基于最大似然和罰似然估計的CT統(tǒng)計重建算法研究.pdf

1、當CT系統(tǒng)在數(shù)據(jù)采集過程中受到嚴重的噪聲干擾，或者投影數(shù)據(jù)采集不完全時，用解析重建算法重建出的圖像有偽跡。而統(tǒng)計重建算法具有物理模型準確、對噪聲不敏感、易于加入約束條件等優(yōu)點，其重建的圖像質(zhì)量要優(yōu)于傳統(tǒng)的FBP方法。針對CT統(tǒng)計重建，本文主要研究了以下內(nèi)容：
　　研究了基于最大似然估計的統(tǒng)計重建算法：期望最大值法(Maximum Likelihood Expectation Maximization，ML-EM)，可分離拋物面型替

2、代(Separable Paraboloidal Surrogate，ML-SPS)算法和這兩種算法的有序子集形式（OS-ML-EM和OS-ML-SPS）。仿真實驗結(jié)果表明ML-SPS的初始收斂速度比ML-EM快，但該兩種算法的收斂速度遠慢于其對應的有序子集形式。用OS-ML-EM算法和OS-ML-SPS算法對CT采集的實際投影數(shù)據(jù)進行重建，得到了較好的重建結(jié)果。
　　研究了基于罰似然(Penalized Likelihood，P

3、L)的統(tǒng)計重建算法:OSL(One Step Late)-EM算法和PL-SPS算法。重點討論了基于Gibbs分布的罰函數(shù)，從理論上分析了勢函數(shù)需要滿足的條件以及勢函數(shù)的選取對圖像的影響，著重分析了二次勢函數(shù)和Huber勢函數(shù)的優(yōu)缺點，通過仿真實驗對它們的重建結(jié)果進行誤差分析。
　　提出了罰似然重建中正則項參數(shù)的自適應選取的方法，該方法充分利用每一次迭代的重建結(jié)果信息，不斷對正則項參數(shù)進行更新。并用于仿真實驗和重建CT實際投影數(shù)據(jù)