典型文献
基于双字典自适应学习算法的低采样率CT重建
文献摘要：
在医疗诊断中,稀疏采样能减少CT扫描过程中辐射对患者的伤害.但直接对稀疏采样后的投影数据进行重建,会使CT重建后的图像出现失真、伪影等问题.为保证低采样率下重建图像的质量,提出了双字典自适应学习算法,参照Sparse-Land模型的双字典学习框架,将K-SVD算法与双字典学习算法框架相结合得到补全投影数据,利用FBP算法进行重建得到高质量的重建图像.实验结果表明,在低采样率下使用所提方法进行CT重建的图像质量优于COMP双字典学习算法和MOD双字典学习算法,并且此方法有效提高了CT图像重建在低采样率时的性能.
文献关键词：
CT图像重建;K-SVD算法;双字典学习算法;自适应学习算法;FBP算法
中图分类号：
作者姓名：
栾峰;杨帆;蔡睿智;杨晨
作者机构：
东北大学 计算机科学与工程学院, 辽宁 沈阳 110169;东北大学 医学影像智能计算教育部重点实验室, 辽宁 沈阳 110169
文献出处：
引用格式：
[1]栾峰;杨帆;蔡睿智;杨晨-.基于双字典自适应学习算法的低采样率CT重建)[J].东北大学学报（自然科学版）,2022(12):1709-1716
A类：
双字典学习算法
B类：
自适应学习算法,低采样,采样率,医疗诊断,稀疏采样,失真,伪影,重建图像,Sparse,Land,SVD,补全,FBP,图像质量,COMP,MOD,图像重建,建在
AB值：
0.20823
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
