜師范大學山東省

【文章頁數(shù)】：64 頁

【學位級別】：碩士

【部分圖文】：

不同算法的仿真實驗結果

第3章基于低劑量CT圖像噪聲特性的加權核范數(shù)最小化去噪算法23(f2)COSR(g2)rwNNM(h2)(a2)-(c2)(i2)(a2)-(d2)(j2)(a2)-(e2)(k2)(a2)-(f2)(l2)(a2)-(g2)圖3.2不同算法實驗結果圖像的局部感興趣區(qū)域（包含肺結節(jié)）及其差圖圖3.1和圖3.2顯示了利用不同算法對仿真實驗數(shù)據(jù)進行處理的實驗結果圖像和不同算法的感興趣區(qū)域（RegionofInterest,ROI）及其差圖。包含肺結節(jié)的區(qū)域通常最容易影響診斷結果。因此，將圖3.1（a2）中包含肺結節(jié)的兩部分作為感興趣區(qū)域，分別記為ROII（圖3.1（a2）中紅色矩形框所示）和ROIII（圖3.1（a2）中橙色矩形框所示）。圖3.1（a1）-（a2）、圖3.2（a1）和圖3.2（a2）為FDCT圖像，用于對比其他算法處理結果。從圖3.1（b1）-（b2）、圖3.2（b1）和圖3.2（b2）可以看出，LDCT圖像中存在明顯的條帶狀非平穩(wěn)偽影噪聲。圖3.1（c1）-（g2）給出了不同算法的處理結果。觀察圖3.1（c1）-（c2）、（d1）-（d2）、（e1）-（e2）及（f1）-（f2），TV算法處理結果圖像中，不僅存在噪聲，還有部分條紋偽影，表明TV算法在抑制噪聲及去除偽影方面均未展現(xiàn)出較優(yōu)異的性能；NNM算法及TL算法盡管在抑制噪聲方面具有較好的效果，但是處理圖像出現(xiàn)了明顯的條紋偽影，導致圖像紋理保持效果較差；COSR算法雖然可以有效去除圖像的條紋偽影，但是在噪聲抑制方面的優(yōu)點并不明顯。通過對比可以看出，本章所提rwNNM算法能夠在有效去噪的同時保存紋理細節(jié)信息，尤其是包含肺結節(jié)的ROII（圖3.1（a2）中紅色矩形框所示）和ROIII（圖3.1（a2）中橙色矩形框所示）區(qū)域。

第3章基于低劑量CT圖像噪聲特性的加權核范數(shù)最小化去噪算法24為了進一步證明本章所提rwNNM算法的優(yōu)越性，我們采用穿過肺結節(jié)區(qū)域（沿圖3.1（a2）中的黃色直線）的強度輪廓線圖進一步比較了TV算法，NNM算法，TL算法，COSR算法和rwNNM算法的性能，若某去噪算法的強度輪廓線與FDCT圖像的強度輪廓線契合度越高，則表明該算法具有越高的圖像紋理保存能力。結果如圖3.3所示。其中，（a）-（f）分別比較了FBP重建圖像，TV算法實驗結果圖像，NNM算法實驗結果圖像，TL實驗結果圖像，COSR算法實驗結果圖像和rwNNM算法實驗結果圖像與FDCT圖像中肺結節(jié)區(qū)域的強度輪廓線，從圖3.3可以看出，相比較TV算法、NNM算法，TL算法和COSR算法，rwNNM算法與FDCT圖像的強度輪廓線具有最高的吻合度，表明本證所提算法具有較為優(yōu)越的圖像紋理細節(jié)保存能力，驗證了rwNNM算法的有效性。(a)(b)(c)(d)(e)(f)圖3.3不同算法沿肺結節(jié)區(qū)域（圖3.1（a2）中黃色直線）的強度輪廓線（2）定量分析為了更加準確的對rwNNM算法的有效性進行評估，本章采用2.3節(jié)所介紹的法向量流（NormalVectorFlow,NVF）[55]和結構相似指標（SSIM）[53]、根均方誤差（RootMeanSquareError,RMSE）對所提rwNNM算法進行定量分析。法向量流（NVF）指標用于評估各算法處理結果與參考標準FDCT圖像之間的紋理相似性。若算法NVF中的箭頭有序并且與參考圖像的NVF方向一致，表明該算法的細節(jié)紋理保存性能較好。圖3.4為各算法在肺癌結節(jié)區(qū)域（圖3.1（b2）中綠色虛線框內(nèi)區(qū)域）的NVF圖像。

【參考文獻】：
期刊論文
[1]基于聯(lián)合稀疏變換學習的工件去噪方法研究[J]. 劉秀平,薛婷婷,韓麗麗,杜勇辰,張凱兵,閆煥營.  計算機工程與應用. 2019(07)
[2]投影數(shù)據(jù)恢復方法在低劑量腦灌注CT成像中的應用[J]. 田秀梅,黃靜,林嘉慧,張忻宇,馬建華,邊兆英.  南方醫(yī)科大學學報. 2017(04)
[3]基于EM算法的低劑量CT圖像去噪[J]. 張元科,張軍英,盧虹冰.  電子學報. 2012(01)
[4]基于小波變換的低劑量CT影數(shù)據(jù)濾波方法研究投[J]. 張喜樂,黃靜,劉楠,路利軍,馬建華,陳武凡.  CT理論與應用研究. 2011(02)
[5]基于乘性正則化的有限角度CT重建算法[J]. 盧孝強,孫怡.  光學學報. 2010(05)

博士論文
[1]低劑量X-射線CT斷層成像的噪聲抑制研究[D]. 張元科.西安電子科技大學 2011



本文編號：2991323