能谱计算机断层成像(CT)可以利用多个不同能谱的衰减数据来获取窄能谱投影,窄能谱CT图像能够提高组分定量表征的准确性。鉴于此,基于未知的X射线能谱提出一种获取窄能谱投影的能谱CT盲分离算法。首先建立带有材料先验的X射线多能谱正演模型,其能够为窄能谱投影提供能量指向。其次依据测量数据的泊松统计特性,构建关于能谱拟合系数向量和厚度向量的约束优化问题,并采用块坐标下降算法对其进行求解。该算法在非负矩阵分解和高斯牛顿算法之间可以交替更新。仿真和实际实验结果表明,与已有算法相比,所提算法分解的CT图像具有更少的硬化伪影和噪声,各分解投影图像符合窄能谱投影的特征,能够提高获取窄能谱投影的准确性。

乳腺癌是全球女性死亡率最高的恶性肿瘤之一,早期发现有助于提升患者的存活率。本文利用深度学习中的目标检测网络对乳腺X线图像中的肿瘤病变区域进行定位和分类;然后选取Mask R-CNN网络作为目标检测模型,对Mask R-CNN的基准网络D-ShuffleNet进行改进,提出了一种新的网络——Mask R-CNN-II网络,并在Mask R-CNN-II网络中应用迁移学习算法。通过实验验证了Mask R-CNN-II网络比Mask R-CNN网络的检测精度更高,而且验证了所提基准网络、所使用的融合图像的思想以及迁移学习算法是有效的。Mask R-CNN-II有利于提高乳腺肿瘤的定位与分类,可为放射科医生提供辅助诊断意见,具有一定的临床应用价值。