基于图像总变分和张量字典的多能谱CT材料识别研究 下载: 922次
1 引言
X射线计算机断层成像技术(CT)作为一个无损检测手段,已广泛应用于医学诊断、工业探伤和安全检测等领域。多能谱CT(或彩色CT)在材料分解、组织识别和损伤探测中具有独特的优势[1]。双能CT作为一种最简单的多能谱CT,已应用于材料分解、腹部血管造影检测和肺动脉肉瘤与肺栓塞检查等领域。然而,双能CT只提供两种不同的能谱信息,能区分的材料密度或种类十分有限。
与双能CT不同,多能谱CT使用光子计数探测器,在一次扫描中可以收集多个能量段的能谱信息,在低剂量CT成像、造影剂成像、K-edge成像以及材质识别等方面中具有潜在用途[2]。然而,光子计数探测器在探测X射线光子时,受康普顿散射、电荷共享、脉冲堆积效应以及光子噪声等影响,导致CT重建图像的信噪比和材料分解的精度降低。因此,如何提高重建图像质量、获得准确的材质识别结果,是目前多能谱CT应用面临的主要问题。
为了获得高质量的多能谱CT重建图像,Elbakri等[3]提出了一种针对多能模型的似然估计函数和,并设计了有序子集迭代方法来估计每个体素的未知材料。Xu等[4]认为每一个能量通道投影数据是独立的,并将全变分应用到多能谱CT重建。考虑到各个能量通道的信息并增强图像边缘,Semerci等[5]则将张量核范数(TNN),用于多能谱CT重建。值得注意的是能量通道之间存在高度的关联性,因此可将张量字典学习引入多能谱CT重建。
在提高材料分解精度方面,Robert证明通过计算两个能量段的信息,可以得到完整的CT系统能量依赖性数据。王丽新等[6]提出基于基材料模型的多材料分解算法,一定程度上解决了临床中材料分解结果存在的人体组织区分度低的问题。张玉龙等[7]在2014年利用基材料的选择判据“临近原则”,提出四种基材料分解法,并通过模拟实验验证该方法的有效性。
针对多能谱CT成像存在的噪声大、材料分解区分度低等问题,本文从图像重建入手,提出一种基于图像总变分(TV)和张量字典学习(TDL)的多能谱CT图像重建算法,并基于交替方向最小化算法进行求解,最后将该算法应用于基材料分解研究。该算法将TV与TDL相结合,在一定程度上克服传统TDL易受能谱数据强噪声影响、训练过程中可能损失细微结构和图像边缘的缺点,且利用不同通道能谱数据之间的相关性,放松了图像自身的稀疏性要求,从而获得良好的图像重建与材质识别结果。
2 理论模型
2.1 多能谱CT图像TV和TDL重建算法
张量是一种多维数组,
式中
多能谱CT的张量字典学习数学模型可以表示为
式中
(3)式表明图像梯度的
(4)式可以被分解为如下3个子问题:
(5)式所示第一个目标函数包含了图像梯度的
式中
式中
子问题(10)式属于
子问题(11)式仅包含图像梯度的
其次,(14)式是一个二次凸优化规划问题,在此采用导数下降方法直接求(14)式。引进
则
其中梯度图像任一像素值(
最后,(14)式的解由(17)式得出:
为进一步消除投影矩阵
式中
2.2 材料分解与识别
双效应分解和基材料分解法是多能谱CT材料分解过程中常用的物质线性衰减分解模型,前处理和后处理是多能谱CT的两种重建方法。前处理方法是根据投影函数进行分解,计算有效原子序数和电子密度后再进行重建;后处理方法则是先重建等效线性衰减系数再分解材料。考虑到前述重建算法的优越性,本文采用基材料分解模型与后处理重建相结合的方法进行多能谱CT材料分解与识别研究。X射线对物质的整体线性衰减系数
式中
式中
3 实验
实验研究分为图像重建、材料分解和算法收敛性。为了评估TV+TDL重建方法,将其与滤波反投影(FBP)[12]、TV[13]、TV+低秩正则化(LR)[14]以及TDL算法[15]进行比较,所有代码通过Matlab语言实现。采用老鼠胸腔模体作为待测物体,并使用均方根误差(RMSE)、结构相似性(SSIM)和特征相似性(FSIM)等3个指标定量评估不同算法的重建效果。为了更进一步探索TV+TDL算法在材料分解方面的优势,给出了利用本文算法重建图像得到的材料分解结果,并计算了分解得到的基材料的平均值和相应平均偏差,最后通过测试算法收敛性,证明该算法在收敛性方面的优势。
3.1 图像重建
实验中,TDL算法和TV+TDL方法中全局张量字典通过训练全投影数据下利用FBP重建的图像获得。全局字典训练中,字典原子个数
射线源到光子计数器 (PCD)与旋转中心的距离分别为180 mm与132 mm。PCD有512个单元,每个单元长度为0.1 mm。实验中,使用50 kVp的X射线源,能谱分为8个不同的能量通道,分别为[16,22)、 [22,25)、 [25,28)、[28,31)、[31,34)、[34,37)、 [37,41)和 [41,50) keV。每一条射线束的光子数为5×103,并按照光子数的泊松分布对投影数据增加泊松随机噪声,泊松噪声的期望为无噪声的光子数,以便在实验中观察噪声抑制的效果。投影分度为160个角度,重建图像大小为256×256×8,每个像素大小为0.15 mm×0.15 mm。
为验证TV+TDL算法在能谱重建中的优势,首先假设投影分度为160,相应的重建参数为
图 1. 添加碘对比剂的老鼠胸腔模体(第一通道)
Fig. 1. Mouse thorax phantom after addition of iodine contrast agent (first channel)
好地恢复了细小结构信息。为了定量地评估不同算法在稀疏角重建中的表现,
图 2. 老鼠胸腔模体在不同重建算法和不同能量通道的图像重建结果
Fig. 2. Image reconstruction results of mouse thorax phantom by different algorithms in different energy channels
图 3. 老鼠胸腔模体图像重建定量评价。(a)均方根误差;(b)结构相似性;(c)特征相似性
Fig. 3. Quantitative evaluation of image reconstruction results of mouse thorax phantom. (a) RMSE; (b) SSIM; (c) FSIM
3.2 材料分解与识别
实验采用基材料分解模型对重建后的图像进行材料分解与识别。在8个能量段下扫描物体,如(16)~(17)式,得到物体不同能量通道的衰减值。进一步,选取各个不同通道下不同基材均匀区域估算材料分解矩阵。最后,通过线性最小二乘求解材料分解系数。
重建图像由4种不同的迭代算法获得,基材料分为软组织、骨骼和碘。
图 4. 碘对比剂、软组织、骨骼的线性衰减系数平均值和相应平均偏差图。(a)(d)碘对比剂;(b)(e)软组织;(c)(f)骨骼
Fig. 4. Mean values and corresponding relative biases of linear attenuation coefficient for iodine contrast agent, soft issue and bone. (a)(d) Iodine contrast agent; (b)(e) soft issue; (c)(f) bone
结果表明,材料分解的平均偏差皆控制在15%以内,其中软组织的分解结果最为准确;采用TV+TDL算法重建图像进行分解后的基材料平均值与参考平均值最接近,区分不同材料的效果较为理想。
图 5. 采用不同算法重建结果的材料分解。(a)骨骼;(b)软组织;(c)碘对比剂;(d)融合后的彩色图像
Fig. 5. Material decomposition of reconstruction results obtained by different algorithms. (a) Bone; (b) soft issue; (c) iodine contrast agent; (d) color images after blending
3.3 算法收敛性
为了研究TV+TDL算法的收敛性,分析了各个算法的平均RMSE随迭代次数增加的变化曲线,如
4 结论
为了提高多能谱CT图像重建质量和材料分解与识别精度,提出了一种优化图像重建和材料分解的TV+TDL算法。TV+TDL算法的优点在于将图像梯度TV与传统TDL结合起来,在继承TDL优势的同时保护图像边缘和细小信息、增强抗噪性能,并拥有较好的收敛性。因此,TV+TDL算法可以恢复重建图像细小结构并减少硬化伪影,抑制材料分解图像的噪声并增加不同材料的区分度,可以得到更准确的材料分解结果,这对于多能谱CT材料识别具有重要的实用意义。实验中分析了不同算法的重建结果和3种基材料分解的特点。老鼠胸腔模体仿真实验证明TV+TDL算法比TV、TV+LR和TDL算法在图像重建中更有优势,在材料分解与识别中可得到更理想的结果。
[6] 王丽新. 双能CT基物质分解算法应用研究[D]. 济南: 山东大学, 2016: 18- 24.
Wang LX. Application research on basis material decomposition algorithm of dual-energy CT[D]. Jinan: Shandong University, 2016: 18- 24.
[7] 张玉龙, 李亮, 陈怀璧. 高能X射线基材料分解法基材料选择方法[J]. 强激光与粒子束, 2014, 26(2): 270-274.
[9] 练秋生, 李颖, 陈书贞. 融合多种小波与全变差正则化的相位恢复算法[J]. 光学学报, 2018, 38(2): 0220001.
[10] 张辉钦, 郭仁慧, 蒋超, 等. 改进的基于全变分最小去噪的路径无关相位解包算法[J]. 激光与光电子学进展, 2016, 53(12): 121202.
[11] 李保磊, 张萍宇, 李斌, 等. X射线双能计算机层析成像投影分解的优化迭代方法[J]. 光学学报, 2017, 37(10): 1034001.
[12] 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.
[16] Wang G, Jiang M. Ordered-subset simultaneous algebraic reconstruction techniques (OS-SART)[J]. Journal of X-Ray Science and Technology, 2004, 12(3): 169-177.
陈佩君, 冯鹏, 伍伟文, 吴晓川, 傅翔, 魏彪, 何鹏. 基于图像总变分和张量字典的多能谱CT材料识别研究[J]. 光学学报, 2018, 38(11): 1111002. Peijun Chen, Peng Feng, Weiwen Wu, Xiaochuan Wu, Xiang Fu, Biao Wei, Peng He. Material Discrimination by Multi-Spectral CT Based on Image Total Variation and Tensor Dictionary[J]. Acta Optica Sinica, 2018, 38(11): 1111002.