《CT原理与算法》庄天戈 -学习笔记 之 一

目录

第一章 绪论
第二章 从投影重建图像算法I ：反投影重建算法（累加法）
第三章 从投影重建图像算法lI ：滤波反投影重建算法
第四章 扇束投影重建
第五章 从投影重建图像算法Ⅲ：迭代重建算法

---

---

一、若干基本概念

1.投影

  投影是一种变换。它是将一个N维函数通过对该函数沿某一特定方向的积分而变换成一个(N-1) 维函数。例如，二维函数$f(x_1,x_2)$沿$x_2$轴规定的方向积分得一维函数：
$$p_{x_2}\left(x_1\right)={\int }_{-\infty }^{\infty }f\left(x_1,x_2\right)\mathrm{d}{x}_2$$
  一般情况下，积分不一定沿该坐标系中变量所代表的方向进行，而是沿另一方向，它与坐标系某变措方向成一交角。（此时与投影轴和坐标轴间夹角θ有关）

2.CT数

  经CT 重建的图像应是衰减系数μ的分布。但人体内部大部分软组织的μ都与水的μ很接近。水的μ为$0.19{\mathrm{cm}}^{-1}$,脂肪的$\mu$约为$0.18{\mathrm{cm}}^{-1}$, 两者仅差$0.01{\mathrm{cm}}^{-1}$,其差值约为水的$\mu$值的5% 。若直接以这些$\mu$值成像，则软组织间的差异很难用它们来明显区别。为了显署地反映组织间的差异，引入CT 数。它的定义为：
$$\mathrm{CT}\text{ 数 }=\frac{{\mu }_{\mathrm{t}}-{\mu }_{\mathrm{w}}}{{\mu }_{\mathrm{w}}}\times 1000$$

  式中${\mu }_t$、${\mu }_w$分别为组织及水的线性衰减系数。CT 数又称Hounsfield 数，简称H 。显然可见，水的 H 为零。H > 0 ，表示${\mu }_t$ ＞ ${\mu }_w$；H < 0 表示${\mu }_t$ < ${\mu }_w$。骨的 $\mu$ 约为 2${\mu }_w$, 故对骨有H= + 1000 。空气的 $\mu$ 近乎零，所以对空气有H = -1000 。不同组织的H如图1.12 所示。

一般CT 装置的密度分辨力为△H=5 ，即能鉴别相当于$\frac{5}{1000}{\mu }_w$的密度差异。

3.图像质量评价参数

  图像重建算法的研究常常借助于模型作为原始图像。模型(phantom) 可以是由若干椭圆组成的、赋予一定密度值的图形如下图 ，也可用其他基本图形（如矩形）构成。对该原始图像进行’扫描’求出投影值，再根据这些投影，以待研究的算法进行重建，得到重建后的图像评价。重建后图像与原始图像差异的客观标准是采用下面的三个评价参数（或称判据）。

（1）归一化均方距离判据d：
$$d={\left[\frac{{\sum }_{u=1}^N{\sum }_{v=1}^N(t_{u,v}-r_{u,v}{)}^2}{{\sum }_{u=1}^N{\sum }_{v=1}^N(t_{u,v}-\bar{t}{)}^2}\right]}^{\frac{1}{2}}$$
  式中，$t_{u,v}$,$r_{u,v}$分别表示洌试模型和重建后图像中第u行、v 列的像素密度。$t$为测试模型密度的平均值；图像的像素为NxN 个，d值越大表示两者偏差越大。
（2）归一化平均绝对距离判判据r：
$$r=\frac{{\sum }_{u=1}^N{\sum }_{v=1}^N\left|t_{u,v}-r_{u,v}\right|}{{\sum }_{u=1}^N{\sum }_{v=1}^N\left|t_{u,v}\right|}$$
  r= 0，说明没有误差。r 增大，说明误差增大。
（3）最坏情况距离判据e：
$$c=\underset{\begin{array}{c}1<i<1N/2]\\ 1<j<[N/2]\end{array}}{\max }\left|T_{i,i}-R_{i,j}\right|$$
  其中$[N/2]$ 表示小于 $N/2$ 的最大整数，
$$\begin{array}{rl}& T_{i,j}=\frac{1}{4}\left(t_{2i,2j}+t_{2i+1,2j}+t_{2i,2j+1}+t_{2i+1,2j+1}\right);\\ & R_{i,j}=\frac{1}{4}\left(r_{2i,2j}+r_{2i+1,2j}+r_{2i,2j+1}+r_{2i+1,2j+1}\right)。\end{array}$$
  需要指出，上述三个参数对不同类型的图像误差，其敏感程度是不同的。表面看来，d和r两个参数意义相仿，且都有平均意义。仔细考察可知，d较敏感地反映某几点产生较大误差的情况，而r则较敏感地反映许多点均有一些小误差的情况。下面举一个简单例子加以说明。
  设有一九像素的原始图像，密度为(1,2,3,4,5,6,7,8,9) ，而重建后图像的密度为(6,2,3,4,5,6,7,8,5) ，即有2 个点分别具有密度误差5及4 ，其他各点没有误差。则可算得：
$$d_1=0.83，r_1=0.2。$$
  若设重建后图像的九个像素密度均有1.5 的误差，则有：
$$d_2=0.58，r_2＝0.23。$$
可见$d_1>d_2$而$r_1＜r_2$。即d 较敏感地反映少数点的大误差情况，而r 则较敏感地反映多数点的小误差情况。参数e 反映重建后图像与模型图像中最大的（四点）平均密度差。

---

总结