一种基于OSEM-ANLM的稀疏视角CT图像重建算法及其性能评估

《Scientific Reports》：Enhanced sparse view CT reconstruction using ordered subset expectation maximization and asymptotic non-local means algorithms

　　

摘要

本研究提出了一种有序子集期望最大化—渐近非局部均值（OSEM-ANLM）算法，用于在有限数据条件下的稀疏视角计算机断层扫描（CT）重建，并评估了该算法在不同采集设置下的性能。算法评估使用了数字体模、患者胸部图像以及来自Rando体模的大脑/颅骨图像。采集几何保持为180°平行束扫描，同时将均匀分布的投影视角数从180减少到60、45和30，以模拟稀疏视角CT采集。将所提方法与传统的代数重建技术（ART）进行比较。定量评估采用了峰值信噪比（PSNR）、归一化均方根误差（NRMSE）和结构相似性指数（SSIM），并结合视觉检查和线形曲线分析。此外，开发了一个SwinUNet深度学习模型，用于与基于现代AI的方法进行比较。基于OSEM的重建（即未经后处理正则化的OSEM重建）在评估的稀疏视角条件下产生的图像质量优于ART，尤其是在视角数较低时。OSEM-NLM（OSEM重建后结合NLM正则化）和OSEM-ANLM（OSEM重建后结合ANLM正则化）均有效减少了由稀疏视角（不完整投影）采集引起的条纹伪影，而OSEM-ANLM在残余伪影抑制和细节保持方面表现更优。对于30和60视角的情况，PSNR分别从30.8710提升至33.1033和从38.8510提升至40.3210。SwinUNet模型在30视角下的PSNR和NRMSE值分别为31.6043和0.0262，表现仍逊于所提方法。OSEM优于ART，而ANLM在减少稀疏视角引起的条纹伪影的同时保持了重建图像中的结构细节。