基于结构先验的加权NLTV能谱CT重建算法 下载: 975次
1 引言
近年来,基于光子计数探测器的能谱计算机断层扫描(CT)吸引了越来越多的关注。能谱CT通过设置识别不同能量光子的多层探测器同时得到多个能量通道的投影,多通道数据集可以利用图像包含的物质不同,衰减系数不同实现基础材料的分解,更好地改进了传统CT,提供了更高能量分辨率的重建图像。然而,能谱CT通道内投影噪声多的问题限制了它的进一步发展,因此研究人员提出了各种能够有效抑制多能CT窄谱噪声的算法[1-4]。
实现能谱CT重建的一种简单直接的方法是在各能量通道中分别使用基于压缩感知的低剂量CT重建方法,其中图像的稀疏性可以通过全变分(TV)变换、紧框架变换、小波变换和字典学习等方法获取[5]。2012年,Xu等[6]将多通道投影看作传统CT投影的组合,对每个通道数据分别使用TV变换进行迭代重建得到能谱CT各个能量通道的重建结果。同年,Xu等[7-9]将字典学习的方法应用在传统低剂量CT重建中,提出了基于字典学习的重建算法,随后字典学习的算法被应用在能谱CT重建中。2013年,Zhao等[10]提出了一种基于迭代算法的能谱CT紧框架算法。上述算法都利用了图像的稀疏特性,但忽略了不同通道的投影均是通过扫描同一物体得到,具有很强的相关性。考虑到虽然能谱CT在不同能量通道下的重建图像具有不同的对比度水平,但是在相同空间坐标下的像素代表着完全相同的对象,具有相同的结构和很强的结构相似性。因此,在能谱CT的重建中同时考虑图像的稀疏特性和不通能量通道下图像的相关性,可以提高能谱CT的重建效果[11]。2011年,Gao等[12-13]提出了能谱CT重建的常规框架,低秩强度稀疏模型(PRISM)算法,该算法基于稳健的主成分分析(RPCA),并利用了矩阵的低秩和稀疏特性。Chu等[14]将TV变换和低秩约束组合得到比单纯稀疏重建更好的能谱CT重建结果。同时,Rigie等[15]提出了一种基于矢量全变分(VTV)的能谱CT重建算法,该算法使用核范数表示多通道图像梯度矢量的低秩稀疏特性。 2015年, Xi等[16]将全能量图像的稀疏先验与待重建图像的TV变换相结合,优化了基于TV的能谱CT降噪算法。
考虑到能谱CT各通道图像具有结构完全一致的特性[17],本文将传统的灰度图作为参照图,基于加权非局部全变分(NLTV)算法,得到参照图与重建图的结构信息,将待重建图像的稀疏先验和图像间的结构先验结合共同约束目标函数优化原始NLTV算法。本文通过引入参照图与重建图的结构相似先验,设计了一种基于图像结构先验的加权NLTV(RE_NLTV)算法,即已知相同扫描物体的一幅全能量重建图像,通过最小化重建图像和参照图像的相关性正则补丁,提高各个通道中重建图像的质量。通过仿真实验定量分析重建图像的空间和能量分辨率,验证了该算法的性能。
2 能谱CT重建算法
能谱CT利用能够区分能量的光子计数探测器代替传统CT中的能量积分探测器,使得CT系统可以只探测固定能量范围内的光子。能谱CT将X射线覆盖较宽的能谱数据分解成数个单独的窄谱段数据,从而一次扫描可以得到多幅窄谱图像。由于能谱CT在每个能量段内的重建过程与传统CT重建类似,而基于压缩感知的重建算法具有较好的去噪效果,故可以将现有较好的低剂量CT去噪算法应用在能谱CT窄谱重建中[18-19]。本文所做即为结合了能谱CT窄谱图像间结构先验的变分重建算法。
2.1 基于全变分的能谱CT重建算法阐述
能谱CT在某个通道下的图像重建可以直接看作传统CT在单能下的图像重建,故窄谱噪声投影重建可以表示为
式中
能谱CT窄谱重建问题可以表示为
(2)式即为能谱CT重建问题的保真项。因为CT系统实际应用领域不同,对重建图像要求不同,因此出现各种各样正则项来约束目标函数,保证图像质量满足重建要求。其中又以变分方法应用更为广泛。
添加变分正则项的能谱CT重建算法模型表示为
式中,
(4)式转化为无约束问题表示为
上述TV正则项通过利用图像本身的稀疏特性来约束待重建图像,对图像中每个像素的梯度都采用相同的加权系数,这使得TV项不能够有效描述图像在非局部区域内像素的相似性,无法有效抑制投影数据的噪声影响,因此,Gilboa等[19]提出一种使用更全面图像信息的非局部全变分(NLTV)正则项,可以自适应的确定每个像素与相邻像素间的权重系数。窄谱图像
式中NLTV算法的搜索区间定义为
上述NLTV正则项求解时需要的参数通常与投影数据相关,算法的参数适应性不强。在L1范数是L0范数的最优凸近似的启发下,发现可以用加权的L1范数近似求解L0最小化问题,实现自适应确定参数[20]。将非零元素求和的L0范数表示为
已经证明可以使用加权的L1范数项来近似L0范数的每一项:
基于此Kim等[21]提出一种加权的NLTV正则项近似求解L0范数问题,RE_NLTV能谱CT重建算法表示为
式中
图 1. 三种变换作用在head模型。 (a) TV变换;(b) NLTV变换;(c) RE_NLTV 变换
Fig. 1. Three transformations apply to head model. (a) TV operator; (b) NLTV operator; (c) RE_NLTV operator
2.2 基于结构先验的加权NLTV能谱CT重建算法
虽然能谱CT中每个能量通道的重建图像不同,但通道间图像具有很高的相关性。而窄谱图像间的结构先验信息可以很好地抑制重建图像的噪声。因此,提供相同物体的高质量重建图,可以作为获取图像边缘的参照图(RI)来约束相关度高的通道内图像。利用不同能量通道间图像的结构一致性,通过计算宽谱图像RI与重建图像非局部梯度信息得到图像的边缘结构信息,与待重建图像的稀疏变换相组合设计正则项,共同约束待重建图像,这里的RI是预先存在的一幅全剂量投影重建图,或者将多能CT所有通道投影人工合成整段能谱的投影重建得到。
引入轮廓结构先验的加权NLTV正则项(RI_NLTV)设计为
使用加权NLTV变换约束图像幅值域来隐式获取图像的结构轮廓信息,约束待重建图像,并通过迭代减少图像梯度域中非零点的数目,来逐渐平滑重建图像上多余的噪声信息,实现窄谱图像降噪重建。
能谱图像重建问题表示为
式中
(11)式可以使用交替迭代方法求解,将保真项与正则项分裂累次求解,具体做法是先用同时代数重建技术( SART)迭代算法求解保真项得到更新图像,然后对更新后图像使用梯度下降法实现正则项最小化。
梯度下降法以负梯度方向作为搜索方向,其迭代公式为
首先对(10)式中含
式中
令
式中
综上得到(11)式中正则项的梯度为
式中(∇NLTV
RI_NLTV算法步骤如下。
1) 初始化各参数,初始图
2) 使用SART算法更新重建图像,得
3) 使用梯度下降法优化更新图像:
①初始化。
②执行。利用(15)式计算梯度的导数
4) 输出理想重建图像
3 实验仿真
为验证上述算法对能谱CT降噪的有效性,首先对下文设计的简单模型分别在单能高、低噪声和低能窄谱中进行仿真,然后在MOBY软件生成的小鼠模型中进行窄谱段仿真,得到算法对高噪声模型和较复杂模型的适用性。本文仿真采用的电压为120 kVp,能谱分布图由SpectrumGUI软件生成,如
3.1 简单模型中的仿真分析
实验模型设计如
表 1. 模型中不同材料对应的位置和大小
Table 1. Position and size of the corresponding material in the model
|
图 4. RI_NLTV算法中使用的参照图。(a) 3.1节使用;(b) 3.2节使用
Fig. 4. Reference images used in RI_NLTV algorithm. (a) For chapter 3.1; (b) for chapter 3.2
3.1.1 单能下的仿真分析
对上文模型进行单能仿真,采用的射线能量为60 keV,分别添加高、低水平高斯噪声,噪声投影信噪比(SNR)分别为24.1346和30.1771,对高、低噪声投影分别使用TV去噪算法、NLTV去噪算法、RE_NLTV去噪算法和RI_NLTV去噪算法进行重建来验证算法的性能。实验结果如
由
图 5. 不同算法在高低噪声水平下的重建结果。 (a) TV去噪重建图;(b) NLTV去噪重建图;(c) RE_NLTV去噪重建图;(d) RI_NLTV去噪重建图
Fig. 5. Reconstructions with different algorithms under high and low noise level. (a) TV algorithm; (b) NLTV algorithm; (c) RE_NLTV algorithm; (d) RI_NLTV algorithm
由
图 6. 单能低噪声水平下各算法的收敛情况
Fig. 6. Convergence of different algorithms under the low noise level
表 2. 不同算法在高低噪声水平下的重建结果的评价参数
Table 2. Evaluation parameters of reconstruction with different algorithms under high and low noise level
|
3.1.2 多能通道下的仿真分析
为验证算法在窄谱通道中的去噪效果,选定了上述模拟电压下的三个窄谱通道21~25 keV,34~37 keV和41~45 keV进行仿真实验,分别标记为下文的Bin1,Bin2,Bin3,均添加高斯噪声。Bin1中噪声投影信噪比为29.4338。Bin2中噪声投影信噪比为30.1994。Bin3中噪声投影信噪比为30.7118。可以看出,不同的能量通道中生成噪声水平不同,且能量越低噪声水平越大,符合实际情况。三个通道下分别使用TV去噪算法、NLTV去噪算法、RE_NLTV去噪算法和RI_NLTV去噪算法重建,结果如
图 7. 不同算法在三个能量通道中的重建结果。(a) TV去噪重建图;(b) NLTV去噪重建图;(c) RE_NLTV去噪重建图;(d) RI_NLTV去噪重建图
Fig. 7. Reconstructions with different algorithms underthree energy bins. (a) TV algorithm; (b) NLTV algorithm; (c) RE_NLTV algorithm; (d) RI_NLTV algorithm
由
表 3. 三个能量通道中的不同算法对应的评价参数
Table 3. Evaluation parameter of different algorithms under three energy bins
|
3.2 小鼠模型中的仿真分析
为验证算法对复杂模型的适用性,使用MOBY软件生成的小鼠模型进行能谱去噪仿真。仿真实验中采用的RI图像为
图 8. 不同算法在小鼠模型宽谱通道中的重建结果。(a) TV去噪重建图;(b) NLTV去噪重建图;(c) RE_NLTV去噪重建图;(d) RI_NLTV去噪重建图
Fig. 8. Reconstructions with different algorithms under high and low noise level in the mouse model. (a) TV algorithm; (b) NLTV algorithm; (c) RE_NLTV algorithm; (d) RI_NLTV algorithm
表 4. 不同算法在高低噪声水平下的重建结果的评价参数
Table 4. Evaluation parameters of reconstruction with different algorithms under high and low noise level
|
从
4 结论
主要研究了能谱CT通道内噪声投影的去噪重建算法,利用多能通道间图像的结构完全一致的特性,更新了传统NLTV正则项,提出基于图像边缘结构先验的RE_NLTV能谱CT重建算法,仿真实验表明,该算法对复杂模型和较高噪声模型的明显优势,平滑图像和保存细节优于原始算法。对于去噪后重建算法求解复杂运算速度较慢的问题,将在后续的工作中设计更加准确的权重和加速算法,得到收敛更快效果更佳的重建算法。
[3] Granton P V, Pollmann S I, Ford N L, et al. Implementation of dual- and triple-energy cone-beam micro-CT for postreconstruction material decomposition[J]. Medical Physics, 2008, 35(11): 5030-5042.
Granton P V, Pollmann S I, Ford N L, et al. Implementation of dual- and triple-energy cone-beam micro-CT for postreconstruction material decomposition[J]. Medical Physics, 2008, 35(11): 5030-5042.
[8] Zhao B, Ding HJ, Lu Y, et al. Dual-dictionary learning-based iterative image reconstruction for spectral computed tomography application[J]. Physics in Medicine and Biology, 2012, 57(24): 8217-8229.
Zhao B, Ding HJ, Lu Y, et al. Dual-dictionary learning-based iterative image reconstruction for spectral computed tomography application[J]. Physics in Medicine and Biology, 2012, 57(24): 8217-8229.
[9] ZhangY, YuH, MouX, et al. Dictionary learning and low rank based multi-energy CT reconstruction[C]. The Third International Conference on Image Formation in X-Ray Computed Tomography.2014: 79- 82.
ZhangY, YuH, MouX, et al. Dictionary learning and low rank based multi-energy CT reconstruction[C]. The Third International Conference on Image Formation in X-Ray Computed Tomography.2014: 79- 82.
[12] GaoH, YuH, OsherS, et al. Multi-energy CT based on a prior rank, intensity and sparsity model (PRISM)[C]. Inverse Problems, 2011, 27( 11): 115012.
GaoH, YuH, OsherS, et al. Multi-energy CT based on a prior rank, intensity and sparsity model (PRISM)[C]. Inverse Problems, 2011, 27( 11): 115012.
[13] Candès E J, Li X, Ma Y, et al. Robust principal component analysis[J]. Journal of the ACM (JACM), 2011, 58(3): 11.
Candès E J, Li X, Ma Y, et al. Robust principal component analysis[J]. Journal of the ACM (JACM), 2011, 58(3): 11.
[15] Rigie D S. La Rivière P J. Joint reconstruction of multi-channel, spectral CT data via constrained total nuclear variation minimization[J]. Physics in Medicine & Biology, 2015, 60(5): 1741.
Rigie D S. La Rivière P J. Joint reconstruction of multi-channel, spectral CT data via constrained total nuclear variation minimization[J]. Physics in Medicine & Biology, 2015, 60(5): 1741.
[17] Li Z, Leng S. An effective noise reduction method for multi-energy CT images that exploit spatio-spectral features[J]. Medical Physics, 2017, 44(5): 1610-1623.
Li Z, Leng S. An effective noise reduction method for multi-energy CT images that exploit spatio-spectral features[J]. Medical Physics, 2017, 44(5): 1610-1623.
[18] RudinL, OsherS. Total variation based image restoration with free local constraints[C]. IEEE International Conference, 1994, 1: 31- 35.
RudinL, OsherS. Total variation based image restoration with free local constraints[C]. IEEE International Conference, 1994, 1: 31- 35.
[21] Kim H, Chen J, Wang A, et al. Non-local total-variation (NLTV) minimization combined with reweighted L1-norm for compressed sensing CT reconstruction[J]. Physics in Medicine and Biology, 2016, 61(18): 6878-6891.
Kim H, Chen J, Wang A, et al. Non-local total-variation (NLTV) minimization combined with reweighted L1-norm for compressed sensing CT reconstruction[J]. Physics in Medicine and Biology, 2016, 61(18): 6878-6891.
[22] 张煜林, 孔慧华, 潘晋孝, 等. 基于Split-Bregman算法的能谱计算机层析图像重建[J]. 光学学报, 2017, 37(4): 0411003.
张煜林, 孔慧华, 潘晋孝, 等. 基于Split-Bregman算法的能谱计算机层析图像重建[J]. 光学学报, 2017, 37(4): 0411003.
[23] 伍伟文, 全超, 刘丰林. 相对平行直线扫描CT滤波反投影图像重建[J]. 光学学报, 2016, 36(9): 0911009.
伍伟文, 全超, 刘丰林. 相对平行直线扫描CT滤波反投影图像重建[J]. 光学学报, 2016, 36(9): 0911009.
Article Outline
张海娇, 孔慧华, 孙永刚. 基于结构先验的加权NLTV能谱CT重建算法[J]. 光学学报, 2018, 38(8): 0811003. Haijiao Zhang, Huihua Kong, Yonggang Sun. Weighted NLTV Reconstruction Algorithm Based on Structural Prior Information for Spectral CT[J]. Acta Optica Sinica, 2018, 38(8): 0811003.