基于多先验信息约束的CT内部问题重建方法研究

Region of interest (ROI) imaging is a useful method to reduce the radiation dose in CT scans. For ROI imaging, the interior problem is a critical issue to solve. However, with traditional interior problem reconstruction methods, the reconstruction parameters are very difficult to decide. Specifically, reconstruction parameters in these reconstruction methods are not physically meaningful, and they are decided in a ad hoc manner. In this project, we will develop an innovative iterative method based on multiple prior information constraints aiming at solving the interior problem. This project focuses on incorporating suitable prior information constraints and statistical property of data into the TV regularization framework for the reconstruction of the interior problem. The research project is focused on the following aspects: 1) to investigate the effect of sampling method on the system matrix in the constrained TV regularization algorithm; 2) to apply new constrained TV regularization reconstruction algorithm to the interior problem; 3) to investigate the effect of prior knowledge on the image quality in the constrained TV regularization algorithm. We will derive the mathematical models of prior knowledge, in order to obtain a more stable and accurate solution. This work will not only help decrease the CT dose. It can also shorten imaging scan time and thus reduce the potential motion artifacts. This research has important scientific significance and application prospect in the CT field.

感兴趣区域成像被认为是降低CT辐射剂量的有效方法，而内部问题是其中需要解决的关键问题。然而，传统的内部问题重建方法存在参数选择问题，由于其中的重建参数没有任何实际物理意义，导致在算法应用时只能凭经验选取，无法满足实际需求。本项目针对内部问题重建特点，提出一种基于多先验信息约束的CT内部问题迭代重建方法。将约束TV正则化方法与多种约束条件、物理先验知识和投影数据统计特性进行有机结合，拓展应用于解决CT内部问题。研究内容包括：1）研究不同采样模式对于约束TV正则化方法系统矩阵的性能影响；2）研究基于约束TV正则化的CT内部问题重建新方法；3）研究多种先验信息和约束条件对于TV正则化方法的性能影响机制，进行先验条件的数学模型化和有效利用，以获得更加稳定而精确的解。项目实施不仅有助于降低CT辐射剂量，还能有效缩短扫描时间并潜在减少CT系统的运动伪影，具有重要的科学意义和应用前景。

感兴趣区域成像被认为是降低CT辐射剂量的有效方法，而内部问题是其中需要解决的关键问题。然而，传统的内部问题重建方法存在参数选择问题，由于其中的重建参数没有任何实际物理意义，导致在算法应用时只能凭经验选取，无法满足实际需求。本项目针对内部问题重建特点，提出一种基于多先验信息约束的CT内部问题迭代重建方法。研究内容包括：（1）研究不同采样模式对于约束TV正则化方法系统矩阵的性能影响；（2）研究基于约束TV正则化的CT内部问题重建新方法；（3）研究多种先验信息和约束条件对于TV正则化方法的性能影响机制，进行先验条件的数学模型化和有效利用，以获得更加稳定而精确的解。. 项目组全体成员经过3年的不懈努力，针对制定的研究内容和研究计划，深入地开展了如下工作：（1）研究了全采样、稀疏采样和有限角度采样等不同采样模式对约束TV正则化方法系统矩阵的性能影响，结果表明约束TV正则化方法在欠采样（稀疏采样和有限角度采样）模式下能够发挥更好的作用；（2）设计了特征算子用于提取TV正则化过程中丢失的精细结构，提高了重建图像的精确性；（3）研究了代数迭代法，惩罚加权最小二乘法和最小化准则对TV正则化方法的性能影响，验证了TV正则化方法在惩罚加权最小二乘法的标准下进行最小化时能够达到相对较好的效果，在此操作后再进行一步图像特征结构恢复就可获得更加稳定而精准的重建图像。. 在项目开展期间，项目组共发表SCI论文4篇，申请国家发明专利4项；协助培养研究生3名（目前均已顺利毕业），项目预期指标全部圆满完成。