论文部分内容阅读
优质高分辨率的医学CT(Computed Tomography)图像在准确反映生物组织结构和提升计算机辅助诊断水平方面具有重要意义。本文主要开展2×2采集模式的超分辨率重建方法及骨密度(Bone Mineral Density,BMD)检测的计算机辅助诊断技术的相关研究。一方面,2×2采集模式具有更快的扫描速率和相对较低的辐射剂量,但采集到的投影分辨率低,重建图像存在显著伪影,不利于后续临床诊断;另一方面,目前临床BMD检测方法的筛查能力存在局限,并且需要较高的硬件成本和较为繁琐的检测流程;而深度学习相关技术的蓬勃发展,为基于CT图像的计算机辅助诊断技术提高临床BMD检测综合水平提供了新的契机。因此,基于深度学习和先验正则化相关理论和技术,研究高效的医学CT图像超分辨率重建方法和开发高准确度的临床BMD检测技术具有重要的理论意义和实际应用价值。针对上述问题,本文围绕CT超分辨率投影生成、超分辨率图像重建、CT图像BMD分级三个问题展开研究,主要研究成果如下:1.提出了一种基于生成对抗网络的CT超分辨率投影生成方法。在医学CT成像中,2×2采集模式下获得的投影分辨率低,重建图像存在显著伪影,从而干扰临床后续影像分析。针对此问题,本文在Cycle-GAN独特的循环一致结构下设计了基于U-Net和Res Net的生成器来学习低分辨率和高分辨率投影弦图之间的映射关系,并设计了相对鉴别器促使生成器更有效的生成高分辨率投影弦图。同时,本文通过加入滤波反投影模块实现了投影域-图像域的信息交互,并进行跨数据域误差的反向传播,以进一步增强网络模型对投影弦图的细节学习效果。实验结果表明,本文方法能够有效提升2×2采集模式下获得投影的分辨率,显著抑制因采集投影的低分辨率属性导致的伪影。与低分辨率投影直接重建的图像相比,基于本文方法获得的重建图像的误差至少降低了70%。2.提出了一种基于块匹配和TV联合正则化的CT超分辨率重建算法。在对2×2采集模式下获得的投影进行重建以获得高质量医学CT图像的研究中,现有算法大都只考虑图像域退化过程以建立重建模型,对2×2采集模式下的投影退化过程刻画不充分,导致性能受限。针对此问题,本文引入超分辨率投影生成方法克服投影退化过程的非线性,并通过高分辨率投影和低分辨率投影对应的系统矩阵来增强对重建图像的约束,进一步利用块匹配稀疏变换模型挖掘图像块相似性以提高图像细节恢复能力,并采用总变分(Total Variation,TV)正则化刻画图像梯度域的稀疏特性以增强噪声抑制能力,提出了基于块匹配和TV联合正则化的CT超分辨率重建模型,并采用交替最小化技术对模型进行高效求解。实验结果表明,本文算法能够较好的兼顾图像噪声抑制和细节信息保留,进一步改善2×2采集模式下的图像重建质量。相较于滤波反投影重建算法,基于本文算法重建的CT图像的误差至少降低了50%。3.提出了一种基于卷积神经网络的CT图像骨密度分级技术。在BMD检测方面,临床主要采用的双能X射线吸收法和定量CT检测法,需要额外的辅助硬件且检测流程复杂繁琐,并对早期无临床症状的骨量流失难以筛查。针对此问题,受临床放射科医生检查断层成像结果为患者提供诊断结果的流程所启发,本文首先基于U-Net设计了用于实现医学CT图像中感兴趣区域(Regions of Interest,ROI)定位及分割的MS-Net(Mark Segmentation Network),以缩小注意力范围避免无意义特征的提取;然后基于Dense Net设计了用于ROI特征提取及分析的BMDC-Net(BMD Classification Network),从而进行BMD分级得到最终定性诊断结果。此外,本文通过数据增强技术对数据集进行扩充,并充分考虑网络设计中参数规模的合理性,以避免网络过拟合。临床数据的实验结果表明,本文方法能够以较高的准确率报告BMD定性检测结果,并且可以作为辅助手段使常规医学CT检查具备BMD检测的功能。与传统的分级方法相比,本文方法能够提高近25%的BMD分级准确率。