邓春燕，陆佳扬，黄宝添

汕头大学医学院附属肿瘤医院放疗科，广东汕头515000

前言

近年来，图像引导放射治疗（Image Guided Radiation Therapy, IGRT）和自适应放疗（Adaptive Radiation Therapy,ART）受到了广泛的关注，锥形束CT（Cone‐Beam CT, CBCT）由于其具有较好的实时性、较高的灵敏度以及方便使用等优点，被广泛地应用于IGRT 和ART 中［1‐3］。然而，由于CBCT 采用的是锥形X 射线束与平板探测器通过低剂量扫描进行成像的，以及其采用的重建算法选取等原因，采集到的CBCT 图像的成像质量相比常规CT 图像要差，且包含了大量的噪声，这对医生的诊断影响较大，在一定程度上影响了CBCT 在放疗中的应用［2,4‐6］。为了去除CBCT 图像中的噪声问题，刘岩海［7］提出一种基于非局部均值（Non‐Local Means, NLM）方法对CBCT图像进行降噪处理，处理后可以获得效果质量较好的CBCT图像，但是由于使用NLM 算法，会不可避免地导致图像部分结构信息发生丢失，为了提高CBCT图像质量并克服NLM降噪产生的图像结构信息丢失这个问题，本文提出一种基于神经网络学习的超分辨率重建（Super‐Resolution Convolutional Neural Network,SRCNN）算法对CBCT 图像进行处理，以提高CBCT的图像质量。

本文主要分为两个步骤：第一步，采用NLM方法对图像进行降噪处理，以消除CBCT成像中产生的噪声问题；第二步，分别采用SRCNN 方法和双三次插值重建（Bicubic Interpolation, BIC）方法对图像进行超分辨重建，以消除第一步中NLM 处理中导致的图像边缘模糊问题，同时恢复出图像原有的细节信息。

1 SRCNN算法

SRCNN是计算机视觉的一个经典应用，旨在从一个低分辨率（Low Resolution,LR）图像中恢复出具有更多细节信息的高分辨率（High Resolution,HR）图像［8‐9］，期望通过软件的处理，来克服依靠硬件来采集HR图像的局限性，可以消除重建中产生的退化问题，具有较好的恢复效果［10］。……