提出了一种稀疏张量约束重建算法,该方法利用非局部相似的先验信息,将CT图像分割成一系列图像块组;采用张量的多维低秩分解方法, 将这一先验信息引入低剂量CT重建中,构造目标函数;通过重建图像更新和图像块组张量稀疏编码两个步骤,交替迭代求解目标函数。基于仿真数据和临床数据的实验结果验证了该算法的有效性,实验结果表明:与经典重建算法相比,所提算法在抑制噪声的同时,能更好地保持重建图像的细节,获得更高质量的图像。

光谱计算机断层扫描（CT）在病变检测，组织表征和材料分解方面具有极大的优势。 为了进一步扩展其潜在的临床应用，在这项工作中，我们提出了一种改进的张量字典学习方法，用于具有图像梯度l（0）-norm约束的低剂量光谱CT重建，被称为l（0）TDL。 l（0）TDL方法通过利用频谱CT图像的相似性继承了张量词典学习（TDL）的优点。 另一方面，通过在梯度图像域中引入l（0）-范数约束，该方法强调了空间稀疏性，克服了TDL在保留边缘信息方面的弱点。 采用分裂布勒曼法对提出的方法进行求解。 数值模拟和实际