何国栋,汪慧兰,章姗姗,徐建林

(1.安徽师范大学 物理与电子信息学院，安徽 芜湖 241000；2.上海市胸科医院 上海交通大学附属胸科医院，上海 200030)

0 引言

计算机断层成像(Computed Tomography，CT)自面世以来就被广泛应用到医学检查和诊断中，与X射线相比，CT影像能够提供更加全面和高分辨率的断层解剖学人体组织影像。传统的CT检查中，螺旋扫描仪旋转一周一般需要投影1 000～2 000次，较高的辐射剂量可能会对人体组织造成伤害，过量的X射线还可能造成染色体变异等不可逆转的损害[1-2]。因此，研究如何降低CT检查中X射线的投影数据量并获得清晰的医学影像，具有重要的理论研究价值和临床意义[3]。

针对低剂量采样数据的CT图像重构，一般首先对低剂量采样数据进行插值，然后再采用滤波反投影算法进行重构，还有基于迭代类的CT图像重构方法，但这些方法在实际应用中存在计算要求高、清晰度不够等问题[4]。压缩感知(Compressive Sensing,CS)是一种新兴的稀疏信号采样和处理理论[5-6]，基于稀疏和随机感知理论，实现在低采样率下对稀疏信号的高效精确重构，目前CS已经被广泛应用于模拟信号到信息转换[7]、卫星导航信号处理[8]以及无线传感器网络[9]等领域。由于CS能够以较少的采样数据实现对稀疏信号的高质量重构，将其应用到低剂量肺部CT图像重构中，临床应用上可以降低医学检查中X射线对人体的二次伤害。CS的重构算法较多，稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)重构算法是一种性能较好的重构算法[10]。SBL最初作为一种机器学习算法，后被引入压缩感知稀疏信号重构中，研究发现该算法能够有效地重构出稀疏度较低的信号，有利于实现对图像信号的重构。……