| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-14页 |
| 1.1.1 CT技术的发展 | 第12-13页 |
| 1.1.2 显微CT低剂量问题的研究意义 | 第13-14页 |
| 1.2 CT低剂量问题研究现状 | 第14-18页 |
| 1.2.1 CT低剂量下信噪比提高的研究 | 第14-15页 |
| 1.2.2 CT稀疏角投影研究 | 第15-17页 |
| 1.2.3 低剂量CT伪影滤除方面研究 | 第17-18页 |
| 1.3 本文研究内容 | 第18-19页 |
| 1.4 本文章节安排 | 第19-20页 |
| 第二章 基于压缩感知的CT重建理论基础 | 第20-32页 |
| 2.1 CT主流重建算法简介 | 第20-25页 |
| 2.1.1 CT解析重建基础 | 第20-22页 |
| 2.1.2 迭代重建算法基础 | 第22-23页 |
| 2.1.3 ART迭代重建算法 | 第23-24页 |
| 2.1.4 基于先验知识的迭代重建算法 | 第24-25页 |
| 2.2 基于压缩感知理论的重建算法 | 第25-31页 |
| 2.2.1 压缩感知理论基础 | 第25-26页 |
| 2.2.2 信号重构 | 第26-27页 |
| 2.2.3 TV算法 | 第27-28页 |
| 2.2.4 字典问题概述 | 第28-29页 |
| 2.2.5 字典学习算法 | 第29-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第三章 基于字典学习的CT图像信噪比提高算法研究 | 第32-43页 |
| 3.1 基于字典学习的降噪算法 | 第32-34页 |
| 3.2 基于全局字典学习的显微CT降噪框架 | 第34-35页 |
| 3.3 基于全局字典学习的降噪实验与分析 | 第35-42页 |
| 3.3.1 模拟数据实验结果与分析 | 第35-38页 |
| 3.3.2 显微CT数据实验结果及分析 | 第38-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于字典学习的稀疏角重建算法研究 | 第43-53页 |
| 4.1 基于TV的迭代算法 | 第43页 |
| 4.2 基于全局字典学习的字典迭代算法 | 第43-45页 |
| 4.3 实验结果与分析 | 第45-52页 |
| 4.3.1 模拟数据实验结果与分析 | 第45-49页 |
| 4.3.2 显微CT数据实验结果与分析 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于字典学习的低剂量CT伪影滤除算法研究 | 第53-61页 |
| 5.1 基于三维字典学习的环状伪影滤除算法研究 | 第53-56页 |
| 5.1.1 算法原理 | 第53-55页 |
| 5.1.2 实验结果与分析 | 第55-56页 |
| 5.2 基于双字典学习的低剂量CT伪影滤除算法研究 | 第56-60页 |
| 5.2.1 算法原理 | 第56-58页 |
| 5.2.2 实验结果与分析 | 第58-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第六章 GPU平台算法加速优化 | 第61-69页 |
| 6.1 GPU CUDA | 第61-63页 |
| 6.1.1 GPU CUDA平台简介 | 第61-62页 |
| 6.1.2 GPU CUDA编程模型 | 第62页 |
| 6.1.3 GPU CUDA编程难点 | 第62-63页 |
| 6.2 迭代算法并行加速 | 第63-66页 |
| 6.2.1 算法并行化 | 第63-64页 |
| 6.2.2 GPU并行优化 | 第64-65页 |
| 6.2.3 迭代算法加速结果 | 第65-66页 |
| 6.3 字典算法并行加速 | 第66-68页 |
| 6.3.1 算法并行化 | 第66-67页 |
| 6.3.2 算法并行优化 | 第67-68页 |
| 6.3.3 字典算法加速结果 | 第68页 |
| 6.4 本章小结 | 第68-69页 |
| 第七章 总结与展望 | 第69-71页 |
| 7.1 总结 | 第69页 |
| 7.2 展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 作者简介 | 第78页 |