添加链接 注册    登录
link之家
链接快照平台
  • 输入网页链接，自动生成快照
  • 标签化管理网页链接
相关文章推荐
强健的拐杖  ·  XCTF杂项入门writeup-腾讯云开发者 ...·  6 月前    · 
奔跑的鼠标垫  ·  kotlin基础--字符串操作、数字类型、标 ...·  10 月前    · 
谦虚好学的消炎药  ·  chatgpt - ...·  1 年前    · 
飘逸的感冒药  ·  写给所有 Mac 用户的摸鱼指北 - 少数派·  1 年前    · 
爱热闹的小马驹  ·  在DataGridView中TextBox和 ...·  1 年前    · 
link之家  ›  基于非局部低秩稀疏矩阵分解的低剂量脑灌注CT图像恢复方法 - PMC
doi pmc 稀疏矩阵 ssim
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9550540/
快乐的小熊猫
1 年前
The .gov means it’s official. Federal government websites often end in .gov or .mil. Before sharing sensitive information, make sure you’re on a federal government site. The https:// ensures that you are connecting to the official website and that any information you provide is encrypted and transmitted securely. As a library, NLM provides access to scientific literature. Inclusion in an NLM database does not imply endorsement of, or agreement with, the contents by NLM or the National Institutes of Health. Learn more about our disclaimer.
Nan Fang Yi Ke Da Xue Xue Bao. 2022 Sep 20; 42(9): 1309–1316.
Chinese. doi: 10.12122/j.issn.1673-4254.2022.09.06
PMCID: PMC9550540
PMID: 36210703

Language: Chinese | English

基于非局部低秩稀疏矩阵分解的低剂量脑灌注CT图像恢复方法

Nonlocal low-rank and sparse matrix decomposition for low-dose cerebral perfusion CT image restoration

牛 善洲 , corresponding author 1, 2, * 刘 宏 , 1, 2 刘 沛沄 , 1, 2 张 梦真 , 1, 2 李 硕 , 1, 2 梁 礼境 , 1, 2 李 楠 , 3 and 刘 国良 4

牛 善洲

赣南师范大学数学与计算机科学学院，江西 赣州 341000, School of Mathematics and Computer Science, Gannan Normal University, Ganzhou 341000, China 赣南师范大学赣州市计算成像重点实验室，江西 赣州 341000, Ganzhou Key Laboratory of Computational Imaging, Gannan Normal University, Ganzhou 341000, China

Find articles by 牛 善洲

刘 宏

赣南师范大学数学与计算机科学学院，江西 赣州 341000, School of Mathematics and Computer Science, Gannan Normal University, Ganzhou 341000, China 赣南师范大学赣州市计算成像重点实验室，江西 赣州 341000, Ganzhou Key Laboratory of Computational Imaging, Gannan Normal University, Ganzhou 341000, China

Find articles by 刘 宏

刘 沛沄

赣南师范大学数学与计算机科学学院，江西 赣州 341000, School of Mathematics and Computer Science, Gannan Normal University, Ganzhou 341000, China 赣南师范大学赣州市计算成像重点实验室，江西 赣州 341000, Ganzhou Key Laboratory of Computational Imaging, Gannan Normal University, Ganzhou 341000, China

Find articles by 刘 沛沄

张 梦真

赣南师范大学数学与计算机科学学院，江西 赣州 341000, School of Mathematics and Computer Science, Gannan Normal University, Ganzhou 341000, China 赣南师范大学赣州市计算成像重点实验室，江西 赣州 341000, Ganzhou Key Laboratory of Computational Imaging, Gannan Normal University, Ganzhou 341000, China

Find articles by 张 梦真

李 硕

赣南师范大学数学与计算机科学学院，江西 赣州 341000, School of Mathematics and Computer Science, Gannan Normal University, Ganzhou 341000, China 赣南师范大学赣州市计算成像重点实验室，江西 赣州 341000, Ganzhou Key Laboratory of Computational Imaging, Gannan Normal University, Ganzhou 341000, China

Find articles by 李 硕

梁 礼境

赣南师范大学数学与计算机科学学院，江西 赣州 341000, School of Mathematics and Computer Science, Gannan Normal University, Ganzhou 341000, China 赣南师范大学赣州市计算成像重点实验室，江西 赣州 341000, Ganzhou Key Laboratory of Computational Imaging, Gannan Normal University, Ganzhou 341000, China

Find articles by 梁 礼境

李 楠

赣南师范大学经济管理学院，江西 赣州 341000, School of Economics and Management, Gannan Normal University, Ganzhou 341000, China

Find articles by 李 楠

刘 国良

赣南医学院医学信息工程学院，江西 赣州 341000, School of Medical Information Engineering, Gannan Medical University, Ganzhou 341000, China 赣南师范大学数学与计算机科学学院，江西 赣州 341000, School of Mathematics and Computer Science, Gannan Normal University, Ganzhou 341000, China 赣南师范大学赣州市计算成像重点实验室，江西 赣州 341000, Ganzhou Key Laboratory of Computational Imaging, Gannan Normal University, Ganzhou 341000, China 赣南师范大学经济管理学院，江西 赣州 341000, School of Economics and Management, Gannan Normal University, Ganzhou 341000, China 赣南医学院医学信息工程学院，江西 赣州 341000, School of Medical Information Engineering, Gannan Medical University, Ganzhou 341000, China

其中，||∙|| F 是Frobenious范数， β ＞0是正则化参数， R ( X ) 是正则化函数。

1.2. 低剂量脑灌注CT图像恢复的NLSMD模型

1.2.1. NLSMD模型

首先将图像 x k 划分为大小为 equation M1 的图像块，图像块提取算子为{ R p x k }( p =1, 2, …, P )， p 是图像块索引， P 是图像块个数。然后使用相同方法对其他图像进行相同的分块操作，最后将处于相同位置不同帧的图像块组合成矩阵 V P ：

由于这些图像块具有相似的结构，因此其具有低秩特性。

我们可以将矩阵 V P 分解为： V p = L p + S p ，其中， L p 表示低秩矩阵， S p 表示稀疏矩阵。矩阵 L p 和 S p 可以通过如下问题求出：

其中，||∙|| * 是核范数，||∙|| 1 是 equation M2 范数， λ ＞0正则化参数， equation M3 表示梯度算子。进一步，公式(3)可以写成如下的无约束优化问题：

其中， μ ＞0是超参数。

1.2.2. 基于NLSMD的低剂量脑灌注CT图像恢复

基于上述方法，我们提出了低剂量脑灌注CT图像恢复的NLSMD模型：

其中， equation M4 ， n p 是矩阵 V p 的行数， δ ＞0是超参数。我们使用交替求解算法求解式（5）：

综上所述，本文算法的计算步骤如下：

初始化：迭代初始值设置为滤波反投影算法重建的低剂量脑灌注CT图像；

步骤1：根据式（6）对脑灌注CT图像 X n 进行图像分块处理得到矩阵 V P n ， p =1, 2, …, P ；

步骤2：根据式（10），式(13)和式(14)得到矩阵 L p n +1 和矩阵 S p n +1 ；

步骤3：根据式(17)更新 X n +1 ；

步骤4：重复步骤1-3，直到 equation M7 或者迭代次数超过500次迭代终止。

1.3. 实验数据

根据Niu等 [ 24 ] 的体膜实验数据仿真得到50帧大小为256×256的低剂量脑灌注CT图像数据。相应的成像几何参数为：（1）投影角度为984，每个投影角度的探测元个数为888，每个探测器单元的大小为2 mm；（2）放射源到探测器的距离为949 mm；（3）射线源到旋转中心的距离为541 mm。X射线的入射光子数目为1×10 5 。

1.4. 对比方法

为了验证NLSMD方法的有效性，NLSMD方法分别与滤波反投影（FBP）算法，低秩与稀疏矩阵分解方法（LSMD） [ 25 ] ，低秩与全变分正则化方法（LR-TV） [ 26 ] 进行了比较。LSMD方法的目标函数为：

其中， X L 和 X S 分别为脑灌注CT序列图像的低秩和稀疏部分， μ ＞0， λ ＞0为超参数。LR-TV方法的目标函数为：

其中， λ 1 ＞0， λ 2 ＞0为超参数，Φ 0 = D x ，Ψ 0 = I ，Φ 1 = D y ，Ψ 1 = I ，Φ 2 = I ，Ψ 2 = D t ， I 是单位矩阵，其中 D x ， D y 和 D t 分别为沿着 x ， y 以及 t 方向的差分矩阵。

1.5. NLSMD方法的参数选取

NLSMD方法的参数有图像块 p 的大小 n p 和参数 δ 。 图 1 为实验数据中第25帧图像随参数变化时相应的SSIM值图。从 图 1 可以看出，图像块 p 的大小 n p 取15，正则化参数 δ 取1.6时，结构相似性（SSIM） [ 27 ] 值最大为0.9946。

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-1.jpg

NLSMD方法不同参数对应的结构相似性值

Structured similarity (SSIM) values of NLSMD method with different parameters.

2. 结果

2.1. 低剂量脑灌注CT图像恢复结果

图 2 给出了低剂量脑灌注CT图像恢复结果。其中，第一行是体膜图像，第二行是FBP图像，第三行是LR-TV方法恢复的图像，第四行是LSMD方法恢复的图像，第五行是NLSMD方法恢复的图像；从左到右第一列为第5帧图像，第二列为第15帧图像，第三列为第25帧图像，第四列为第35帧图像，第五列为第45帧图像。从 图 2 可以看出NLSMD方法的图像与体膜图像最为接近。 图 3 给出了 图 2 中结果的SSIM值。从 图 3 可以看出，FBP方法的平均SSIM值为0.9438，LR-TV方法的平均SSIM值为0.9636，LSMD方法的平均SSIM值为0.9692，NLSMD方法的平均SSIM值为0.9765。

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-2.jpg

数值模拟实验结果

Results of digital phantom simulation. FBP: Filter back-projection (FBP) algorithm; LR-TV: Low-rank and total variation regularization; LSMD: Low- rank and sparse matrix decomposition; NLSMD: Nonlocal low-rank and sparse matrix decomposition.

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-3.jpg

实验数据的SSIM值.

SSIM values of the phantom results.

图 4 为 图 2 中各方法第25帧图像感兴趣区域的局部放大图像。从 图 4 可以看出，NLSMD方法的感兴趣区域的局部放大图像与体膜方法最为接近。为了进一步评价本文方法，我们使用了FSIM [ 28 ] 值对实验结果进行定量分析。 图 5 为 图 4 的SSIM值和FSIM值。从 图 5 可以看出，FBP方法的SSIM值和FSIM值分别为0.6634和0.9298，LR-TV方法的SSIM值和FSIM值分别为0.813和0.9557，LSMD方法的SSIM值和FSIM值分别为0.8106和0.9556，NLSMD方法的SSIM值和FSIM值分别为0.8727和0.9661。

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-4.jpg

图 2 中第25帧图像感兴趣区域的放大图

Zoomed-in views of the region of interest in Fig. 2 (#25). A : phantom; B : FBP images; C : LR-TV images; D : LSMD images; E : NLSMD images.

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-5.jpg

图 4 的SSIM和特征相似性(FSIM)值

SSIM and feature similarity (FSIM) vlaues of Fig. 4 .

2.2. 脑血流参数图像

图 6 为各方法的CBF参数图像，其中 图 6A 为体膜图像的CBF参数图像， 图 6B 为FBP方法的CBF参数图像， 图 6C 为LR-TV方法的CBF参数图像， 图 6D 为LSMD方法的CBF参数图像， 图 6E 为NLSMD方法的CBF参数图像。 图 7 为 图 6 的SSIM值和FSIM值。从 图 7 可以看出，FBP方法的SSIM值和FSIM值分别为0.7005和0.8748，LR-TV方法的SSIM值和FSIM值分别为0.7736和0.8985，LSMD方法的SSIM值和FSIM值分别为0.7557和0.8940，NLSMD方法的SSIM值和FSIM值分别为0.7871和0.9073。从 图 6 和 图 7 可以看出，NLSMD方法恢复的CBF参数图像与体膜图像的CBF参数图像最为接近。 图 8 为 图 6 感兴趣区域的局部放大图像。 图 9 为 图 8 的SSIM值和FSIM值。从 图 9 可以看出，FBP方法的SSIM值和FSIM值分别为0.6205和0.8321，LR-TV方法的SSIM值和FSIM值分别为0.7485和0.8784，LSMD方法的SSIM值和FSIM值分别为0.7952和0.8935，NLSMD方法的SSIM值和FSIM值分别为0.8540和0.9260。

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-6.jpg

脑血流量(CBF)参数图像

Cerebral blood flow (CBF) maps. A : CBF map of phantom; B : CBF map of FBP images; C : CBF map of LR-TV images; D : CBF map of LSMD images; E : CBF map of NLSMD images.

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-7.jpg

图 6 的SSIM值和FSIM值

SSIM and FSIM values of the images in Fig. 6 .

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-8.jpg

图 6 的感兴趣区域的局部放大图

Zoomed-in views of the region of interest in Fig. 6 . A : CBF map of phantom; B : CBF map of FBP images; C : CBF map of LR-TV images; D : CBF map of LSMD images; E : CBF map of NLSMD images.

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-9.jpg

图 8 的SSIM值和FSIM值

SSIM and FSIM values of the images in Fig. 8 .

图 10 为各方法的CBV参数图像，其中 图 10A 为体膜图像的CBV参数图像， 图 10B 为FBP方法的CBV参数图像， 图 10C 为LR-TV方法的CBV参数图像， 图 10D 为LSMD方法的CBV参数图像， 图 10E 为NLSMD方法的CBV参数图像。 图 11 为 图 10 的SSIM值和FSIM值。从 图 11 可以看出，FBP方法的SSIM值和FSIM值分别为0.6856和0.8657，LR-TV方法的SSIM值和FSIM值分别为0.778和0.8966，LSMD方法的SSIM值和FSIM值分别为0.7642和0.8949，NLSMD方法的SSIM值和FSIM值分别为0.7972和0.9110。从 图 9 和 图 10 可以看出，NLSMD方法恢复的CBV参数图像最接近体膜的CBV参数图像。 图 12 为 图 10 感兴趣区域的局部放大图像。 图 13 为 图 12 的SSIM值和FSIM值。从 图 13 可以看出，FBP方法的SSIM值和FSIM值分别为0.5228和0.7904，LR-TV方法的SSIM值和FSIM值分别为0.6611和0.8381，LSMD方法的SSIM值和FSIM值分别为0.7176和0.8664，NLSMD方法的SSIM值和FSIM值分别为0.7800和0.8938。

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-10.jpg

脑血容量参数图像

Cerebral blood volume (CBV) maps. A : CBV map of phantom; B : CBV map of FBP images; C : CBV map of LR-TV images; D : CBV map of LSMD images; E : CBV map of NLSMD images.

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-12.jpg

图 10 感兴趣区域的局部放大图

Zoomed-in views of region of interest in Fig. 10 . A : CBV map of phantom; B : CBV map of FBP images; C : CBV map of LR-TV images; D : CBV map of LSMD images; E : CBV map of NLSMD images.

An external file that holds a picture, illustration, etc. Object name is nfykdxxb-42-9-1309-13.jpg

图 12 的SSIM和FSIM值

SSIM and FSIM values of the images in Fig. 12 .

3. 讨论

脑灌注CT成像是脑卒中检查的杰出代表，但脑灌注CT检查的辐射剂量较高，优化控制X射线辐射剂量已成为当前研究的热点问题。目前，低剂量脑灌注CT图像恢复方法利用高质量平扫图像和低剂量脑灌注CT图像之间的结构相似性增强低剂量脑灌注CT图像质量 [ 19 - 21 ] 。但是，先验图像与低剂量图像之间存在差异，会导致恢复结果产生误差。基于脑灌注CT序列图像的结构相关性，本文提出了一种基于非局部低秩稀疏矩阵分解的低剂量脑灌注CT图像恢复方法，该方法利用了低剂量脑灌注CT序列图像自身的结构冗余特性，并对相似的图像块进行非局部低秩稀疏矩阵分解，可以有效地抑制噪声且较好地保持图像细节特征信息。

在数值实验中，NLSMD方法得到的脑灌注CT图像在噪声抑制和细节保持方面有良好的表现。定量实验结果表明，NLSMD方法的平均SSIM值比FBP方法的平均SSIM值提高了3%，与LR-TV方法和LSMD方法相比均提高了1%。进一步，低剂量脑灌注CT图像的感兴趣区域放大图实验结果表明，NLSMD方法的感兴趣区域放大图的SSIM值比FBP方法提高了31.5%，比LR-TV方法提高了7%，比LSMD方法提高了8%。脑血流动力学参数图像能够精准反映脑组织的灌注情况，为临床诊断和治疗提供重要的参考价值 [ 29 , 30 ] 。CBF参数图像的实验结果表明，FBP方法的CBF参数图像存在大量噪声，LR-TV方法与LSMD方法的CBF参数图像的噪声虽然有所抑制，但其与体膜的CBF参数图像仍然存在差距，而NLSMD方法的CBF参数图像与体膜的CBF参数图像最为接近。CBF参数图像的定量结果进一步表明了NLSMD方法的CBF参数图像恢复效果最好。CBV参数图像实验结果表明，NLSMD方法的CBV参数图像无论从整体图像还是感兴趣区域放大图像都与体膜的CBV参数图像最为接近，并且NLSMD方法的CBV参数图像具有最高的SSIM值和FSIM值。综上所述，NLSMD方法恢复的低剂量脑灌注CT图像相比于其他方法恢复效果更好，并且NLSMD方法的CBF参数图像和CBV参数图像与体膜图像的CBF参数图像和CBV参数图像在结构和细节方面也最为接近。

但是，NLSMD方法也还存在一些局限性。首先，NLSMD方法没有考虑噪声统计特性，降低了图像块匹配的鲁棒性。其次，NLSMD方法在实际应用中所需的计算时间也是一个挑战。我们将在未来的研究中将统计噪声建模纳入NLSMD方法中增强NLSMD方法的恢复效果，并且考虑使用多核CPU和图形处理单元（GPU）硬件来加快NLSMD方法的计算速度。

Funding Statement

国家自然科学基金（62261002，11701097）；江西省科技创新杰出青年人才资助计划项目（20192BCB23019）；江西省重点研发计划一般项目（20202BBE53024）；江西省“双千计划”科技创新高端人才(青年)项目（jsxq2019201061）；赣州市科技创新人才计划；大学生创新创业训练计划项目（202010418014）

Funding Statement

Supported by National Natural Science Foundation of China (62261002, 11701097)

References

1. 王 陇德, 常 继乐, 张 宗久. 中国脑卒中防治报告-2019. 北京: 人民卫生出版社; 2020. [ Google Scholar ]
2. Kadimesetty VS, Gutta S, Ganapathy S, et al. Convolutional neural network-based robust denoising of low-dose computed tomography perfusion maps. IEEE Trans Radiat Plasma Med Sci. 2019; 3 (2):137–52. doi: 10.1109/TRPMS.2018.2860788. [ CrossRef ] [ Google Scholar ]
3. Bivard A, Lin LT, Parsonsb MW. Review of stroke thrombolytics. J Stroke. 2013; 15 (2):90–8. doi: 10.5853/jos.2013.15.2.90. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
4. Li K, Strother CM, Chen GH. Statistical properties of cerebral CT perfusion imaging systems. Part Ⅰ. Cerebral blood volume maps generated from nondeconvolution-based systems. Med Phys. 2019; 46 (11):4869–80. doi: 10.1002/mp.13806. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
5. Li K, Chen GH. Statistical properties of cerebral CT perfusion imaging systems. Part Ⅱ. Deconvolution-based systems. Med Phys. 2019; 46 (11):4881–97. doi: 10.1002/mp.13805. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
6. Zhao CY, Martin T, Shao XF, et al. Low dose CT perfusion with K-space weighted image average (KWIA) IEEE Trans Med Imaging. 2020; 39 (12):3879–90. doi: 10.1109/TMI.2020.3006461. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
7. Ren G, Zhang J, Li T, et al. Deep learning-based computed tomography perfusion mapping (DL-CTPM) for pulmonary CT-to-perfusion translation. Int J Radiat Oncol Biol Phys. 2021; 110 (5):1508–18. doi: 10.1016/j.ijrobp.2021.02.032. [ PubMed ] [ CrossRef ] [ Google Scholar ]
8. Brenner DJ, Hall EJ. Computed tomography: an increasing source of radiation exposure. N Engl J Med. 2007; 357 (22):2277–84. doi: 10.1056/NEJMra072149. [ PubMed ] [ CrossRef ] [ Google Scholar ]
9. 张 善立, 张 华, 胡 德斌, et al. 基于边缘检测算子的Huber正则化阈值选择方法在低剂量CT重建中的应用 南方医科大学学报 2015; 35 (3):375–9. [ Google Scholar ]
10. 牛 善洲, 吴 恒, 喻 泽峰, et al. 基于投影数据全广义变分最小化的低剂量CT重建 南方医科大学学报 2017; 37 (12):1585–91. [ PMC free article ] [ PubMed ] [ Google Scholar ]
11. Zeng D, Xie Q, Cao WF, et al. Low-dose dynamic cerebral perfusion computed tomography reconstruction via kronecker-basis-representation tensor sparsity regularization. IEEE Trans Med Imaging. 2017; 36 (12):2546–56. doi: 10.1109/TMI.2017.2749212. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
12. 田 秀梅, 黄 静, 林 嘉慧, et al. 投影数据恢复方法在低剂量脑灌注CT成像中的应用 南方医科大学学报 2017; 37 (4):470–4. [ Google Scholar ]
13. Zhang SL, Zeng D, Niu SZ, et al. High-fidelity image deconvolution for low-dose cerebral perfusion CT imaging via low-rank and total variation regularizations. Neurocomputing. 2019; 323 :175–87. doi: 10.1016/j.neucom.2018.09.079. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
14. Fang RG, Zhang ST, Chen T, et al. Robust low-dose CT perfusion deconvolution via tensor total-variation regularization. IEEE Trans Med Imaging. 2015; 34 (7):1533–48. doi: 10.1109/TMI.2015.2405015. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
15. Riederer I, Zimmer C, Pfeiffer D, et al. Radiation dose reduction in perfusion CT imaging of the brain using a 256-slice CT: 80 mAs versus 160 mAs. Clin Imaging. 2018; 50 :188–93. doi: 10.1016/j.clinimag.2018.03.021. [ PubMed ] [ CrossRef ] [ Google Scholar ]
16. Li ZL, Li H, Zhang K, et al. Improvement of image quality and radiation dose of CT perfusion of the brain by means of low-tube voltage (70 KV) Eur Radiol. 2014; 24 (8):1906–13. doi: 10.1007/s00330-014-3247-1. [ PubMed ] [ CrossRef ] [ Google Scholar ]
17. Li S, Zeng D, Peng JJ, et al. An efficient iterative cerebral perfusion CT reconstruction via low-rank tensor decomposition with spatial-temporal total variation regularization. IEEE Trans Med Imaging. 2019; 38 (2):360–70. doi: 10.1109/TMI.2018.2865198. [ PubMed ] [ CrossRef ] [ Google Scholar ]
18. Saito N, Kudo K, Sasaki T, et al. Realization of reliable cerebral-blood-flow maps from low-dose CT perfusion images by statistical noise reduction using nonlinear diffusion filtering. Radiol Phys Technol. 2008; 1 (1):62–74. doi: 10.1007/s12194-007-0009-7. [ PubMed ] [ CrossRef ] [ Google Scholar ]
19. Yu HY, Zhao SY, Hoffman EA, et al. Ultra-low dose lung CT perfusion regularized by a previous scan. Acad Radiol. 2009; 16 (3):363–73. doi: 10.1016/j.acra.2008.09.003. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
20. Ma JH, Huang J, Feng QJ, et al. Low-dose computed tomography image restoration using previous normal-dose scan. Med Phys. 2011; 38 (10):5713–31. doi: 10.1118/1.3638125. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
21. 牛 善洲, 刘 宏, 刘 沛沄, et al. 低剂量脑灌注CT图像恢复方法: 基于先验图像约束扩散张量 南方医科大学学报 2021; 41 (8):1226–33. [ PMC free article ] [ PubMed ] [ Google Scholar ]
22. Cai JF, Candès EJ, Shen ZW. A singular value thresholding algorithm for matrix completion. SIAM J Optim. 2010; 20 (4):1956–82. doi: 10.1137/080738970. [ CrossRef ] [ Google Scholar ]
23. Nikolova M. An algorithm for total variation minimization and applications. J Math Imaging Vis. 2004; 20 (1/2):89–97. doi: 10.1023/B:JMIV.0000011321.19549.88. [ CrossRef ] [ Google Scholar ]
24. Niu S, Liu H, Zhang M, et al. Iterative reconstruction for low-dose cerebral perfusion computed tomography using prior image induced diffusion tensor. Phys Med Biol. 2021; 66 (11):115024. doi: 10.1088/1361-6560/ac0290. [ PubMed ] [ CrossRef ] [ Google Scholar ]
25. Chandrasekaran V, Sanghavi S, Parrilo PA, et al. Sparse and low-rank matrix decompositions. IFAC Proc Vol. 2009; 42 (10):1493–8. doi: 10.3182/20090706-3-FR-2004.00249. [ CrossRef ] [ Google Scholar ]
26. Niu SZ, Zhang SL, Huang J, et al. Low-dose cerebral perfusion computed tomography image restoration via low-rank and total variation regularizations. Neurocomputing. 2016; 197 :143–60. doi: 10.1016/j.neucom.2016.01.090. [ PMC free article ] [ PubMed ] [ CrossRef ] [ Google Scholar ]
27. Wang Z, Bovik AC, Sheikh HR, et al. Image quality assessment: from error visibility to structural similarity. IEEE Trans Image Process. 2004; 13 (4):600–12. doi: 10.1109/TIP.2003.819861. [ PubMed ] [ CrossRef ] [ Google Scholar ]
28. Zhang L, Zhang L, Mou XQ, et al. FSIM: a feature similarity index for image quality assessment. IEEE Trans Image Process. 2011; 20 (8):2378–86. doi: 10.1109/TIP.2011.2109730. [ PubMed ] [ CrossRef ] [ Google Scholar ]
29. Ostergaard L, Weisskoff RM, Chesler DA, et al. High resolution measurement of cerebral blood flow using intravascular tracer bolus passages. Part Ⅰ: Mathematical approach and statistical analysis. Magn Reson Med. 1996; 36 (5):715–25. doi: 10.1002/mrm.1910360510. [ PubMed ] [ CrossRef ] [ Google Scholar ]
30. Fieselmann A, Kowarschik M, Ganguly A, et al. Deconvolution-based CT and MR brain perfusion measurement: theoretical model revisited and practical implementation details. Int J Biomed Imaging. 2011:467–563. [ PMC free article ] [ PubMed ] [ Google Scholar ]
Articles from Journal of Southern Medical University are provided here courtesy of Editorial Department of Journal of Southern Medical University
 
推荐文章
强健的拐杖  ·  XCTF杂项入门writeup-腾讯云开发者社区-腾讯云
6 月前
奔跑的鼠标垫  ·  kotlin基础--字符串操作、数字类型、标准库函数 - 简书
10 月前
谦虚好学的消炎药  ·  chatgpt - 神仙打架：大模型能力在线比拼 - 个人文章 - SegmentFault 思否
1 年前
飘逸的感冒药  ·  写给所有 Mac 用户的摸鱼指北 - 少数派
1 年前
爱热闹的小马驹  ·  在DataGridView中TextBox和ComboBox混合编辑 - 侦探在线 - 博客园
1 年前
今天看啥   ·   Py中国   ·   codingpro   ·   小百科   ·   link之家   ·   卧龙AI搜索
删除内容请联系邮箱 2879853325@qq.com
link之家 - 链接快照平台
© 2024 ~ 沪ICP备11025650号