基于稀疏梯度域字典学习的低剂量脑CT图像恢复

发布时间：2017-05-12 01:08

  本文关键词：基于稀疏梯度域字典学习的低剂量脑CT图像恢复，由笔耕文化传播整理发布。

【摘要】：计算机断层成像技术(Computed Tomography,CT)被广泛地应用于临床疾病的诊断与治疗。与普通X射线图像相比,脑CT图像的组织密度分辨率高,能够精确反映不同部位辐射量衰减的微小差异以区分各软组织的密度,对颅脑病变诊断有很高的价值,是脑血管疾病、颅内肿瘤、脑梗死、脑外伤等的首选检查方法。多层螺旋CT设备的诞生及发展,使得CT图像的成像质量不断得到提高,但与此同时,也不可避免地增加了X射线剂量。过多的辐射剂量有诱发癌症等疾病的风险,所以,研究人员热衷于研究低剂量的CT图像。然而,降低X射线剂量必将导致图像质量下降,进而影响医生的诊断。因此,在保证图像质量的前提下,有效降低X射线辐射剂量已成为医学图像领域的一个重要课题和研究方向。基于字典学习的稀疏表示方法因其良好的性能被应用于图像去噪和恢复等信号处理问题。研究表明,训练样本越稀疏,字典学习的效率和稳健性越好。CT图像的邻近像素具有很强的相关性,因此,相比于原始图像,其对应的梯度图像稀疏性更大。基于稀疏梯度域的字典学习算法在一定程度上提高了字典学习的效率,然而,梯度算子的引进往往会放大噪声。为了减小梯度算子带来的放大噪声的影响,本文提出了两种改进的基于稀疏梯度域字典学习的低剂量脑CT图像恢复算法。其中一种算法先对梯度图进行主分量分析(Principal Component Analysis,PCA),以减少梯度算子放大噪声的影响,然后用PCA降维数据训练字典并去噪。另一种算法是在对CT图像进行梯度运算前先对图像块进行三维块匹配(BM3D)滤波,然后再利用滤波得到的图像的梯度图进行字典学习并去噪。临床人脑CT图像实验表明,这两种算法对病人低剂量CT图像均具有良好的去噪性能,应用于临床将有望在确保医生诊断精确性的同时大大降低病人接收的X射线辐射剂量。
【关键词】：稀疏梯度域 字典学习 图像去噪 主分量分析 三维块匹配滤波
【学位授予单位】：南昌大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：R814.42;TP391.41
【目录】：

• 摘要3-4
• ABSTRACT4-8
• 第1章 绪论8-14
• 1.1 引言8-9
• 1.2 研究背景及国内外研究现状9-11
• 1.3 本文研究内容和组织结构11-14
• 第2章 低剂量CT及基于稀疏表示的医学图像恢复概述14-26
• 2.1 计算机断层成像技术简介14-19
• 2.2 低剂量CT临床意义19-20
• 2.3 稀疏表示理论20-25
• 2.3.1 稀疏表示理论与传统采样定理的比较20-21
• 2.3.2 稀疏分解21-23
• 2.3.3 基于字典学习的稀疏表示23-25
• 2.4 基于稀疏表示的医学图像恢复25
• 2.5 小结25-26
• 第3章 基于稀疏梯度域字典学习的CT图像恢复26-38
• 3.1 稀疏梯度域26-27
• 3.2 GradDL算法27-28
• 3.3 算法求解28-31
• 3.4 实验31-37
• 3.4.1 实验数据——DICOM文件32-33
• 3.4.2 低剂量CT图像模拟33-34
• 3.4.3 低剂量CT图像去噪34-37
• 3.5 小结37-38
• 第4章 改进的稀疏梯度域字典学习算法38-51
• 4.1 Grad-PCA算法及实验38-45
• 4.1.1 主分量分析38
• 4.1.2 Grad-PCA算法38-42
• 4.1.3 实验42-45
• 4.2 Grad-BM3D算法及实验45-50
• 4.2.1 BM3D滤波45-46
• 4.2.2 Grad-BM3D算法46-47
• 4.2.3 实验47-50
• 4.3 小结50-51
• 第5章 总结与展望51-53
• 5.1 工作总结51-52
• 5.2 工作展望52-53
• 致谢53-54
• 参考文献54-58
• 攻读学位期间的研究成果58

【参考文献】

中国期刊全文数据库 前1条

1 郝立巍;程远雄;汪天富;陈思平;;采用局部相位的Nonlocal低剂量CT图像去噪[J];华中科技大学学报(自然科学版);2012年07期

中国硕士学位论文全文数据库 前1条

1 陈利文;低剂量CT图像的小波噪声抑制研究[D];西安电子科技大学;2006年

  本文关键词：基于稀疏梯度域字典学习的低剂量脑CT图像恢复，由笔耕文化传播整理发布。

，

本文编号：358449