基于材料先验的X射线盲分离算法提升窄能谱CT精度

本文档主要探讨了一种创新的X射线多能投影盲分离算法，它在材料组分先验知识的基础上，针对能谱计算机断层成像（CT）的应用。在能谱CT中，通过利用多个不同能量的衰减数据，能够获取窄能谱投影，这有助于提高成分定量分析的精确性。传统方法通常依赖于已知的X射线能谱信息，但该研究则试图在缺乏这些信息的情况下解决这个问题。 算法的核心在于建立一个包含材料先验的X射线多能谱正演模型。这个模型利用对材料成分的深入理解，为窄能谱投影提供了能量方向的指导，使得算法能够在没有明确能量分布的情况下，推断出可能的衰减路径和投影特性。这种先验信息对于降低不确定性至关重要。 在处理实际测量数据时，作者考虑了数据的泊松统计特性，这是一种常见的统计特性，适用于X射线成像中的噪声模型。基于这一特性，他们构建了一个约束优化问题，目标是找到最佳的能谱拟合系数和厚度向量，这两个参数直接影响投影图像的质量。为了求解这个优化问题，作者采用了块坐标下降算法，这是一种迭代优化技术，能够在非负矩阵分解和高斯牛顿算法之间进行交替更新，从而高效地逼近最优解。 通过与现有算法的比较，研究结果显示，提出的盲分离算法能够显著减少CT图像中的硬化伪影和噪声，确保各分解投影图像更符合窄能谱投影的特性。这表明该算法在提高窄能谱投影获取的准确性方面表现出优越性能，尤其在实际应用中，对于那些无法轻易获取或改变X射线能谱条件的情境，具有重要的实用价值。 总结来说，这份文档介绍了一种基于材料组分先验的X射线多能投影盲分离算法，它利用统计学方法和优化策略，有效地处理了能谱CT中的复杂问题，有望推动医疗成像领域特别是定量分析的精度提升。