基于稀疏角度采样的锥束X射线发光断层成像多目标重建方法研究

Cone-beam X-ray luminescence computed tomography (CB-XLCT) can perform functional and molecular imaging simultaneously. This opens new possibilities of imaging the early detection of small tumor in preclinical research. The sparse-view CB-XLCT can implement a fast three-dimensional (3D) imagine with short data collection time and makes it easier to complete real-time imaging. However, it is still challenging for existing the disadvantages of imaging resolution and images qualities for the multi-targets reconstruction. This project aims to focus on further improving the image quality of sparse-view CB-XLCT for multi-targets reconstruction, which includes: (1) In order to solve the low accuracy of traditional DA equation, we intend to design a hybrid transportation model based on the high-order and low-order approximation equations, to balance the simulation accuracy and computation efficiency; (2), we intend to design a shrinking permissible region strategy to relieve the ill-posedness of reconstruction. The unsupervised clustering method is introduced to automatically identify the number of lesions, and an adaptive multiscale shrinking function is designed to quickly extract the region of interest; (3) we intend to build up a joint sparse reconstruction model incorporating a variety of prior information for multi-targets imaging. And efficient algorithm based on the difference of convex method and alternating direction method of multipliers is designed to realize precise imaging for multi-targets. The project is expected to provide new imaging basis and technological means for the early detection of small tumor in preclinical research.

锥束X射线发光断层成像(CB-XLCT)可同时进行解剖结构和特异性成像，有望成为早期肿瘤诊断中有力的影像学工具。其中，稀疏角度采样方式的出现有效缩短了系统数据采集时间，更易于完成实时成像。然而，在进行多目标重建时，该技术面临着成像分辨率和质量下降的挑战。因此，本项目拟开展基于稀疏角度采样的CB-XLCT多目标重建方法研究，主要包括: (1)研究X射线激发光传输过程的模拟，建立兼顾模拟精度与计算效率的高低阶混合模型，解决单一低阶近似模型模拟精度较低的问题；(2)研究区域收缩成像策略的构建，基于无监督聚类技术自动辨识多病灶，设计自适应多尺度收缩函数快速提取感兴趣区域，解决稀疏角度采样造成逆问题病态性严重的问题；(3)研究联合稀疏重建模型的设计，在模型中融合多种先验信息，发展结合凸差分和交替方向乘子法的快速算法，突破多目标分辨瓶颈。本项目有望为早期肿瘤诊断提供新方法和手段。

近年来，稀疏采样的锥束X射线发光断层成像(Cone-beam XLCT, CB-XLCT)以其系统数据采集时间较短，X剂量利用率高，更易于完成快速成像等优势得到了广泛的关注和发展。本项目重点围绕基于稀疏角度采样的CB-XLCT成像中早期肿瘤模型的检测问题，从数学模型、成像策略、重建算法以及重建投影加速等方面做了深入的研究，从多个角度致力于提高稀疏角度采样的CB-XLCT的成像性能，高效解决CB-XLCT的小目标快速成像问题。本文的工作与贡献可以概括如下：(1) 提出了一种面向稀疏角度采样的自适应区域收缩策略，所提方法能明显提升单目标及多目标的成像质量；(2) 提出了一种面向稀疏角度采样的鲁棒稳定的稀疏先验重建算法，所提方法不仅适用与大部分成像算法结合，明显降低不同算法间的成像差异，同时也易于推广到光学断层成像的其他成像逆问题中；(3) 提出一种基于谱回归和预处理的多光谱稀疏角CB-XLCT成像方法，所提方法可有效改善稀疏角CBXLCT多光谱成像质量，具有进一步扩展到实时成像的应用潜力；(4) 提出一种基于多核策略的快速CT投影仿真方法，实现了投影仿真的并行实现。数值实验验证了该方法的准确性和有效性，得到了多核加速度的近似线性加速；(5) 提出一种基于Joseph前向投影的迭代CT图像快速重建方法，实验结果表明，与Siddon投影相比，迭代重建速度和图像质量都有所提高；(6) 提出一种基于Köhler投影的X射线CT迭代图像重建方法，实验结果表明，由系统矩阵计算出的投影值与传统Köhler 投影方法保持完全相同的精度；利用该系统矩阵实现了迭代法的高精度重建，其重建质量明显优于Siddon投影方法，甚至好于当前先进的距离驱动模型；(7) 提出一种基于局部保持投影的EEG信号特征降维和医学癫痫检测算法，实验结果表面所提方法在召回率，精确度和F1指标等方面的实验结果优于传统的传统线性降维算法、流形学习算法和基于自动编码器的深度学习方法，所提方法在医学影像分析领域具有较好的应用潜力；(8) 提出基于压缩感知与特征学习的三维数据压缩与复原框架，所提方法对于海量三维数据的压缩传输与重建具有较好的应用价值，尤其对于远程医学诊疗以及其他三维数据可视化具有较好的应用潜力。