本申请属于计算机断层成像技术领域，特别是涉及一种图像重建方法及应用。
背景技术：
计算机x线断层扫描(简称x-ct或ct)，是利用x射线对人体进行断层扫描后，由探测器收得的模拟信号r再变成数字信号，经电子计算机计算出每一个像素的衰减系数，再重建图像，而能显示出人体各部位的断层结构的装置。图像融合(imagefusion)是指将多源信道所采集到的关于同一目标的图像数据经过图像处理和计算机技术等，最大限度的提取各自信道中的有利信息，最后综合成高质量的图像，以提高图像信息的利用率、改善计算机解译精度和可靠性、提升原始图像的空间分辨率和光谱分辨率，利于监测。待融合图像已配准好且像素位宽一致。
计算机断层扫描(ct)中的辐射风险和与之相关的癌症风险一直是临床关注的主要问题。通过降低毫安秒的扫描方案，减少人体每旋转一圈的投影数，可以实现低剂量ct成像。
然而，在传统的滤波反投影重建图像中，这种方法可能会导致过多的噪声和条纹伪影,从而进一步导致的诊断和定量错误。
技术实现要素：
1.要解决的技术问题
基于在传统的滤波反投影重建图像中，这种方法可能会导致过多的噪声和条纹伪影,从而进一步导致的诊断和定量错误的问题，本申请提供了一种图像重建方法及应用。
2.技术方案
为了达到上述的目的，本申请提供了一种图像重建方法，所述方法包括如下步骤：步骤1：对经过校正的投影数据进行重建；得到重建数据；步骤2：对所述重建数据进行正则化，得到正则化图像；步骤3：对所述正则化图像进行重构，得到重构图像；步骤4：将所述重构图像作为先验信息，在所述重构图像的引导下进行引导核滤波(guidedkernelfilter)，得到恢复图像。
本申请提供的另一种实施方式为：所述步骤1中对经过校正的投影数据进行惩罚加权最小二乘算法重建得到要估计的理想投影向量。
本申请提供的另一种实施方式为：所述步骤1使用基于惩罚加权最小二乘算法的正弦图恢复方法来恢复使用低毫安秒和稀疏视图协议相结合的正弦图数据。
本申请提供的另一种实施方式为：所述步骤2使用基于惩罚加权最小二乘的全变差方法将恢复的正弦图数据用于重建图像，再对惩罚加权最小二乘的全变差方法的非二次惩罚函数进行邻域补丁代替单个像素的正则化。
本申请提供的另一种实施方式为：所述步骤3使用正则化算法对所述正则化图像进行重构。
本申请提供的另一种实施方式为：所述步骤4构造稀疏矩阵，对所述矩阵进行归一化，得到归一化的核矩阵；然后在重构图像的引导下进行引导核滤波，得到恢复图像。
本申请提供的另一种实施方式为：所述矩阵采用k近邻算法构造。
本申请提供的另一种实施方式为：在计算所述惩罚加权最小二乘的全变差方法中相邻像素之间的图像粗糙度时，使用一个与每个像素相关的补丁。
本申请提供的另一种实施方式为：所述补丁的粗糙度函数表示为：
其中，u(μ)是基于补丁的粗糙度函数，fj(μ),fk(μ)分别是由像素j和像素k处的补丁中心的所有像素的强度值组成的特征向量，h是一个正加权因子，等于像素j和像素k之间的归一化反向空间距离，ψ(||fj(μ)-fk(μ)||h)是非二次惩罚函数。
本申请还提供一种图像重建方法的应用，将所述的图像重建方法应用于图像降噪去伪影或者图像融合。
3.有益效果
与现有技术相比，本申请提供的一种图像重建方法的有益效果在于：
本申请提供的图像重建方法，为稀疏视角和图像融合的图像重建方法。
本申请提供的图像重建方法，解决低毫安秒或稀疏重建图像质量提升。
本申请提供的图像重建方法，迭代图像重建是在低剂量扫描下获得高质量图像的一种很有前途的选择。因此，研究和开发新的低剂量ct重建方法，既能保证ct成像质量又减少有害的辐射剂量，对于医疗诊断领域具有重要的科学意义和应用前景。
本申请提供的图像重建方法，最终得到的恢复图像不仅抑制了噪声，而且保留了图像细节。
本申请提供的图像重建方法，包括ct图像的完整重建和恢复。
本申请提供的图像重建方法，pwls-tv的重建图像具有良好的结构信息。
本申请提供的图像重建方法，基于补丁的非二次惩罚函数正则化的图像更新。该方法利用空间正则化来惩罚相邻像素之间的图像强度差异，从而提高图像质量。非二次罚函数可以保持边缘。
附图说明
图1是本申请的图像重建方法总体框架示意图；
图2是本申请的图像重建结果示意图。
具体实施方式
首先本研究模拟了不同视图数的低剂量ct图像(射线强度i0＝1*10^5)。对于低mas投影数据的模拟研究，在基于模型的直接投影运算中计算无噪声线积分yi后，根据预对数投影数据的统计模型生成每个i处的噪声测量
式中,i0为入射x射线强度，yi为正弦图数据，
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
现有的方法由于ct扫描过程中剂量很大，造成辐射暴露的对人体有潜在危害；由于采集的数据量较大，导致图像重建速度慢；(3)由于扫描时间长，导致出现病人运动所引起的伪影。
正则化(regularization)，是指在线性代数理论中，不适定问题通常是由一组线性代数方程定义的，而且这组方程组通常来源于有着很大的条件数的不适定反问题。大条件数意味着舍入误差或其它误差会严重地影响问题的结果。
参见图1～2，本申请提供一种图像重建方法，所述方法包括如下步骤：
步骤1：对经过校正的投影数据进行重建；得到重建数据；步骤2：对所述重建数据进行正则化，得到正则化图像；步骤3：对所述正则化图像进行重构，得到重构图像；步骤4：将所述重构图像作为先验信息，在所述重构图像的引导下进行引导核滤波(guidedkernelfilter)，得到恢复图像。
进一步地，所述步骤1中对经过校正的投影数据进行惩罚加权最小二乘(pwls)算法重建得到要估计的理想投影向量。
进一步地，所述步骤1使用基于惩罚加权最小二乘算法的正弦图恢复方法来恢复使用低毫安秒和稀疏视图协议相结合的正弦图数据。
对经过校正的投影数据进行如下pwls算法重建得到p。进行pwls-tv重建得到μ，虽然这个重建步骤的结果包含了相当大的噪声，但是它也包含了ct图像的大部分结构信息。
①pwls方法从正弦图y更新图像
②pwls-tv方法图像从p更新
y表示得到的正弦图数据(系统校准和对数变换后的投影)，即:y＝(y1,y2,...,ym)t；p表示要估计的理想投影向量；β是一个用来平衡保真度的超参数；其中h表示投影矩阵系统；n是图像中像素的总数；r(p)是图像粗糙度的惩罚。传统的图像粗糙度测量是基于相邻像素之间的亮度差。
进一步地，所述步骤2使用基于惩罚加权最小二乘的全变差(pwls-tv)方法将恢复的正弦图数据用于重建图像，再对惩罚加权最小二乘的全变差方法的非二次惩罚函数进行邻域补丁代替单个像素的正则化(pwls-pr)。
对经过pwls-tv的重建数据的非二次惩罚函数进行基于补丁的正则化。
ωjk(μn)的计算公式如下
其中，
进一步地，所述步骤3使用正则化算法对所述正则化图像进行重构。
进一步地，所述步骤4构造稀疏矩阵，对所述矩阵进行归一化，得到归一化的核矩阵；然后在重构图像的引导下进行引导核滤波，得到恢复图像。虽然能平滑处理能够有效地去除噪声，但也会丢失一些细节，造成重建图像中细节的丢失。因此，采用引导核滤波方法来恢复丢失的结构信息，使得去噪后的图像很好地保留了图像细节，结构更加清晰。
进一步地，所述矩阵采用k近邻算法构造。
进一步地，在计算所述惩罚加权最小二乘的全变差方法中相邻像素之间的图像粗糙度时，使用一个与每个像素相关的补丁。
采用在机器学习中广泛应用的k近邻算法来构造稀疏矩阵。knn方为每个像素找到k个相似的近邻，并对矩阵进行归一化，得到归一化的核矩阵k。然后在重构图像μtv的引导下进行gk滤波(引导核滤波)，得到最终图像x
x＝k·μtv
其中，k是核矩阵，μtv是pwls-tv方法图像从p更新
进一步地，所述补丁的粗糙度函数表示为：
其中，u(μ)是基于补丁的粗糙度函数，fj(μ),fk(μ)分别是由像素j和像素k处的补丁中心的所有像素的强度值组成的特征向量，h是一个正加权因子，等于像素j和像素k之间的归一化反向空间距离，ψ(||fj(μ)-fk(μ)||h)是非二次惩罚函数。
本申请还提供一种图像重建方法的应用，将所述的图像重建方法应用于图像降噪去伪影或者图像融合。
使用基于pwls(惩罚加权最小二乘)的正弦图恢复方法来恢复使用低毫安秒和稀疏视图协议相结合的正弦图数据。然后，将恢复的正弦图数据使用基于(惩罚加权最小二乘的全变差)pwls-tv方法来重建图像。pwls正弦图恢复作为预处理步骤，对于采用低mas和稀疏视图相结合的图像重建是有效的。
基于补丁的迭代图像重建正则化方法，该方法计算其非二次惩罚函数时使用邻域补丁代替单个像素。与传统的基于像素的正则化方法相比，该正则化方法在区分由噪声引起的随机波动和尖锐边缘方面具有更强的鲁棒性。
图2为不同算法重建的xcatphantom；从图2可以看出，本申请的方法能够很好地降噪和去伪影以及保留图像的细节结构，可以有效提高图像的峰值信噪比和结构相似度，同时，可以在一定程度上恢复图像细节信息。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
1.一种图像重建方法，其特征在于：所述方法包括如下步骤：
步骤1：对经过校正的投影数据进行重建；得到重建数据；
步骤2：对所述重建数据进行正则化，得到正则化图像；
步骤3：对所述正则化图像进行重构，得到重构图像；
步骤4：将所述重构图像作为先验信息，在所述重构图像的引导下进行引导核滤波，得到恢复图像。
2.如权利要求1所述的图像重建方法，其特征在于：所述步骤1中对经过校正的投影数据进行惩罚加权最小二乘算法重建得到要估计的理想投影向量。
3.如权利要求2所述的图像重建方法，其特征在于：所述步骤1使用基于惩罚加权最小二乘算法的正弦图恢复方法来恢复使用低毫安秒和稀疏视图协议相结合的正弦图数据。
4.如权利要求1所述的图像重建方法，其特征在于：所述步骤2使用基于惩罚加权最小二乘的全变差方法将恢复的正弦图数据用于重建图像，再对惩罚加权最小二乘的全变差方法的非二次惩罚函数进行邻域补丁代替单个像素的正则化。
5.如权利要求1所述的图像重建方法，其特征在于：所述步骤3使用正则化算法对所述正则化图像进行重构。
6.如权利要求1所述的图像重建方法，其特征在于：所述步骤4构造稀疏矩阵，对所述矩阵进行归一化，得到归一化的核矩阵；然后在重构图像的引导下进行引导核滤波，得到恢复图像。
7.如权利要求6所述的图像重建方法，其特征在于：所述矩阵采用k近邻算法构造。
8.如权利要求4所述的图像重建方法，其特征在于：在计算所述惩罚加权最小二乘的全变差方法中相邻像素之间的图像粗糙度时，使用一个与每个像素相关的补丁。
9.如权利要求8所述的图像重建方法，其特征在于：所述补丁的粗糙度函数表示为：
其中，u(μ)是基于补丁的粗糙度函数，fj(μ),fk(μ)分别是由像素j和像素k处的补丁中心的所有像素的强度值组成的特征向量，h是一个正加权因子，等于像素j和像素k之间的归一化反向空间距离，ψ(||fj(μ)-fk(μ)||h)是非二次惩罚函数。
10.一种图像重建方法的应用，其特征在于：将权利要求1～9中任一项所述的图像重建方法应用于图像降噪去伪影或者图像融合。
技术总结