[发明专利]一种基于字典学习的低剂量能谱CT图像处理方法

说明书

技术领域

本发明涉及一种医学影像的图像处理方法，特别涉及一种基于字典学习的低剂量能谱CT图像处理方法。

背景技术

X射线计算机断层成像(computed tomography，简称CT)因其在时间、空间与密度分辨率上的卓越表现，已广泛用于不同解剖部位的常规检测与诊断，为临床医生的诊断和疾病预防提供了丰富的三维人体器官组织信息。

随着CT技术的飞速发展，能谱成像是CT领域的一个突破性进展。能谱CT最显著的特征就是以多参数成像为基础的综合诊断模式，有望弥补或解决常规CT所面临的高辐射剂量且仅为解剖成像的缺陷，因为能谱CT多参数成像提供了多种新的图像模式，如基物质图像、单能量图像等，另外能谱成像还提供了多种定量分析的方法和参数。能谱CT可以从传统形态学诊断转到功能学诊断上，并且已在临床应用上显示其巨大潜力和广阔应用前景，尤其是肿瘤，在检查、诊断、定性等方面将起到重要作用。另外，能谱CT可以用于去除射束硬化引起的条形伪影，解决了常规CT成像存在的诸多缺陷。

然而，当前能谱CT成像中的辐射剂量较常规CT并未降低而且在特定应用时反而大幅增加。囿于此，为了使能谱CT成像技术能够在临床上实现应用，必须研究高效的低剂量成像方法。

当前提高低剂量能谱CT图像质量的方法主要分为两种策略进行：策略一是能谱CT图像迭代重建，利用其物理模型准确、对噪声不敏感等优点，能在不规则采样和数据缺失情况下重建出高质量图像，抑制最终图像的噪声。由但是，由于能谱CT投影数据量庞大，造成计算量太大，重建时间非常长，难以满足临床中实时交互的要求。策略二时直接对能谱CT图像进行噪声滤波，属于后处理技术，具有不依赖原始投影数据和处理速度快的优点，通常使用非线性滤波方法进行保持图像边缘信息去噪处理，如基于小波的图像去噪方法，然而此类方法未考虑能谱CT图像噪声来源，而且这些非线性滤波方法主要是基于图像的局部信息，难以得到优秀的去噪效果。

最近提出的基于字典学习的稀疏表示(Sparse and Redundant Representations over Dictionary Learning)图像去噪算法属于策略二。基于字典学习的稀疏表示的去噪方法与小波不同的是，它是利用了图像信号的稀疏性这个特征，来区分噪声和信号，从而进行图像去噪。基于字典学习的稀疏表示方法已经被证明其在低剂量能谱CT成像中的处理效果，然而此种方法存在一定的局限性，容易把低剂量条件下能谱CT基物质图像中的条形伪影当做图像信息，从而无法有效抑制基物质图像中在低剂量条件下易出现的条形伪影。

因此，针对现有技术不足，提供一种基于字典学习的低剂量能谱CT图像处理方法，能够克服现有技术中存在的条形伪影，实现低剂量扫描下获得高质量的能谱CT基物质图像。

发明内容

本发明的目的在于避免现有技术的不足之处而提供一种基于字典学习的低剂量能谱CT图像处理方法，可以提高基物质密度图像的图像质量，能够实现低剂量扫描协议下能谱CT图像的优质成像。

本发明的上述目的通过如下技术手段实现。

提供一种基于字典学习的低剂量能谱CT图像处理方法，包括如下步骤，

(1)获取成像对象在低剂量射线下的低能量CT投影数据和高能量CT 投影数据，并分别对低能量CT投影数据和高能量CT投影数据进行CT图像重建，获得低剂量下低能量CT图像μ_L和高能量CT图像μ_H；

(2)对低能量CT投影数据和高能量CT投影数据进行基于图像域的物质分解，获得低剂量下的水基图c_w和骨基图c_b；

(3)根据预先得到的水基图字典D'_w及骨基图字典D_b'，并且利用基物质间的梯度信息，构建用于能谱CT图像成像的目标函数；

(4)对步骤(3)中构建的用于能谱CT图像成像的目标函数采用分裂 Bregman算法求解，得到能谱CT图像成像结果。