压缩感知理论在医学CT图像重建中的应用
| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 1 绪论 | 第8-17页 |
| ·研究目的与意义 | 第8-9页 |
| ·CT图像重建的发展及研究现状 | 第9-15页 |
| ·CT基本原理 | 第9-10页 |
| ·CT图像重建的基础 | 第10-13页 |
| ·滤波反投影重建算法及现状分析 | 第13-14页 |
| ·迭代重建算法及现状分析 | 第14-15页 |
| ·本文技术路线、研究内容 | 第15-16页 |
| ·本文结构安排 | 第16-17页 |
| 2 压缩感知理论 | 第17-22页 |
| ·压缩感知理论框架 | 第17-18页 |
| ·信号的稀疏表示理论 | 第18-19页 |
| ·基于正交基的稀疏表示 | 第18-19页 |
| ·基于冗余字典的稀疏表示 | 第19页 |
| ·测量矩阵的构造 | 第19-20页 |
| ·重构算法 | 第20-21页 |
| ·本章小结 | 第21-22页 |
| 3 基于压缩感知的CT图像迭代重建算法 | 第22-36页 |
| ·引言 | 第22页 |
| ·SART算法基本原理 | 第22-24页 |
| ·图像网格离散化 | 第22-23页 |
| ·SART算法的迭代步骤 | 第23-24页 |
| ·基于压缩感知的改进算法SART+TV | 第24-35页 |
| ·最小全变分模型 | 第24页 |
| ·基于最小全变分的SART算法 | 第24-26页 |
| ·实验及结果分析 | 第26-35页 |
| ·本章小结 | 第35-36页 |
| 4 基于冗余字典的CT图像迭代重建算法 | 第36-46页 |
| ·引言 | 第36-39页 |
| ·K-SVD超完备冗余字典学习方法 | 第36-38页 |
| ·非线性逼近OMP算法 | 第38-39页 |
| ·基于K-SVD字典学习方法的CT图像重建 | 第39页 |
| ·实验及结果分析 | 第39-45页 |
| ·实验数据 | 第39-41页 |
| ·参数设置 | 第41页 |
| ·结果与分析 | 第41-45页 |
| ·本章小结 | 第45-46页 |
| 5 总结与展望 | 第46-48页 |
| ·总结 | 第46-47页 |
| ·展望 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 在学期间作者参加科研项目与学术活动 | 第53页 |
| 申请学位期间的研究成果及发表的学术论文 | 第53-54页 |
| 致谢 | 第54页 |
