CT图像重建：OSEM算法与CR-OSSEM算法的比较分析

"这篇研究论文探讨了OSEM(Ordered Subsets Expectation Maximization)重建算法及其改进算法在CT图像重建中的应用和性能比较。作者提出了Count-Regularized OSEM (CROSEM)算法，并通过实验对比了CROSEM、OSEM和Subset Sequence EM (SSEM)算法在Shepp-Logan模型及实际固体火箭发动机模型上的重建效果，重点关注了算法的收敛速度、图像质量和子集水平选择的不确定性。实验结果显示，CROSEM算法在收敛速度和图像质量上优于其他两种算法，且其子集水平固定，具有更好的实用性。该研究受到了国家自然科学基金和山西省青年科技研究基金的支持。" 这篇论文的核心内容集中在OSEM重建算法及其改进——CROSEM算法的应用和优势上。OSEM算法是一种常用于正电子发射断层扫描(PET)和计算机断层扫描(CT)图像重建的统计方法，它通过迭代方式优化图像估计，提高了重建速度。然而，OSEM算法在不同子集大小选择下存在局限性：大子集可能导致快速但不稳定的收敛，小子集则可能损失图像高频细节，导致慢速收敛。 为了解决这些问题，论文提出了CROSEM算法，这是一种结合了计数正则化的OSEM算法，旨在平衡图像的收敛速度和质量。CROSEM通过引入正则化项来控制迭代过程，防止过度平滑并保持图像细节，同时保持较快的收敛速度。在对比实验中，CROSEM对于Shepp-Logan模拟数据和实际物体模型的重建表现出了更快的收敛速度和更高的图像质量，这表明它在实际应用中可能更为优越。 此外，论文还关注了子集水平的选择问题。在传统的OSEM和SSEM算法中，子集水平的选择对重建结果有显著影响，而CROSEM算法通过固定子集水平，减少了这种不确定性，增强了算法的实用性和可预测性。 这篇研究论文对理解OSEM重建算法的优缺点，以及如何通过改进策略提升重建效果提供了深入的见解。CROSEM算法的提出，为CT图像重建领域提供了一个有潜力的新工具，有望改善现有的图像重建质量和效率。