能谱CT(Spectral CT)基于X线连续光谱分布特征及其与物质作用的衰减规律,能够实现物质分解与组织辨识定量成像,是新一代高端医学CT成像技术的代表。相比于传统CT,能谱CT可根据预先设置的能量阈值获得多个能量通道下的能谱数据,从而产生组织对比度更高的CT影像。然而,能谱CT数据探测面临一个突出问题,即每个能量通道探测到的光子数量普遍低于常规CT探测到的光子数,这就导致了能谱CT图像比传统CT图像包含更多的噪声和噪声引入的伪影。为克服此问题,诸多方法相继被提出,例如图像后处理算法和统计迭代算法。图像后处理算法直接对重建后的图像进行去噪。由于缺少精确的噪声模型,该算法极易造成图像过平滑。统计迭代重建算法包含了完整的光学成像模型和准确的噪声分布模型,对于获得高精度的能谱CT图像具有重要意义。作为上述统计迭代重建算法的发展,本文作者提出了两种多谱图像信息引导的能谱CT图像重建算法,具体可归纳如下:(1)提出了一种基于非局部相似性正则化的能谱CT图像重建算法,简称为“MECT-NSS”。由于能谱CT一次扫描可获得多个能量通道的数据,重建得到的各通道图像解剖结构高度“配准”,具有丰富的结构冗余信息。通过平均所有能量通道下的能谱CT图像获得的均值图像,具有比各通道图像更少的噪声和更高的信噪比。将该图像引入到能谱CT重建模型中,作为非局部相似性正则化的先验图像,以重建高质量的能谱CT图像。随后,我们提出了一种有效的算法来优化MECT-NSS的目标函数,并对参数选择进行了综合评估。我们采用了三套仿真数据和一套临床前实验数据对MECT-NSS算法的重建性能进行验证和评估。定性和定量结果表明,本文所提出的MECT-NSS算法可以获得高质量的能谱CT图像和准确的基物质图像。(2)提出了一种基于低秩张量全变分正则化的能谱CT图像重建算法,简称为“FSTensor”。所提出的FSTensor算法主要基于以下三个方面的考虑:1)一次采集的能谱CT图像之间在空间和能谱维度上均存在极大的全局相关性,该相关性可以通过低秩张量分解进行表征;2)能谱CT图像在空间域和能谱域中都存在局部分段平滑性,该特性可以通过张量全变分正则化来捕获;3)多个能谱通道图像合成的均值图像比单个能谱通道图像包含更少的噪声和更高的信噪比,因此,该均值图像可提供多谱图像信息来改善重建性能。我们提出了一种基于交替最小化框架的优化算法实现所提出的FSTensor方法,并通过遗传算法实现了自适应参数选择。仿真和临床前实验结果证明,新方法在噪声去除和边缘保存方面有显著效果,可生成高质量的能谱CT图像和高精度的基物质图像。