一种改善非理想条件下 CT 重建的全局约束

背景与目的：医学成像应用的强烈需求推动了 CT 重建问题的普及。研究人员提出了多种约束来处理 CT 重建中的非理想因素，如稀疏视角、有限角度和低剂量条件。这些约束中的大多数，如全变分，是关注像素与其邻居关系的局部约束。在本文中，我们提出了一种利用 CT 图像全局先验的新约束，以大幅减少条纹伪影并进一步提高重建精度。方法：人体的 CT 图像包含有限数量的不同组织类型，因此 CT 图像中的像素可以根据其对应类型分为若干组。在我们的工作中，我们关注单个像素的组成分类，并将其用作全局先验，这与大多数当前约束所使用的先验不同。我们提出在重建过程中根据像素的灰度级对其进行分割，并强制同一组中的像素具有相似的灰度级。结果：我们在 Shepp-Logan 体模和来自不同基准的两个真实 CT 图像上的实验表明，所提出的约束可以帮助传统的局部约束在稀疏视角、有限角度和低剂量条件下进一步改善重建结果。结论：与大多数关注局部先验的当前约束不同，我们提出的约束仅利用 CT 图像的全局先验。在这种情况下，我们提出的约束可以与大多数局部约束协同工作，并显著提高重建质量。此外，所提出的约束还具有进一步改进的潜力，因为像素化分类可以通过一些更精细的方法来完成，例如与神经网络相关的语义分割算法。