| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第1章 绪论 | 第7-13页 |
| 1.1 引言 | 第7-8页 |
| 1.2 CT 的发展与研究现状 | 第8-11页 |
| 1.3 论文的研究内容和结构 | 第11-13页 |
| 第2章 传统 CT 图像重建算法 | 第13-28页 |
| 2.1 CT 图像重建基础 | 第13-16页 |
| 2.1.1 CT 系统组成 | 第13-14页 |
| 2.1.2 物理基础 | 第14页 |
| 2.1.3 数学基础 | 第14-16页 |
| 2.2 解析类图像重建算法 | 第16-21页 |
| 2.3 迭代类图像重建算法 | 第21-28页 |
| 2.3.1 概述 | 第21-22页 |
| 2.3.2 图像的投影表示 | 第22-25页 |
| 2.3.3 典型的迭代重建法 | 第25-28页 |
| 第3章 基于压缩感知理论的医学图像重建算法 | 第28-44页 |
| 3.1 压缩感知理论 | 第28-32页 |
| 3.1.1 压缩感知理论与传统采样定理的比较 | 第28-29页 |
| 3.1.2 压缩感知理论的基本原理 | 第29-31页 |
| 3.1.3 压缩感知理论重构算法 | 第31-32页 |
| 3.2 压缩感知理论应用于 CT 不完全投影问题 | 第32-34页 |
| 3.3 TV 模型 | 第34-37页 |
| 3.4 字典学习算法 | 第37-44页 |
| 3.4.1 字典学习方法的研究现状 | 第37-39页 |
| 3.4.2 基于自适应字典学习方法的欠采样图像重建 | 第39-44页 |
| 第4章 基于稀疏梯度域自适应字典学习方法的 CT 图像重建 | 第44-56页 |
| 4.1 算法引入 | 第44-45页 |
| 4.2 获取部分 K 空间数据 | 第45-46页 |
| 4.3 算法模型建立 | 第46-48页 |
| 4.4 算法求解 | 第48-51页 |
| 4.5 实验结果分析 | 第51-56页 |
| 第5章 结论与展望 | 第56-58页 |
| 5.1 结论 | 第56页 |
| 5.2 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-61页 |