基于相对TV最小的CT图像重建算法.docxVIP

基于相对TV最小的CT图像重建算法

摘要：总变差（TV）最小算法是一种有效的CT图像重建算法，可以对稀疏或含噪投影数据进行高精度重建。然而，在某些情况下，TV算法会产生阶梯状伪影。在图像去噪领域，相对TV算法展现了优于TV算法的性能。鉴于此，将相对TV模型引入图像重建，提出相对TV最小优化模型，并在自适应梯度下降-投影到凸集（ASD-POCS）框架下设计对应的求解算法，以进一步提升重建精度。以Shepp-Logan、FORBILD及真实CT图像仿真模体进行重建实验，验证了该算法的正确性并评估了算法的稀疏重建能力和抗噪能力。实验结果表明，相对TV算法可以实现逆犯罪，可以对稀疏或含噪投影数据进行高精度重建，与TV算法相比，该算法可以取得更高的重建精度。

关键词：计算机断层成像；相对总变差最小；稀疏重建；ASD-POCS算法

计算机断层成像（computedtomography，CT）、磁共振成像（magneticresonanceimaging，MRI）、电子顺磁共振成像（electronparamagneticresonanceimaging，EPRI）是3种重要的医学成像模态。在CT成像中，以滤波反投影（filteredbackprojection，FBP）算法[1]为代表的解析法是一类经典的医学图像重建算法，其重建速度快、精度高。然而，当投影数据不完备时，其在成像中可能会产生严重的伪影[2-3]。对于这个问题，一种解决方法是利用插值对稀疏投影数据进行补足，另一种方法是Sidky等[2]在2008年提出的一种经典的迭代式重建算法，即总变差（totalvariation，TV）最小化算法[4]，它通过加入先验的知识来正则化对应的数据保真项，可以在去噪的同时保持图像的边缘信息[5]，实现了在稀疏投影数据下的高精度图像重建。随后，Sidky等[6]进一步优化了该算法，提出了自适应最速下降投影到凸集（adaptivegradientdescentprojectiontoconvexset，ASD-POCS）算法并以之作为该算法的有效求解器。

此后有大量的TV模型及对应的求解算法[7-8]被提出。2014年，Sidky等[9]提出了约束总p变差（totalpvariation，TpV）模型并利用CP（chambolle-pock）优化算法[10-12]求解该模型，在稀疏投影数据条件下实现了高精度的图像重建；2012年，Xu等[13]提出了相对总变差（relativetotalvariation，RTV）模型，此模型最初是应用于图像去噪，可以从不规则的纹理中提取出有效的结构信息，借助于对噪声和不规则纹理的去除能力可以应用于CT重建；2015年，Rigie等[14]提出了多通道光谱CT的总核变差（totalnuclearvariation，TnV）模型，发现这种联合TV正则化技术优于每个通道的单独TV最小化；2021年Qiao等[15]提出了平衡总变差（balancedtotalvariation，bTV）模型，可以在三维电子顺磁共振成像（EPRI）应用[5]中保证收敛并实现快速收敛。其他优秀的重建模型还有，高阶总变差（highorderTV，HOTV）[16]、各向异性总变差（anisotropicTV，aTV）[17]等等，这些TV模型在投影数据不完整时，在一定程度上都可以提高重建精度。

综合研究发现，这些TV模型的改进都是尝试去解决TV模型的潜在缺点，即TV模型在重建过程

中可能会产生条状伪影[6]。主要原因是图像的总变差（TV）是图像梯度的11范数[18]，在图像TV最小化[19]的过程中，重建图像中的所有梯度都会受到类似的惩罚，这对于保护图像的有效结构是不利的。图像梯度的10范数用于计算图像中非零梯度的个数，不会对梯度进行求和，所以如果对重建图像梯度的10范数进行最小化，重建图像中梯度较大的结构不会受到过度的惩罚，相对来说有利于保护图像结构。然而，却可能会平滑掉梯度较小的图像结构，不利于保留图像细节。同时，在稀疏投影数据下的重建过程中，有一些噪声的梯度可能和较小图像结构的梯度是一样，此时重建图像梯度的10范数最小化并不能有效地抑制噪声。

考虑到图像梯度11范数和10范数最小化的缺点，在CT重建过程中应该考虑对不同大小的图像梯度进行不同程度的惩罚，以此来保护有效结构并抑制噪声。此外，为了防止梯度较小的图像结构在重建中被平滑掉，可以考虑把图像