基于锥束CT医学图像的三维重建研究.pdf

摘要

锥形束计算机断层扫描（ConeBeamComputedTomography,CBCT）是一种先进的

成像模式，可以使临床医生能够更准确、更有效地诊断和治疗疾病。降低管电压、管

电流和扫描角度等措施，可有效降低辐射剂量，然而这些方法会产生噪声和伪影，降

低CBCT图像质量。因此，开发低剂量CBCT重建算法对于减少辐射暴露同时保持图

像质量至关重要。基于上述问题，本文提出了两种低剂量CBCT重建算法，分别针对

稀疏角度和低毫安两种成像方式，利用深度学习技术来减少细节丢失和过度平滑，同

时提高低剂量CBCT图像的质量。本文的具体工作主要分为以下两部分：

（1）针对稀疏角度CBCT采用ASD-POCS算法重建后，重建图像会出现阶梯效

应从而造成图像质量下降问题。本文提出一种新的融入卷积神经网络的即插即用稀疏

角度CBCT重建算法，将迭代算法中的正则项替换为可训练的卷积神经网络。通过将

CBCT重建优化问题转化为两个易于处理的子问题，其中数据子问题通过共轭梯度下

降算法来解决，去噪子问题则是通过具有融合残差通道注意机制的DRUNet去噪网络

来解决。最后通过迭代求解这两个问题得到重建结果。在模拟和真实数据集上均验证

了所提出的算法在克服阶梯效应方面的有效性，并在视觉检查和定量评估方面取得了

不错的效果。

（2）针对低毫安CBCT投影图和重建后的CT图中充满大量噪声的问题，本文引

入了一种基于投影域和图像域双域级联学习的策略，称为Du-Net(Dual-domain

Network)。Du-Net由三大部分组成，分别是被称为Pre-Net投影域预处理网络、FDK

重建算法以及被称为Post-Net图像域后处理网络。Pre-Net使用浅层残差网络训练来学

习低剂量投影数据中的噪声分布，通过插入CBAM块和引入VoVNet的特征融合方法

来改善网络的特征表示和信息流融合。FDK算法用来对锥束投影图像进行重建。Post-

Net则使用更深的网络深度、边缘检测模块和多尺度特征提取模块，在图像去噪的同

时保留图像细节。Du-Net在模拟和真实数据集上均进行了验证，结果表明与其他先进

的深度学习低剂量算法相比，本算法得到的低剂量CT图像质量更高。

关键词：低毫安锥束CT；稀疏角度锥束CT；深度学习；图像去噪；迭代算法

论文类型：应用研究

ABSTRACT

ConeBeamComputedTomography(CBCT)isanadvancedimagingmodalitythatcanenable

clinicianstodiagnoseandtreatdiseasemoreaccuratelyandefficiently.Measuressuchas

reducingtubevoltage,tubecurrent,andscanninganglecaneffectivelyreduceradiationdose,

butthesemethodswillgeneratenoiseandartifacts,whichwillreducethequalityofCBCT

images.Therefore,developinglow-doseCBCTreconstructionalgorithmsiscrucialtoreduce

radiationexposurewhilemaintainingimagequality.Basedontheaboveproblems,thispaper

proposestwolow-doseCBCTreconstructionalgorithms,respectivelyforsparseangleandlow

mAimagingmethods,usingdeeplearningtechnologytoreducedetaillossandover-

smoothing,whileimprovingthequalityoflow-doseCBCTimages.Thespecificworkofthis