项目名称: 基于压缩感知的新型碳纳米球管显微CT重建算法研究

项目编号: No.61201117

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 电子学与信息系统

项目作者: 郑健

作者单位: 中国科学院苏州生物医学工程技术研究所

项目金额: 25万元

中文摘要: 近年来,采用碳纳米管作为阴极射线源的新型X射线球管(碳纳米球管)因其具有微型化和快点火等优点正受到越来越多的关注。但目前碳纳米球管CT存在因功率低导致投影数据噪声较大等不足,此外随着美国食品与药品管理局(FDA)对CT扫描辐射剂量安全性要求的不断提高,采用传统的滤波反投影算法及迭代算法对碳纳米球管CT进行重建的效果都不理想。基于此,本项目拟进行基于压缩感知的新型碳纳米球管显微CT(Micro-CT)系统的重建算法研究,主要对系统成像模型、投影数据的噪声特性、基于压缩感知的成像目标优化函数及优化算法等进行深入研究,探索出效果较好的高时间分辨率、高空间分辨率及低剂量的碳纳米球管显微CT重建算法,缩小与国外研究者在这一领域的差距并力争在算法理论上能有所突破,为下一代临床诊断CT的研制提供重要的研究基础。

中文关键词: 压缩感知;迭代重建;金属伪影校正;字典学习;

英文摘要: In recent years, a novel X-ray tube which uses the carbon nanotubes (CNT) as the cathode-ray source has attracted more and more attention. The CNT X-ray tube has great advantages of miniaturization and instant electron emission. Currently, the CNT X-ray tube CT still has some disadvantages such as greater noise in projection data since the low tube current as well as the scatter effect. Moreover, considered that the U.S. Food and Drug Administration (FDA) are continuously improving the safety standards of radiation dose for the CT scan, conventional filtered back projection (FBP) based reconstruction algorithms and iterative reconstruction algorithms are not effective for the CNT X-ray tube CT. To address these problems, we intend to peform a deep research about the reconstruction algorithm based on compressed sensing (CS) theory for a novel Micro-CT system using CNT X-ray tube. We will mainly focuse on the system imaging model, the noise characteristics of the projection data, reconsturction objective function based on CS theory as well as fast and accurate optimization strategies. The aim of this study is to explore an effective reconstruction algorithm for CNT X-ray tube Micro-CT, which will be capable of performing a CT scan with high temporal resolution, high spatial resolution and low radiation dose. Als

英文关键词: compressed sensing;iterative reconstruction;metal artifact reduction;dictionary learning;

成为VIP会员查看完整内容
0

相关内容

压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目。 compressive sensing(CS) 又称 compressived sensing ,compressived sample,大意是在采集信号的时候(模拟到数字),同时完成对信号压缩之意。 与稀疏表示不同,压缩感知关注的是如何利用信号本身所具有的稀疏性,从部分观测样本中恢复原信号。
基于深度学习的视频超分辨率重构进展综述
专知会员服务
17+阅读 · 2022年3月7日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
20+阅读 · 2021年5月1日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
31+阅读 · 2021年2月17日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
77+阅读 · 2020年12月6日
基于深度学习的图像目标检测算法综述
专知
2+阅读 · 2022年4月16日
CT影像肺结节分割研究进展
专知
4+阅读 · 2021年4月23日
最全综述:基于深度学习的三维重建算法
极市平台
12+阅读 · 2020年3月17日
深度学习之图像超分辨重建技术
机器学习研究会
12+阅读 · 2018年3月24日
一文概览基于深度学习的超分辨率重建架构
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
1+阅读 · 2022年4月19日
RIS-Assisted Cooperative NOMA with SWIPT
Arxiv
0+阅读 · 2022年4月18日
Arxiv
15+阅读 · 2018年2月4日
小贴士
相关VIP内容
基于深度学习的视频超分辨率重构进展综述
专知会员服务
17+阅读 · 2022年3月7日
专知会员服务
27+阅读 · 2021年9月6日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
28+阅读 · 2021年6月4日
专知会员服务
20+阅读 · 2021年5月1日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
31+阅读 · 2021年2月17日
专知会员服务
33+阅读 · 2021年2月7日
专知会员服务
77+阅读 · 2020年12月6日
相关基金
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员