如何优化 CT 成像流程,以减少患者受到的 X 射线照射并保证图像质量,对于提高诊断精准度和患者安全至关重要。本项目旨在开发一种高效的算法,能够在极稀疏投影情况下重建出高质量的CT图像,满足临床诊断的需求。该研究不仅有望降低患者的癌症风险,还能提高医疗影像的诊断效率和准确性。
CSUF重建系统显著减少了迭代算法的超参数依赖。并且在仅使用 20 个投影的条件下,重建的 CT 图像的峰值信噪比(PSNR)和结构相似性指数(SSIM)出色可达 26 dB 和 0.85。实验结果表明,重建图像具有较好的视觉质量,能够满足临床诊断的需求。
1.C++ 开发实现基于压缩感知(CS)的迭代重建算法(VdCS),针对极稀疏投影数据,VdCS算法能够得到业内较好的重建效果。
2.C++ 实现的距离驱动正投影算法(DDFP)模拟真实 CT 扫描过程,基于 LIDC-IDRI 数据库制作 CT Sinogram-Image 数据集。
3.PyTorch 框架下构建并训练Pix2Pix网络,生成器使用 U-Net 架构并引入自注意力机制,恢复图像细节结构。
4.设计 LSGAN、SSIM 和 L1 组合损失优化 GAN 训练和提高图像质量,调整权重以达到最佳重建效果。
5.将VdCS算法和生成器结合,构建整体的重建框架即CSUF系统,输入为极稀疏投影数据,输出为重建图像。