基于低辐射双能谱CT实现多种基础物质分解的重建算法研究

Spectral CT provides information on material characterization and quantification because of its ability to separate multiple basis materials. Model-based image reconstruction (MBIR) has been demonstrated on regular single-energy CT for improving the ability to produce high-quality and accurate images, while substantially reducing dose. However, MBIR operates with one major drawback of the much longer computation time. Using penalized-likelihood method based on Poisson noise distribution, regularization method based on compressed sensing theory and optimization method based on alternating direction method of multipliers (ADMM), we propose to develop a fast MBIR method to accurately decompose multiple basis materials from low-dose dual-energy CT (DECT). We propose a fast and accurate three-dimensional method to simultaneously forward and back project multiple basis materials, which is the primary computational bottleneck of MBIR. DECT is currently the only commercially available version of spectral CT. The proposed DECT based MBIR method has promising applications in clinic, industry and homeland security. It will reduce ionizing radiation damage to patients, improve the efficacy of early diagnosis and treatment of cancer and other diseases using DECT, and improve the accuracy of detecting explosives, narcotics and other dangerous objects.

多能谱CT能够区分多种基础物质，为研究人体不同组织的性能和物体的不同材料成分提供特征鉴定和定量分析。基于模型的图像重建（MBIR）技术已被证明可以在常规单能谱CT上大幅度降低辐射剂量并提供高质量、高准确度的图像。但是，BMIR的主要缺陷就是运算处理时间太长。本课题将采用基于泊松噪声模型的最大惩罚似然估计，基于压缩感知原理的正则化方法和基于交替方向乘子法（ADMM）的优化算法，研究在双能谱CT上实现低辐射的准确的多种基础物质分解的快速MBIR重建方法。本课题提出快速且准确的同时三维正反向投影多种基础物质的方法，来突破MBIR的主要计算瓶颈。双能谱CT是目前唯一的多能谱CT产品。本课题提出的MBIR重建方法，在临床、工业以及国防安全领域有广阔的应用前景，特别是在降低双能谱CT对病人的电离辐射危害，提高肿瘤及其他疾病的早期诊断和治疗的有效性，提高检测爆炸物和毒品等危险物品的准确性方面有重要意义。

多能谱CT能够区分多种基础物质，为研究人体不同组织的性能和物体的不同材料成分提供特征鉴定和定量分析。双能谱CT是目前唯一的多能谱CT产品。本课题提出了五种新的利用双能谱CT实现多种基础材料分解的图像域的方法：PWLS-EP-LOOP，PWLS-TNV-L0，DECT-ST，DECT-CULTRA和DECT-MULTRA。五种方法都采用了惩罚加权最小二乘法数据项。PWLS-EP-LOOP采用了边界保持正则化；PWLS-TNV-L0采用了基于雅可比矩阵核范数全变差(TNV)、L0范数和特征函数的正则化；DECT-ST采用了基于基础材料数据库中训练得到的稀疏变换的正则化；DECT-CULTRA采用了一组跨材料联合稀疏变换的正则化；DECT-MULTRA采用了基于一系列混合材料联合稀疏变换的正则化。我们用XCAT体模和临床数据评估了这五种方法。在多材料分解的应用上，DECT-CULTRA优于PWLS-TNV-L0优于PWLS-EP-LOOP。在双材料分解的应用上，DECT-MULTRA能更好的抑制伪影和噪声，并能够得到更加清晰的材料边缘，优于其他四种方法。图像域的方法从高低能的CT图像中，分解得到多种基础物质材料的图像，不需要双能谱CT系统的X射线能谱分布信息，分解处理速度快。本课题提出的分解方法，在临床、工业以及国防安全领域有广阔的应用前景，特别是在提高肿瘤及其他疾病的早期诊断和治疗的有效性，提高检测爆炸物和毒品等危险物品的准确性方面有重要意义。..基于模型的图像重建(MBIR)技术已被证明可以在常规单能谱CT上大幅度降低辐射剂量并提供高质量、高准确度的图像。但是，BMIR的主要缺陷就是运算处理时间太长。三维正反向投影是MBIR技术的主要计算瓶颈。本课题提出了基于可分离脚标（SF: separable footprint）投影技术的GPU并行加速算法。我们还实现了新的加速算法的多GPU并行加速。我们在两个NVIDIA Tesla K80 GPU和两个14核Intel Xeon E5-2695 v3 CPU上分别测试和对比了我们提出的单GPU加速算法和CPU多线程算法的性能,测试结果显示我们提出的单GPU加速算法相比于CPU多线程程序,在正反向投影上分别取得了1.3倍和2.1倍的加速。多GPU并行算法的测试结果显示,该算法的运行时间随着GPU个数的增多而等比例地减少