摘要 | 第4-6页 |
Abstract | 第6-8页 |
第一章 绪论 | 第16-34页 |
1.1 课题背景 | 第16页 |
1.2 课题意义 | 第16-21页 |
1.3 国内外研究现状 | 第21-31页 |
1.3.1 金属伪影校正算法 | 第21-25页 |
1.3.2 稀疏角度重建算法 | 第25-28页 |
1.3.3 有限角度重建算法 | 第28-31页 |
1.4 论文的研究内容及结构安排 | 第31-34页 |
第二章 基础知识 | 第34-46页 |
2.1 CT成像基础 | 第34-36页 |
2.1.1 CT成像的基本原理 | 第34-35页 |
2.1.2 CT重建的数学基础 | 第35-36页 |
2.2 不完全数据重建基础 | 第36-42页 |
2.2.1 CT系统的离散化数学模型 | 第36-37页 |
2.2.2 基于稀疏优化的CT重建模型 | 第37-38页 |
2.2.3 稀疏优化重建算法 | 第38-42页 |
2.3 重建图像质量评价 | 第42-43页 |
2.4 本章小结 | 第43-46页 |
第三章 基于投影域和图像域联合正则化的CT投影补全算法 | 第46-60页 |
3.1 引言 | 第46-47页 |
3.2 投影-图像联合稀疏优化投影复原算法 | 第47-51页 |
3.2.1 投影-图像联合稀疏优化复原模型 | 第47-48页 |
3.2.2 SRD-TV复原算法 | 第48-51页 |
3.3 实验结果及分析 | 第51-58页 |
3.3.1 数值仿真实验 | 第52-56页 |
3.3.2 真实数据实验 | 第56-58页 |
3.4 本章小结 | 第58-60页 |
第四章 基于非匹配正反投影策略的金属伪影迭代校正算法 | 第60-74页 |
4.1 引言 | 第60-61页 |
4.2 基于非匹配正反投影策略的IMAR算法 | 第61-66页 |
4.2.1 金属伪影迭代校正流程 | 第61-62页 |
4.2.2 非匹配正反投影算子 | 第62-64页 |
4.2.3 UP-IMAR算法 | 第64-66页 |
4.3 实验结果及分析 | 第66-73页 |
4.3.1 PMMA体模实验 | 第67-70页 |
4.3.2 CDP头模实验 | 第70-73页 |
4.4 本章小结 | 第73-74页 |
第五章 基于广义p阶全变分正则化的稀疏角度CT图像重建算法 | 第74-94页 |
5.1 引言 | 第74页 |
5.2 交替方向广义p阶全变分最小化重建算法 | 第74-81页 |
5.2.1 广义p阶全变分模型 | 第74-76页 |
5.2.2 交替方向TGpV最小化重建算法 | 第76-81页 |
5.3 实验结果及分析 | 第81-91页 |
5.3.1 数值仿真实验 | 第81-90页 |
5.3.2 真实数据实验 | 第90-91页 |
5.4 本章小结 | 第91-94页 |
第六章 基于欧拉弹性正则化的有限角度CT图像重建算法 | 第94-110页 |
6.1 引言 | 第94-95页 |
6.2 基于欧拉弹性正则化的CT图像重建 | 第95-102页 |
6.2.1 有限角度问题与曲率驱动扩散策略 | 第95-96页 |
6.2.2 EE-ADM重建算法 | 第96-102页 |
6.3 实验结果及分析 | 第102-108页 |
6.3.1 数值仿真实验 | 第103-105页 |
6.3.2 真实数据实验 | 第105-108页 |
6.4 本章小结 | 第108-110页 |
第七章 基于深度神经网络的有限角度图像伪影抑制方法 | 第110-122页 |
7.1 引言 | 第110页 |
7.2 有限角度伪影分析 | 第110-111页 |
7.3 有限角度伪影抑制网络设计 | 第111-114页 |
7.3.1 深度卷积神经网络 | 第111-112页 |
7.3.2 基于DCNN的有限角度伪影抑制方法 | 第112-114页 |
7.4 实验结果及分析 | 第114-120页 |
7.4.1 网络训练 | 第114-116页 |
7.4.2 实验结果 | 第116-120页 |
7.5 本章小结 | 第120-122页 |
第八章 总结与展望 | 第122-126页 |
8.1 总结 | 第122-123页 |
8.2 展望 | 第123-126页 |
致谢 | 第126-128页 |
参考文献 | 第128-142页 |
作者简历 | 第142-144页 |