一种鲁棒的基于低秩张量分解和总变分正则化的CBCT重建方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111899314A(43)申请公布日2020.11.06(21)申请号202010680560.1(22)申请日2020.07.15(71)申请人武汉大学地址430072湖北省武汉市武昌区珞珈山武汉大学(72)发明人田昕陈葳赵芳李波李松(74)专利代理机构武汉科皓知识产权代理事务所(特殊普通合伙)42222代理人王琪(51)Int.Cl.G06T11/00(2006.01)G06F17/16(2006.01)权利要求书2页说明书7页附图3页(54)发明名称一种鲁棒的基于低秩张量分解和总变分正则化的CBCT重建方法(57)摘要本发明提供一种鲁棒的基于低秩张量分解和总变分正则化的CBCT重建方法，包括：在CBCT重建中使用Huber损失函数作为数据保真项，使得重建在低辐射剂量条件下对于脉冲噪声具有鲁棒性；低秩张量特性被用作为先验项，这种特性有助于恢复由脉冲噪声引起的结构信息丢失；通过进一步集成3DTV先验项以减少高斯噪声的影响，从而提出CBCT重建模型；通过交替最小化方法解决优化问题，得到并输出重建图像。本发明方法可以在高斯噪声和脉冲噪声混合的状态下，不仅可以有效的一直噪声的影响，还能很好的保留边缘，重建高质量的三维图像。CN111899314ACN111899314A权利要求书1/2页1.一种鲁棒的基于低秩张量分解和总变分正则化的CBCT重建方法，其特征在于，包含以下步骤：步骤1，从一系列二维投影图像其向量形式表示为重建目标，r、s分别为图像Yi的横向分辨率和纵向分辨率，N为投影角的总数，在CBCT重建中，将重建目标表示为张量表示在CBCT重建过程的基础上将χ映射为yi的第i个角的投影函数，m、n、p是三阶张量χ在三个维度上的大小；通过构造优化模型对图像进行重建，所述优化模型包括数据保真项和先验约束项；步骤2，通过引入Huber损失函数作为数据保真项；步骤3，通过利用张量核范数来描述3D数据的高空间相关性和不同切片之间的强相关性，并加入3DTV正则化约束，共同构建先验约束项；步骤4，利用替代方向乘数法求解优化模型，即求解三阶张量χ，得到并输出重建图像。2.如权利要求1所述的一种鲁棒的基于低秩张量分解和总变分正则化的CBCT重建方法，其特征在于：步骤2中，Huber损失函数定义如下，其中，δ为预定义的常数，ω是Huber函数定义的变量；将Huber损失函数用作数据保真项，保真项定义为3.根据权利要求2所述的一种鲁棒的基于低秩张量分解和总变分正则化的CBCT重建方法，其特征在于：步骤3的具体实现包括了以下子步骤：步骤3.1，CBCT图像被视为三阶张量χ，以充分探索潜在的3D结构信息，该张量的第n个维称为n-mode，n∈[1，3]，χ(n)表示沿第n个维的χ展开；使用低秩张量属性作为一种先验约束项：其中，，rank(χ)表示χ的秩，αn满足αn＞0，||χ(n)||*为χ(n)的核范数；步骤3.2，为有效去除高斯噪声，加入作用于三阶张量的3DTV正则化作为另一个先验约束项，表示为：||χ||TV＝βh||Dhχ||+βv||Dvχ||+βo||Doχ||其中，βh、βv、βo表示沿着三个方向的权重系数，||χ||TV是指χ的3D全变分正则化约束，即3DTV范数，||||是指范数的表示；i，j，k是指三个方向上的坐标，由此，得到约束先验项：2CN111899314A权利要求书2/2页K(χ)：＝λrf(rank(χ))+λT||χ||TV其中，λr和λT为两个先验约束项的权重系数。4.根据权利要求3所述的一种鲁棒的基于低秩张量分解和总变分正则化的CBCT重建方法，其特征在于：步骤4的具体实现包括了以下子步骤：步骤4.1，结合上述约束，构建待求解的优化模型：步骤4.2，使用交替最小化方法来处理上述优化问题，通过引入辅助变量和将原始优化问题分为以下子问题：其中，ρ1、ρ2分别表示不同项的权重系数，为引入的拉格朗日算子，k是迭代次数；对于χ子问题，使用快递迭代收缩阈值法得出，其结果等于其中其中，T表示转置，sign表示符号函数，L是Lipschitz常数；对于子问题，使用基于高阶奇异值分解的算法解决；对于子问题，利用快递迭代收缩阈值法解决；对于和更新方式为：3CN111899314A说明书1/7页一种鲁棒的基于低秩张量分解和总变分正则化的CBCT重建方法技术领域[0001]本发明属于图像重建技术领域，主要涉及混合高斯脉冲噪声下的CBCT重建方法，广泛适用于众多临床应用中。背景技术[0002]锥束计算机断层成像(ConeBeamComputedTomographyct，CBCT)技术是一种新型的计算机断层成像(CT)技术，其以二维探测器为中心的一种锥形X射线束为基