-
摘要: 能谱CT可产生不同X射线能量下的基材料图像，所产生的基材料图像可用于组织成分和造影剂分布的定性与定量评价，且对成像物质分离、鉴别的能力明显优于传统单能CT。能谱CT中双能谱技术是最常用的模式之一，在临床应用中发挥了重大作用。本文就双能谱CT图像域基材料分解的两物质分解、多物质分解方法进行总结，最后展望未来可能的发展方向。Abstract: Spectral CT can produce basis materials with different X-ray energies. Subsequently, the generated basis materials can be used for qualitative and quantitative evaluation of tissue components and contrast agent distribution. This approach presents a superior ability to separate and identify imaging materials compared to traditional single-energy CT. Dual-energy spectrum technology is one of the most commonly used modes in spectrum CT, which plays an important role in clinical application. In this study, the decomposition methods of a basis material in the image domain of dual-energy spectrum CT were classified into two categories: two-material decomposition and multi-material decomposition. Finally, these methods are summarized and trend of future development is addressed.
-
Keywords:
- spectral CT /
- dual-energy CT /
- image domain /
- basis material decomposition
-
随着人口老龄化，冠心病患者日益增多，如何快速、准确评判冠状动脉病变至关重要[1-2]。当前冠状动脉CT血管造影（coronary CT angiography, CCTA）已成为诊断冠心病的重要手段之一，具有无创、便捷、经济等优势，但是其所带来的电离辐射危害及碘对比剂引起的不良反应不容忽视[3]。研究表明[4-5]CTA根据患者体质量指数（body mass index, BMI）不同，采用个体化方案能有效降低辐射剂量及碘摄入量。
本文通过对不同BMI患者以低管电压低剂量对比剂行64排CCTA检查进行前瞻性研究，从而探讨其临床应用价值。
1. 资料与方法
1.1 一般资料
前瞻性选择2022年1月至2024年3月上海市金山区中西医结合医院临床疑诊冠心病而行CCTA检查的160例患者为研究对象，其中男97例，女63例，年龄27~85岁，平均（62.17±12.69）岁。病例纳入标准：具有胸痛、心前区不适、胸闷等可疑冠心病患者；BMI介于（18.5~28）kg/m2且能主动配合CCTA检查技术要求；心率齐且在50~80次/分之间。排除标准：碘对比剂过敏；心肝肾功能不全、甲状腺功能异常等禁忌症；有金属伪影、冠状动脉支架植入术、心脏搭桥手术者。
将160例按照BMI分为A组（18.5<BMI<24）和B组（24≤BMI<28），各80例，每组按照随机原则分对照组（A1/B1组）和试验组（A2/B2组），各40例。
本研究经医院伦理委员会审查并通过，所有患者均知情同意。
1.2 检查方法
采用Siemens Definition 64排螺旋CT机扫描，回顾性心电门控下采集数据，患者双手抱头，取仰卧位，足先进的进床方式，扫描范围从气管分叉至心底下缘水平。扫描前去除体表异物，训练屏气，告知相关检查注意事项。
管电流采用自动调节技术，准直64×0.6 mm，转速0.33 s/r，螺距0.25，扫描层厚3 mm，FOV 180~220 mm，矩阵512×512，重建期相67％ R-R间期。
重建层厚0.75 mm，间隔0.6 mm，重建函数B26 f。对照组均采用120 kV管电压扫描，A1、B1两组分别采用60 mL对比剂+40 mL生理盐水、80 mL对比剂+20 mL生理盐水注射。
试验组均采用双低剂量方式，A2组80 kV管电压，40 mL对比剂+60 mL生理盐水，B2组100 kV管电压，60 mL对比剂+40 mL生理盐水。所用对比剂均为碘海醇注射液（北陆药业，浓度350 mgI/mL），采用双筒高压注射器，经肘正中静脉以4.5 mL/s流率先后注射碘海醇及生理盐水。将升主动脉根部气管分叉下约1~2 cm水平作为触发层面，感兴趣区（ROI）置于中央位置，当CT阈值达110 HU时延迟6 s进行容积扫描。
1.3 图像后处理
将螺旋扫描所得原始数据上传至工作站，对冠状动脉各支血管进行图像后处理，包括多平面重组（multiplanar reconstruction, MPR）、最大密度投影（maximum intensity projection, MIP）、容积再现（volume rendering, VR）、曲面重建（curved planar reconstruction, CPR），分析图像质量。
1.4 图像质量评价
1.4.1 图像主观评分
按照美国心脏协会冠状动脉分段法，从血管边缘锐利度、细小分支显示、管腔内对比剂清晰度、有无伪影或错层4个方面评价，采用5分法评分[6]。5分：血管边缘锐利，细小分支多、管腔对比剂清晰，图像无运动伪影和错层；4分：血管边缘较锐利，分支显示较多、管腔对比剂较清晰，图像有轻度运动伪影或错层；3分：血管边缘略毛糙，分支显示尚可，图像错层较大，存在较多的运动伪影，但不影响评分；2分：血管边缘模糊，分支少，管腔对比剂模糊，图像错层大、运动伪影较严重，影响评分；1分：血管显示不清，分支不显示，存在大量运动伪影或错层，管腔无法评价。
由两名经验丰富CTA诊断医师对所有图像进行双盲法评分。将评分3 分及以上定义为合格，能满足诊断要求，4分及以上为优良，2分及以下为不合格，不符合诊断要求，统计每组图像的优良率及合格率。
1.4.2 图像客观评价
选择升主动脉根部（冠状动脉最先出现的层面）作为测量层面，将ROI放置于血管腔中间位置，避开管壁钙化和斑块，测量其CT值，ROI面积为（100~120） mm2，每例测量5次并求平均值，标记为CT1。将同层面皮下脂肪组织作为对比信号，避开钙化及乳腺组织，测量其CT值，ROI面积为30~40 mm2，每例测量5次并求平均值，标记为CT2，取CT2的标准差作为图像噪声（standard deviation, SD）。
计算图像信噪比（signal to noise ratio, SNR）和对比噪声比（contrast noise ratio, CNR），SNR= CT1/SD，CNR=（CT1−CT2）/SD。
1.5 辐射剂量及碘摄入量
根据设备自动生成的辐射剂量报告记录患者的容积CT剂量指数（CTDIvol）和剂量长度乘积（DLP），并计算有效剂量（ED），ED =DLP×k，其中k取0.014。碘摄入量=对比剂浓度×对比剂用量[7]。
1.6 统计学方法
利用SPSS 25.0软件进行统计学处理，计量资料均符合正态分布，以（
$\bar{x}\pm s $ ）表示，采用独立样本t检验。计数资料以百分比（％）表示，行x2检验。采用Kappa检验对两名医师评分的一致性进行检验。P < 0.05为差异有统计学意义。
2. 结果
2.1 一般资料比较
所有病例符合要求，均顺利完成CCTA检查，经统计分析，A1、A2两组及B1、B2两组的患者年龄、性别、心率、身高、体重、BMI无统计学差异，具有可比性（表1）。
表 1 一般资料比较Table 1. Comparison of basic data组别 例数 年龄/岁 性别比/（男/女） 心率/（次/分） 身高/cm 体重/kg BMI/（kg/m2） A1组 40 62.18±14.14 27/13 69.45±5.38 167.98±6.57 63.95±5.13 22.66±1.22 A2组 40 64.85±11.04 24/16 70.15±5.81 168.33±5.81 62.93±4.91 22.20±1.26 B1组 40 60.05±13.01 25/15 66.80±5.97 162.35±5.70 68.95±4.49 26.15±0.95 B2组 40 61.60±12.37 21/19 67.28±5.44 163.00±5.82 68.85±4.63 25.90±0.80 P 0.348＃ 0.485＃ 0.578＃ 0.801＃ 0.364＃ 0.103＃ 0.587△ 0.366△ 0.711△ 0.615△ 0.922△ 0.204△ 注：＃表示A1、A2两组比较；△表示B1、B2两组比较。 2.2 图像质量评价
两名医师的图像评分一致性好（A、B两组Kappa值分别为0.848、0.809）。经比较，A1和A2组图像合格率、优良率、SNR及CNR均无统计学差异，A2组的主动脉CT值、图像噪声高于A1组，有统计学差异（表2、表3、图1）。
表 2 图像质量主观评分比较Table 2. Comparison of subjective scores of image quality组别 例数 得分（例） 合格率/％ 优良率/％ 5分 4分 3分 2分 1分 A1组 40 15 12 7 4 2 85.0 67.5 A2组 40 12 13 10 2 3 87.5 62.5 B1组 40 16 10 3 7 4 72.5 65.0 B2组 40 18 16 2 3 1 90.0 85.0 P 0.745＃ 0.639＃ 0.045△ 0.039△ 注：＃表示A1、A2两组比较；△表示B1、B2两组比较。 表 3 图像质量客观比较Table 3. Comparison of objective comparison of image quality组别 例数 主动脉CT值/HU 同层面胸壁脂肪CT值/HU SD SNR CNR A1组 40 394.49±32.75 −103.86±8.42 16.81±1.97 23.79±3.50 29.04±2.95 A2组 40 559.65±37.61 −104.39±8.84 25.01±2.03 22.92±1.75 28.19±2.00 B1组 40 377.29±28.89 −102.75±8.45 18.30±1.45 20.76±2.49 26.41±2.98 B2组 40 512.90±24.50 −103.64±7.69 18.73±1.55 27.58±2.86 22.53±1.90 P 0.000＃ 0.783＃ 0.000＃ 0.164＃ 0.137＃ 0.000△ 0.625△ 0.202△ 0.000△ 0.000△ 注：＃表示A1、A2两组比较；△表示B1、B2两组比较。 ![]()
图 1 A组患者冠状动脉横断面及曲面重建图像注：（a）~（b）对照组患者，管电压120 kV扫描，使用60 mL对比剂+40 mL生理盐水注射，主动脉CT值402.95 HU，图像评分4分；（c）~（d）试验组患者，管电压80 kV扫描，使用40 mL对比剂+60 mL生理盐水注射，主动脉CT值602.73 HU，图像评分5分。Figure 1. Coronary artery cross-sectional and curved planar reconstruction images in group A patientsB2组图像合格率、优良率、主动脉CT值、SNR及CNR均高于B1组，图像噪声与B1组无差别（表2、表3、图2）。
![]()
图 2 B组患者冠状动脉横断面及曲面重建图像注：（a）~（b）对照组患者，管电压120 kV扫描，使用80 mL对比剂+20 mL生理盐水注射，主动脉CT值362.91 HU，图像评分4分；（c）~（d）试验组患者，管电压100 kV扫描，使用60 mL对比剂+40 mL生理盐水注射，主动脉CT值519.73 HU，图像评分4分。Figure 2. Coronary artery cross-sectional and curved planar reconstruction images in group B patients2.3 辐射剂量及碘摄入量比较
A2组CTDIvol、DLP、ED均低于A1组，差异有统计学意义，ED较A1组减少68.3％（表4）。经计算，A2组碘摄入量较A1组减少33.3％。
表 4 患者辐射剂量及碘摄入量比较Table 4. Comparison of radiation dose and iodine intake组别 例数 曝光长度/cm CTDIvol/mGy DLP/（mGy·cm） ED/mSv A1组 40 157.10±5.22 14.29±1.01 225.30±24.15 3.15±0.34 A2组 40 156.63±6.15 4.85±0.85 71.56±12.16 1.00±0.17 B1组 40 158.53±4.78 15.20±1.09 235.07±22.66 3.29±3.17 B2组 40 157.85±5.02 7.82±1.29 137.38±11.61 1.92±1.63 P 0.710＃ 0.000＃ 0.000＃ 0.000＃ 0.540△ 0.000△ 0.000△ 0.000△ 注：＃表示A1、A2两组比较；△表示B1、B2两组比较。 B2组CTDIvol、DLP、ED均低于B1组，ED较B1组减少41.6％，碘摄入量较B1组减少25％（表4）。
3. 讨论
近年来，由于CCTA的广泛应用，其所导致的较高辐射剂量及碘负荷所致的对比剂肾病问题备受人们关注[8-10]。BMI是评定人群肥胖程度的标准，CCTA扫描参数选择和对比剂用量与之相关[7,11]。目前基于BMI的个性化CCTA研究报道较少，本研究针对不同BMI患者，与常规方法相比，采用双低剂量行64排CCTA检查，探讨其对图像质量的影响。
影响CT辐射剂量的主要因素包括扫描模式、管电压、管电流及螺距，降低管电压可使受检者辐射剂量呈指数下降[12]。本研究18.5< BMI<24、24≤ BMI<28试验组中，管电压分别采用80 kV、100 kV患者所受ED较120 kV管电压分别减少68.3％、41.6％，与文献[13-14]报道降幅更大。
降低管电压图像噪声将增加，但由于光电效应使得血管CT值升高，增强与周围软组织对比度，从而补偿低电压导致的高噪声，改善图像质量[15]。本研究18.5<BMI<24试验组中，80 kV管电压图像噪声虽增加，但主动脉CT值也增高，SNR、CNR与对照组比较无统计学差异，两组图像优良率、合格率比较均无差异，因此证明80 kV低管电压图像能满足诊断要求，在正常BMI患者行CCTA是可行的，与陈惠娟等[16]研究相符。24≤BMI<28试验组100 kV图像噪声与对照组比较无统计学差异，但主动脉CT值、SNR、CNR、图像优良率及合格率均高于对照组，图像质量好于对照组。
目前CCTA所需对比剂剂量多以mL/kg固定值计算[11,17-18]，但对于较大BMI患者容易造成对比剂过量而增加肾脏负担。本研究试验组分别采用40 mL、60 mL低量对比剂+适量生理盐水注射，与对照组比较图像质量影响不大，但碘摄入量分别减少33.3％、25％，从而降低了对比剂毒性。
本研究的不足：①样本量较少；②所入组患者BMI限于18.5~28 kg/m2，有一定局限性；③对CCTA检查适应症要求相对严格，研究结果可能存在一定偏倚，有待今后进一步深入研究。
综上所述，对于不同BMI患者采用低管电压低剂量对比剂行64排CCTA检查是可行的，既能保证图像质量，又能明显降低辐射剂量并减少碘摄入量，具有安全可靠的临床价值。
-
![]()
图 1 两种分解方法的模拟复现结果
（a）和（b）是直接矩阵求逆法分解的骨和软组织的基材料图像；（c）和（d）是迭代分解法分解的骨和软组织的基材料图像。
Figure 1. Simulation results obtained with the two decomposition methods
表 1 两种解决方案的主要研究
Table 1 Main research of two solutions
方法 文献 时间 优点 缺点 分解后去噪 [13] 1976 方法实现简单，计算效率高 由于图像分辨率损失很大，效果有限 [14] 1984 实现简便 效果有限 [15] 1985 实现简单 效果有限 [16] 1988 缓解了空间分辨率损失的问题 有边缘伪影 [17] 1995 算法可以在不考虑噪声相关性的情况下实现
噪声抑制分解后的图像中高频噪声被过度抑制，导致图像纹理的改变 [18] 2003 算法利用CT或分解图像的冗余结构或统计信
息进行噪声抑制，可以更好地抑制噪声没有完全描述DECT图像和分解图像之间的映射关系 分解前去噪 [19] 2014 使重建的两幅CT图像噪声变得强烈相关，进
而使得分解图像的噪声得到显著抑制CT重建和图像分解的结合增加了计算的复杂性，并且算法需要大量迭代才能收敛 [20] 2015 可以在保留定量测量和高频边缘信息的同
时显著降低噪声在心肌成像中仍会存在边缘效应 [21] 2018 在抑制噪声的同时可以保持图像边缘细节 没有考虑分解过程的噪声对图像的影响 [22] 2019 可获得高质量的重建CT图像以便后续分解 没有考虑分解过程的噪声对图像的影响 
下载: 导出CSV
表 2 基于深度学习方法分解图像的主要研究
Table 2 Main research of image decomposition based on deep learning method
下载: 导出CSV
-
[1] 高海英. 能谱CT成像关键参数检测技术研究[D]. 广州: 南方医科大学, 2015. GAO H Y. Study on testing techniques of spectral CT imaging key parameters[D]. Guangzhou: Southern Medical University, 2015. (in Chinese).
[2] 韩文艳. CT能谱成像的基本原理与临床应用优势[J]. 中国医疗设备, 2015,30(12): 90−91. doi: 10.3969/j.issn.1674-1633.2015.12.025 HAN W Y. Basic principle and advantages of clinical application of CT energy spectrum imaging[J]. China Medical Devices, 2015, 30(12): 90−91. (in Chinese). doi: 10.3969/j.issn.1674-1633.2015.12.025
[3] ALVAREZ R E, MACOVSKI A. Energy-selective reconstructions in X-ray computerized tomography[J]. Physics in Medicine & Biology, 1976, 21(5): 733−744.
[4] 王丽新, 孙丰荣, 仲海, 等. 双能CT成像的数值仿真[J]. 航天医学与医学工程, 2015,28(5): 350−357. WANG L X, SUN F R, ZHONG H, et al. Numerical simulation of dual-energy CT imaging[J]. Space Medicine & Medical Engineering, 2015, 28(5): 350−357. (in Chinese).
[5] MAASS C, BAER M, KACHELRIESS M. Image-based dual energy CT using optimized precorrection functions: A practical new approach of material decomposition in image domain[J]. Medical Physics, 2009, 36(8): 3818−3829. doi: 10.1118/1.3157235
[6] 贺芳芳. 能谱CT基物质分解技术应用研究[D]. 济南: 山东大学, 2020. HE F F. Application research on basis material decomposition of spectral CT[D]. Jinan: Shandong University, 2020. (in Chinese).
[7] MENDONÇA P R S, BHOTIKA R, MADDAH M, et al. Multi-material decomposition of spectral CT images[C]//Medical Imaging 2010: Physics of Medical Imaging. SPIE, 2010, 7622: 633-641.
[8] 周正东, 章栩苓, 辛润超, 等. 基于MAP-EM算法的双能CT直接迭代基材料分解方法[J]. 东南大学学报(自然科学版), 2020,50(5): 935−941. doi: 10.3969/j.issn.1001-0505.2020.05.020 ZHOU Z D, ZHANG X L, XIN R C, et al. Direct iterative basis material decomposition method for dual-energy CT based on MAP-EM algorithm[J]. Journal of Southeast University (Natural Science Edition), 2020, 50(5): 935−941. (in Chinese). doi: 10.3969/j.issn.1001-0505.2020.05.020
[9] 孙英博, 孔慧华, 张雁霞. 基于投影域分解的多能谱CT造影剂物质识别研究[J]. 中北大学学报 (自然科学版), 2019,40(2): 167−172. SUN Y B, KONG H H, ZHANG Y X. Multi-energy spectral CT contrast agent material recognition based on projection domain decomposition[J]. Journal of North University of China (Natural Science Edition), 2019, 40(2): 167−172. (in Chinese).
[10] LI Z, RAVISHANKAR S, LONG Y, et al. Learned mixed material models for efficient clustering based dual-energy CT image decomposition[C]//2018 IEEE Global Conference on Signal and Information Processing (GlobalSIP). IEEE, 2018: 529-533.
[11] 李磊. 双能CT图像重建算法研究[D]. 郑州: 解放军信息工程大学, 2016. LI L. Research on image reconstruction algorithms of dual energy computed tomography[D]. Zhengzhou: Information Engineering University, 2016. (in Chinese).
[12] MCCOLLOUGH C H, SCHMIDT B, LIU X, et al. Dual-energy algorithms and postprocessing techniques[M]//Dual energy CT in clinical practice. Springer, Berlin, Heidelberg, 2011: 43-51.
[13] RUTHERFORD R, PULLAN B, ISHERWOOD I. X-ray energies for effective atomic number determination[J]. Neuroradiology, 1976, 11(1): 23−28. doi: 10.1007/BF00327254
[14] NISHIMURA D G, MACOVSKI A, BRODY W R. Noise reduction methods for hybrid subtraction[J]. Medical Physics, 1984, 11(3): 259−265. doi: 10.1118/1.595501
[15] JOHNS P C, YAFFE M J. Theoretical optimization of dual-energy X-ray imaging with application to mammography[J]. Medical Physics, 1985, 12(3): 289−296. doi: 10.1118/1.595766
[16] KALENDER W A, KLOTZ E, KOSTARIDOU L. An algorithm for noise suppression in dual energy CT material density images[J]. IEEE Transactions on Medical Imaging, 1988, 7(3): 218−224. doi: 10.1109/42.7785
[17] HINSHAW D A, DOBBINS III J T. Recent progress in noise reduction and scatter correction in dual-energy imaging[C]//Medical Imaging 1995: Physics of Medical Imaging, SPIE, 1995, 2432: 134-142.
[18] WARP R J, DOBBINS J T. Quantitative evaluation of noise reduction strategies in dual-energy imaging[J]. Medical Physics, 2003, 30(2): 190−198. doi: 10.1118/1.1538232
[19] DONG X, NIU T, ZHU L. Combined iterative reconstruction and image-domain decomposition for dual energy CT using total-variation regularization[J]. Medical Physics, 2014, 41(5): 051909(1-9).
[20] ZHAO W, NIU T, XING L, et al. Using edge-preserving algorithm with non-local mean for significantly improved image-domain material decomposition in dual-energy CT[J]. Physics in Medicine & Biology, 2016, 61(3): 1332−1351.
[21] 陈佩君, 冯鹏, 伍伟文, 等. 基于图像总变分和张量字典的多能谱CT材料识别研究[J]. 光学学报, 2018, 38(11): 1111002(1-8). CHEN P J, FENG P, WU W W, et al. Material discrimination by multi-spectral CT based on lmage total variation and tensor dictionary[J]. Acta Optica Sinica 2018, 38(11): 1111002(1-8). (in Chinese).
[22] DENG G, CHEN M, HE P, et al. The experimental study on geometric calibration and material discrimination for in Vivo dual-energy CT imaging[J]. Biomedical Research International, 2019, 2019: 7614589.
[23] NIU T, DONG X, PETRONGOLO M, et al. Iterative image-domain decomposition for dual-energy CT[J]. Medical Physics, 2014, 41(4): 041901(1−10).
[24] TANG S, YANG M, HU X, et al. Multiscale penalized weighted least-squares image-domain decomposition for dual-energy CT[C]//2015 IEEE Nuclear Science Symposium and Medical Imaging Conference (NSS/MIC). IEEE, 2015: 1-6.
[25] LI Z, RAVISHANKAR S, LONG Y, et al. DECT-MULTRA: Dual-energy CT image decomposition with learned mixed material models and efficient clustering[J]. IEEE Transactions on Medical Imaging, 2020, 39(4): 1223−1234. doi: 10.1109/TMI.2019.2946177
[26] 王冲旭, 陈平, 潘晋孝, 等. 基于迭代残差网络的双能CT图像材料分解研究[J]. CT理论与应用研究, 2022,31(1): 47−54. DOI: 10.15953/j.1004-4140.2022.31.01.05. WANG C X, CHEN P, PAN J X, et al. Research on material decomposition of dual-energy CT image based on iterative residual network[J]. CT Theory and Applications, 2022, 31(1): 47−54. DOI: 10.15953/j.1004-4140.2022.31.01.05. (in Chinese).
[27] XU Y, YAN B, ZHANG J, et al. Image decomposition algorithm for dual-energy computed tomography via fully convolutional network[J]. Computational and Mathematical Methods in Medicine, 2018, 2018(1): 2527516.
[28] 朱冬亮, 文奕, 陶欣. 深度学习在生物医学领域的应用进展述评[J]. 世界科技研究与发展, 2020,42(5): 510−519. ZHU D L, WEN Y, TAO X. A Review of the application progress of deep learning in biomedical field[J]. World Sci-Tech R & D, 2020, 42(5): 510−519. (in Chinese).
[29] KAWAHARA D, SAITO A, OZAWA S, et al. Image synthesis with deep convolutional generative adversarial networks for material decomposition in dual-energy CT from a kilovoltage CT[J]. Computers in Biology and Medicine, 2021, 128: 104111. doi: 10.1016/j.compbiomed.2020.104111
[30] LYU T, ZHAO W, ZHU Y, et al. Estimating dual-energy CT imaging from single-energy CT data with material decomposition convolutional neural network[J]. Medical Image Analysis, 2021, 70: 102001. doi: 10.1016/j.media.2021.102001
[31] CLARK D P, HOLBROOK M, BADEA C T. Multi-energy CT decomposition using convolutional neural networks[C]//Medical Imaging 2018: Physics of Medical Imaging. International Society for Optics and Photonics, 2018, 10573: 415-423.
[32] ZHANG W, ZHANG H, WANG L, et al. Image domain dual material decomposition for dual-energy CT using butterfly network[J]. Medical Physics, 2019, 46(5): 2037−2051. doi: 10.1002/mp.13489
[33] SHI Z, LI H, CAO Q, et al. A material decomposition method for dual-energy CT via dual interactive Wasserstein generative adversarial networks[J]. Medical Physics, 2021, 48(6): 2891−2905. doi: 10.1002/mp.14828
[34] 郭志鹏. Micro-CT重建图像质量增强的方法研究[D]. 西安: 西安电子科技大学, 2017. GUO Z P. Research on image quality enhancement method in micro-CT reconstruction[D]. Xi'an: Xidian University, 2017. (in Chinese).
[35] LIU X, YU L, PRIMAK A N, et al. Quantitative imaging of element composition and mass fraction using dual-energy CT: Three-material decomposition[J]. Medical Physics, 2009, 36(5): 1602−1609. doi: 10.1118/1.3097632
[36] MENDONÇA P R, LAMB P, SAHANI D V. A flexible method for multi-material decomposition of dual-energy CT images[J]. IEEE Transactions on Medical Imaging, 2014, 33(1): 99−116. doi: 10.1109/TMI.2013.2281719
[37] JIANG Y, XUE Y, LYU Q, et al. Noise suppression in image-domain multi-material decomposition for dual-energy CT[J]. IEEE Transactions on Biomedical Engineering, 2020, 67(2): 523−535. doi: 10.1109/TBME.2019.2916907
[38] LEE H, KIM H J, LEE D, et al. Improvement with the multi-material decomposition framework in dual-energy computed tomography: A phantom study[J]. Journal of the Korean Physical Society, 2020, 77(6): 515−523. doi: 10.3938/jkps.77.515
[39] 降俊汝, 余海军, 龚长城, 等. 基于双能CT图像域的DL-RTV多材料分解研究[J]. 光学学报, 2020,40(21): 2111004(1−12). JIANG J R, YU H J, GONG C C, et al. Image-domain multimaterial decomposition for dual-energy CT based on dictionary learning and relative total variation[J]. Acta Optica Sinica, 2020, 40(21): 2111004(1−12). (in Chinese).
[40] LONG Y, FESSLER J A. Multi-material decomposition using statistical image reconstruction for spectral CT[J]. IEEE Transactions on Medical Imaging, 2014, 33(8): 1614−1626. doi: 10.1109/TMI.2014.2320284
[41] XUE Y, RUAN R, HU X, et al. Statistical image-domain multimaterial decomposition for dual-energy CT[J]. Medical Physics, 2017, 44(3): 886−901. doi: 10.1002/mp.12096
[42] DING Q, NIU T, ZHANG X, et al. Image-domain multimaterial decomposition for dual-energy CT based on prior information of material images[J]. Medical Physics, 2018, 45(8): 3614−3626. doi: 10.1002/mp.13001
[43] PATINO M, PROCHOWSKI A, AGRAWAL M D, et al. Material separation using dual-energy CT: Current and emerging applications[J]. Radiographics, 2016, 36(4): 1087−1105. doi: 10.1148/rg.2016150220
-
期刊类型引用(2)
1. 罗婷，赵星，赵云松，李陶. X射线CT正交基材料分解成像方法及其在校正金属伪影中的应用. 光学学报. 2024(08): 45-59 . 
百度学术
2. 鲁新亮，刘云福，张永县，刘丹丹，牛延涛. 双能量CT电子密度和有效原子序数测量的研究进展. CT理论与应用研究. 2024(06): 740-746 . 本站查看
其他类型引用(2)
计量
- 文章访问数: 2243
- HTML全文浏览量: 198
- PDF下载量: 218
- 被引次数: 4
