[发明专利]一种基于区别性字典的低剂量CT图像处理方法

说明书

技术领域

本发明涉及一种低剂量CT图像处理方法，尤其涉及一种基于区别性字典的低剂量CT图像处理方法，属于计算机断层显像技术领域。

背景技术

作为目前一种常规有效的临床医学诊断工具，X射线计算机断层成像(X-ray Computerized Tomography,CT)能够在毫米尺度上清晰的获得人体不同组织对于X射线的衰减信息，从而为临床医生的诊断和预防提供丰富的三维人体器官组织信息。今天，作为一种成熟的和在临床上普遍认可的检查方法，CT已经成为放射诊断领域内不可缺少的主要工具之一。然而，随着CT断层扫描在临床诊断尤其是常规检查中的普及，CT扫描中的辐射剂量问题已经引起了人们越来越多的关注，大量的临床研究表明超过正常范围的CT辐射剂量易诱发人体新陈代谢异常乃至癌症等疾病。然而，在目前的CT设备中，往往通过调节管电流和电压以减少CT扫描剂量，这样将增加重建图像的块状噪声和具有方向性的星条状伪影，降低CT重建的质量，从而影响临床医生对异常组织的确诊率。

当前提高低剂量CT图像质量的方法主要分为基于投影空间数据的和基于图像空间数据的两大类，基于投影空间数据的方法主要通过CT投影数据的恢复去噪来为重建提供噪声更少的投影数据，以提高低剂量条件下的图像重建质量，例如当前在临床CT重建中普遍使用的滤波反投影（Filtered Back projection，FBP）算法，就是通过内置的频域滤波处理来抑制伪影和噪声，还有一些学者提出在投影空间建立数据模型并基于此建立恢复算法来抑制低剂量条件下CT投影数据中的噪声。此类方法的研究由于受到商用CT投影数据无法获得的限制，现实中难以得到广泛应用。另一类方法是直接通过图像空间处理技术来提高已重建的低剂量图像质量，具有不依赖原始投影数据和处理速度快的优点，通常使用非线性的处理方法进行保持图像边缘信息的去噪处理，如各向异性滤波器(nonlinear or anisotropic filter)或者小波(wavelet)的方法，然而此类非线性方主要基于图像的局部信息，难以得到良好的处理效果，例如，无法有效抑制低剂量CT图像中的块状噪声和星条状伪影，还会在处理中产生新的伪影。

最近提出的基于字典学习的稀疏表示(Sparse and Redundant Representations over Learnd Dictionaries)图像去噪算法属于第二类方法。这种方法先将目标图像拆分成很多小的图块，然后对每个图块进行编码，令其用一个过完备字典中的很少的几个块通过线性组合进行表示。在这一过程中，通过控制参数，可以使正常结构得到表示，而伪影噪声得不到较好的表示，从而达到去噪目的。最后将这些图块重新叠加平均，进一步增加去噪效果。这种方法首先寻找最佳的全局过完备字典，并将每个原图块表示为字典中向量（原子）的线性组合。线性组合中的系数可以通过稀疏编码过程来计算。基于字典学习的稀疏表示方法目标为解决如下问题：