【图像重建】使用FDK的三维谢普洛根幻影重建附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

图像重建技术，作为现代医学、地质勘探、材料科学等领域不可或缺的关键环节，在非侵入式地获取物体内部结构信息方面发挥着至关重要的作用。三维图像重建更是克服了二维成像的局限性，能够提供更全面、更真实的物体内部结构描述。其中，扇形束计算机断层扫描（Cone Beam Computed Tomography, CBCT）由于其数据获取效率高、扫描时间短等优点，在临床诊断中应用日益广泛。然而，扇形束几何的成像机制也带来了更复杂的重建问题。Feldkamp-Davis-Kress (FDK) 算法，作为一种近似重建算法，凭借其计算效率高、易于实现等优势，成为扇形束图像重建领域中的经典方法。本文将深入探讨基于 FDK 算法的三维 Shepp-Logan 幻影重建过程，分析其原理、步骤以及在实际应用中的局限性，并展望其未来发展方向。

Shepp-Logan 幻影，由 Larry Shepp 和 Benjamin F. Logan 于 1974 年提出，是一个广泛应用于图像重建算法验证和评估的标准模型。它由若干个具有不同密度和形状的椭圆体构成，模拟了人体头部的主要结构，如头骨、大脑、脑室等。使用 Shepp-Logan 幻影进行重建，能够有效评估重建算法在空间分辨率、对比度和噪声抑制等方面的性能。

FDK 算法的核心思想是利用滤波反投影方法对投影数据进行重建。其基本流程可以概括为以下几个步骤：

1. 投影数据获取与预处理:

首先，需要获得 Shepp-Logan 幻影在不同角度下的投影数据。在模拟环境下，通常使用计算机程序生成投影数据，该程序会模拟 X 射线穿过幻影的过程，并计算出每个探测器像素上的射线衰减值。这些衰减值经过对数变换后，即可得到投影数据。

在实际应用中，投影数据往往会受到各种因素的影响，例如噪声、散射、光束硬化效应等。因此，在进行重建之前，需要对投影数据进行一系列预处理操作，包括：

• 噪声去除:

   采用各种滤波算法，如中值滤波、高斯滤波等，去除投影数据中的随机噪声。

• 散射校正:

   采用基于物理模型或蒙特卡罗模拟的方法，对散射伪影进行校正。

• 光束硬化校正:

   采用校正曲线或迭代方法，补偿光束硬化效应造成的灰度偏差。

• 几何校正:

   对投影数据的几何参数进行校正，例如探测器位置和角度的偏差。

2. 滤波:

滤波是 FDK 算法中的关键步骤，其目的是对投影数据进行高频增强，从而提高重建图像的空间分辨率。常用的滤波函数包括 Ram-Lak 滤波器、Shepp-Logan 滤波器等。Ram-Lak 滤波器具有理想的高频响应，但容易放大噪声；Shepp-Logan 滤波器则在抑制噪声方面表现更好，但其空间分辨率相对较低。在实际应用中，需要根据具体情况选择合适的滤波函数。

FDK 算法中，滤波操作通常在傅里叶域进行。首先，将投影数据进行傅里叶变换，然后将其与滤波函数在频域中相乘，最后再将结果进行逆傅里叶变换，得到滤波后的投影数据。

3. 加权:

加权操作是 FDK 算法中修正扇形束几何的关键步骤。由于扇形束几何的特殊性，不同射线穿过幻影的距离不同，因此需要对投影数据进行加权，以补偿这种几何差异。FDK 算法中常用的加权函数包括：

• 余弦加权:

   对投影数据乘以余弦函数，以补偿射线穿过幻影的距离差异。

• Parker 加权:

   是一种更精确的加权方法，能够有效减少截断伪影。

加权后的投影数据能够更准确地反映幻影的密度分布，从而提高重建图像的质量。

4. 反投影:

反投影是将滤波和加权后的投影数据重新分配到三维重建空间中的过程。在反投影过程中，需要将每个探测器像素上的投影值沿着对应的射线方向反投影到重建空间中，并将这些投影值累加到对应的体素（Voxel）上。

反投影是 FDK 算法中计算量最大的步骤，需要大量的计算资源。为了提高反投影的效率，通常采用各种优化技术，例如多线程并行计算、GPU 加速等。

5. 后处理:

重建后的图像可能存在一些伪影和噪声，因此需要进行后处理操作，以进一步提高图像质量。常用的后处理方法包括：

• 平滑滤波:

   采用各种平滑滤波算法，例如中值滤波、高斯滤波等，去除图像中的噪声。

• 对比度增强:

   采用各种对比度增强算法，例如直方图均衡化、CLAHE 等，提高图像的对比度。

• 伪影抑制:

   采用各种伪影抑制算法，例如 TV 正则化、字典学习等，减少图像中的伪影。

通过上述步骤，可以利用 FDK 算法对 Shepp-Logan 幻影进行三维重建，并获得清晰的图像。

FDK 算法的局限性与改进方向:

尽管 FDK 算法在扇形束图像重建领域具有广泛的应用，但其作为一种近似重建算法，仍然存在一些局限性：

• 近似性:

   FDK 算法是一种近似重建算法，其重建精度受到扇形束角度范围和锥角大小的限制。当扇形束角度范围不足或锥角较大时，重建图像会产生明显的伪影。

• 完整性要求:

   FDK 算法要求投影数据具有一定的完整性，如果投影数据存在截断或缺失，重建图像会出现明显的伪影。

• 均匀性假设:

   FDK 算法假设 X 射线穿过物体的过程是线性的，但实际上，X 射线会受到光束硬化效应的影响，导致重建图像出现灰度偏差。

为了克服 FDK 算法的局限性，研究人员提出了许多改进方法，例如：

• 精确重建算法:

   采用更精确的重建算法，例如 Feldkamp-Davis-Kress (FDKW) 算法、Katsevich 算法等，提高重建精度。

• 迭代重建算法:

   采用迭代重建算法，例如 ART、SIRT、OSEM 等，能够有效抑制噪声和伪影，并提高重建图像的质量。

• 深度学习重建算法:

   利用深度学习技术，训练神经网络，能够从投影数据中直接重建出高质量的图像，并具有很强的抗噪声能力。

总结与展望:

FDK 算法作为一种经典的三维图像重建算法，在扇形束 CT 成像中发挥着重要的作用。本文详细介绍了基于 FDK 算法的三维 Shepp-Logan 幻影重建过程，分析了其原理、步骤以及在实际应用中的局限性。

随着计算机技术的不断发展，图像重建算法也在不断进步。未来，随着计算能力的提升和算法的优化，精确重建算法、迭代重建算法和深度学习重建算法将在扇形束 CT 成像中发挥越来越重要的作用，为医学诊断、地质勘探、材料科学等领域提供更准确、更可靠的图像信息。

未来的研究方向主要集中在以下几个方面：

• 提高重建精度:

   研究更精确的重建算法，降低伪影和噪声的影响，提高重建图像的空间分辨率和对比度。

• 减少辐射剂量:

   研究更高效的重建算法，利用更少的投影数据进行重建，从而降低患者的辐射剂量。

• 实时重建:

   研究更快速的重建算法，实现实时重建，满足临床诊断的实时性需求。

• 多模态图像融合:

   研究多模态图像融合技术，将 CT、MRI、PET 等不同模态的图像进行融合，提供更全面的诊断信息。

⛳️ 运行结果

🔗 参考文献

[1] 石本义.基于GPU的计算机断层成像技术研究[D].华中科技大学[2025-03-25].DOI:10.7666/d.d188604.

[2] 莫英,刘佳,李仟,等.四维锥形束的CT重建:基于鲁棒主成分分析的运动补偿算法[J].南方医科大学学报, 2021, 41(2):7.DOI:10.12122/j.issn.1673-4254.2021.02.12.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇