CN103959329B - 图像域去噪 - Google Patents
图像域去噪 Download PDFInfo
- Publication number
- CN103959329B CN103959329B CN201280057678.2A CN201280057678A CN103959329B CN 103959329 B CN103959329 B CN 103959329B CN 201280057678 A CN201280057678 A CN 201280057678A CN 103959329 B CN103959329 B CN 103959329B
- Authority
- CN
- China
- Prior art keywords
- mrow
- denoising
- reconstruction
- algorithm
- represent
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012546 transfer Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 11
- 238000003384 imaging method Methods 0.000 claims description 10
- 238000003672 processing method Methods 0.000 claims 1
- 238000007689 inspection Methods 0.000 description 11
- 230000005855 radiation Effects 0.000 description 9
- 238000002591 computed tomography Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- VWDWKYIASSYTQR-UHFFFAOYSA-N sodium nitrate Chemical compound [Na+].[O-][N+]([O-])=O VWDWKYIASSYTQR-UHFFFAOYSA-N 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
Abstract
一种图像数据处理部件(122)，包括：算法存储器(212)，所述算法存储器(212)包括基于Huber粗糙度惩罚最小化的一个或多个仅图像域迭代去噪算法(214)；和处理器(206)，其基于Huber粗糙度惩罚迭代最小化算法中的至少一个来仅在图像域对重建的图像数据进行去噪。
Description
技术领域
以下大体涉及对重建的图像数据进行去噪，并且具体应用于计算机断层摄影(CT)扫描机，但也可用于其他扫描机，例如混合式PET/CT系统、数字X射线系统和/或其他成像扫描机。
背景技术
多层计算机断层摄影(CT)扫描机包括安装在可旋转机架上的X射线管，所述可旋转机架关于纵轴或z轴绕检查区域旋转。所述X射线管发射穿过所述检查区域以及其中的受检者或对象的辐射。二维探测器阵列在所述检查区域对面与所述X射线管相对对向一角度弧。所述探测器阵列包括相对于彼此对齐并且沿所述z轴延伸的多行探测器。所述探测器探测穿过所述检查区域以及其中的受检者或对象的辐射，并生成指示其的投影数据。重建器处理所述投影数据并重建指示其的体积图像数据。
一般而言，所述图像数据例如由于图像采集参数和/或采集系统探测器和/或其他电子元件，而将包括一定水平的图像噪声。这种噪声可能降低所述图像数据并且因而降低所述成像程序的诊断值，而将所述对象暴露于电离辐射，所述电离辐射除其他问题之外，还可能给所述对象增加癌症的风险。已提出迭代重建(IR)，以在传统的滤波反投影(FBP)重建上改进图像质量，并且可以被用于降低被递送到对象的剂量和/或改进针对给定剂量图像数据的清晰度。
一些IR算法已尝试最大化代价函数，其包括将拟合与测量的数据相比较的可能性项和基于Huber函数(Huber function)的粗糙度惩罚项。这种IR算法的范例包括H.Erdogan、J.A.Fessler，“Monotonic algorithm for transmission tomography”，IEEETrans.Med.Imag.，第18卷，第9号，第801-814页(1999年)，以及J.A.Fessler，“Handbook ofMedical Imaging卷2：Medical Image Processing and Analysis”中的“StatisticalImage Reconstruction Methods”，SPIE2000。遗憾的是，这种IR算法因在重建算法的每次迭代中，在图像域和投影域之间来回切换，而造成计算昂贵。
也已提出仅图像域去噪算法。这种算法已尝试通过从图像数据去除噪声而不返回所述投影域，来改进图像品质。这种基于图像域的去噪算法一般要比上面提到的IR算法快得多，但它们不一定提供至少与所述IR算法的结果可比的结果。例如，频繁使用的一种对二维图像的减噪算法为在T.Chan、J.Shen的教科书“Image Processing And Analysis”SIAM(2005年)的章节4.5.5中描述的全变差最小化算法。该算法在保留边缘的同时从图像体积去除噪声时有效，但结果受对全变差损失的限制约束。
发明内容
本文描述的各方面解决上述问题以及其他问题。
在一个方面中，一种图像数据处理部件，包括：算法存储器，其包括基于Huber粗糙度惩罚最小化的一个或多个仅图像域迭代去噪算法；以及处理器，其基于所述Huber粗糙度惩罚迭代最小化算法仅在图像域中对重建的图像数据进行去噪。
在另一方面中，一种方法，包括：用处理器仅在图像域中，用基于Huber粗糙度惩罚最小化的仅图像域迭代去噪算法，来对重建的图像数据进行去噪。
在另一方面中，一种被编码或嵌入有计算机可读指令的计算机可读存储介质，所述计算机可读指令在被计算系统的处理器运行时，令所述处理器：用处理器并且仅在图像域中，用基于Huber粗糙度惩罚最小化的迭代去噪算法，来对重建的图像数据去噪。
附图说明
本发明可以采取各种部件和各部件的布置以及各个步骤和各步骤的安排的形式。附图仅是出于图示优选的实施例的目的，并且不应被解释为限制本发明。
图1示意性地图示了与图像数据处理部件相连的示范性成像系统。
图2示意性地图示了图像数据处理部件的范例。
图3和图4示意性地图示体素的块，包括要被去噪的体素和被用于对所述体素进行去噪的相邻体素。
图5图示了用于基于Huber粗糙度惩罚对重建的图像数据进行去噪的方法。
具体实施方式
图1示意性地图示了诸如计算机断层摄影(CT)扫描机的成像系统100。成像系统100包括大体固定机架102和旋转机架104。旋转机架104由固定机架可旋转地支撑，并且关于纵轴或z轴绕检查区域106旋转。
辐射源110，例如X射线管，由旋转机架104可旋转地支撑并与旋转机架104一起旋转，并且发射穿过检查区域106的辐射。一维或二维辐射敏感探测器阵列112跨检查区域106在辐射源110对面对向一角度弧，并探测穿过检查区域106的辐射，生成指示其的投影数据。
重建器116重建所述投影数据，并生成指示其的三维(3D)体积图像数据。重建器116可以采用常规的滤波反投影重建算法、锥形束重建算法、迭代重建算法和/或其他重建算法。患者支撑体118，例如躺椅，在检查区域106中支撑诸如人类患者的对象或受试者。
通用计算机系统或计算机充当操作者控制台120。控制台120的处理器在控制台120上运行计算机可读指令，其允许操作者控制系统100的操作，例如选择成像协议，包括全剂量或低剂量成像协议；激活图像数据去噪；启动扫描，等等。
图像数据处理部件122处理所重建的图像数据。如下文更详细地描述，在一个实例中，部件122采用基于Huber粗糙度惩罚的、在图像域中(即，不必须将所述图像数据前投影到投影域)、迭代地对重建的图像数据进行去噪的算法。这可以允许减少图像数据中的图像噪声，而与用Huber正则项的IR算法相比计算较不昂贵，所述IR算法通过针对每次迭代在所述投影域与图像域之间来回切换来寻找最佳图像体积。其中，所述投影数据在被重建之前，首先在所述投影域中被去噪，所去噪的重建的图像数据可以与使用具有所述Huber正则化的IR算法产生的图像体积的非常接近。注意，不同于背景技术中讨论的T.Chan、J.Shen的所述减噪算法(其为对二维(2D)图像的全变差(TV)最小化)，图像数据处理部件122采用三维(3D)算法，其并入来自所述IR算法的Huber惩罚(并且不是全变差惩罚)。
可以采用任选的机器学习部件124，来记录由放射科医师、技术人员和/或其他授权人员输入和/或调整的、被图像数据处理部件122使用的一个或多个参数的值，并且使用该信息来为所述放射科医师、技术人员和/或其他授权人员推荐参数值，和/或在成像数据处理部件122中自动载入所推荐的参数值，用于随后对图像数据的去噪。所述放射科医师、技术人员和/或其他授权人员可以接受和/或修改一个或多个推荐的和/或自动载入的参数值。可以用控制台120的显示监视器、图像数据处理部件122、人选的机器学习部件124和/或其他设备，例如经由图形用户界面(GUI)或以其他方式，视觉显示或呈现所述参数的既往的和/或当前的值，和/或对所述参数的所述值的改变。一般而言，部件124可以采用这样的算法，所述算法允许部件124通过归纳推理、图形识别、归类、统计等等，从所输入的数据学习，并基于其预测未来数据。
图2示意性地图示了图像数据处理部件122的范例。
第一存储器202被用于存储要被去噪的重建的图像数据。在一个实例中，这种图像数据为尚未被部件122去噪的图像数据。在另一实例中，这种图像数据为已在一次或多次迭代上被部件122去噪，并要被再次去噪的图像数据。在任一实例中，所述图像数据可以先前已在投影域方法和/或图像域方法中被去噪。第二存储器204被用于存储以在至少一次去噪迭代上被部件122去噪的图像数据。要认识到，第一存储器202和第二存储器204可以为相同物理存储器或不同物理存储器的部分。
微处理器或去噪器206迭代地对图像数据进行去噪。这包括针对一迭代，对被存储在第一存储器202中的所述图像数据进行去噪，并将该经去噪的图像数据存储在第二存储器204中。针对下一迭代，去噪器206用第二存储器204中的经去噪的图像数据代替来第一存储器202中的图像数据，并对第一存储器202中新存储的图像数据(即，先前去噪的图像数据)进行去噪，将新去噪的图像数据存储在第二存储器204中。在第二存储器204中没有要执行的另外的去噪迭代，所去噪的图像数据被存储在第二存储器204中和/或从第二存储器204被传送和/或取回。
停止标准存储器208包括一个或多个停止标准210，用于由去噪器206终止去噪。合适的停止标准的范例包括，但不限于预定数目的迭代、来自相继的迭代的数据之间的预定误差宽容度、预定的时间持续等等。这样的标准可以是默认的和/或用户定义的，并且可以取决于成像协议、用户、进行判读的放射科医师、成像设施和/或其他信息。
算法存储器212包括被去噪器206用于对图像数据进行去噪的一个或多个去噪算法214。合适的算法的非限制性范例可以推导自公式1中示出的偏微分公式：
公式1：
其中，u表示经去噪的图像体积(即，公式1的解)，uo表示正被去噪的初始的有噪声图像数据，w表示统计权重，并且δ和β表示调节参数，符号指代梯度算子并且div为散度算子。大体上，项为噪声损失项，其对应于Huber粗糙度惩罚，并且项βw·(uo-u)代表对所述图像数据的约束。
公式2中示出了合适的统计权重w的非限制性范例：
公式2：
其中，y0表示被表达为探测到的X射线光子的数目的对应的投影数据，并且bp(y0)表示探测到的X射线光子的背投影数目。在公式2中，w与所述图像中的所述噪声成反比，其可以通过使用修正的滤波反投影将投影数据噪声模型传播到所述图像域中或者通过从所述图像数据的噪声测量而获得。大体上，w决定所述去噪的攻击性。
调节参数δ和β为自由变量(其为严格正实标量)，其可以被设置为默认和/或用户定义的值、通过机器学习部件124确定的值和/或其他值，并且在一些实例中，可以被用户和/或计算机改变。参数δ大体决定所述去噪的强度，并且β大体决定去噪的平滑度(即，最终的去噪图像数据更平滑或更接近初始的有噪声的图像数据uo)。参数存储器216存储一个或多个参数218，例如变量δ和β和/或(一个或多个)其他参数中的一个或多个。
接下来结合图3和图4描述基于公式1对CT图像数据的体素进行去噪的非限制性范例。
要认识到，可以顺序地和/或同时地将所述去噪扩展到所述图像数据的一个或多个其他体素。通过体素网格来对图像数据进行采样，每个体素具有单位长度dx×dy×dz的尺寸。图3示出了所述图像数据的体素302的三乘三乘三(3x3x3)(或三维(3D))子方块，包括要被去噪的体素304，其在图3中为定位于体素302的子方块的中心的体素。所图示的范例在对体素304的去噪中使用体素302的所述子方块中的体素的了部分。在其他实施例中，可以使用额外于和/或代替体素302的子方块的体素的体素(包括体素的二维(2D)子方块)来在每次去噪迭代中更新体素304。
图4示出了体素302的子方块的爆炸图。在图4中，体素304被指定为v并且具有坐标ui,j,k，并且在该范例中用于去噪的相邻体素被指定为：vnd＝ui-1,j,k-1、vwd＝ui,j-1,k-1、vd＝ui,j,k-1、ved＝ui,j+1,k-1、vsd＝ui+1,j,k-1、vnw＝ui-1,j-1,k、vn＝ui-1,j,k、vne＝ui-1,j+1,k、vw＝ui,j-1,k、v＝ui,j,k、ve＝ui,j+1,k、vsw＝ui+1,j-1,k、vs＝ui+1,j,k、vse＝ui+1,j+1,k、vnu＝ui-1,j,k+1、vwu＝ui,j-1,k+1、vu＝ui,j,k+1、veu＝ui,j+1,k+1和vsu＝ui+1,j,k+1，其中n、s、e、w、u和d代表相对于体素v，对应于北、南、东、西、上和下的相对位置。由于所述更新方案可以包括具有在范围以外的索引的体素、那些位置的体素被外延或填补。角体素402在该范例中不被用于去噪，而可以在其他实施例中使用。
针对该范例，基于公式3来将公式1离散化：
公式3：
并如公式4中所示，针对体素v求解更新项
公式4：
其中，n+1表示去噪迭代(n＝0至N迭代，N迭代为迭代的最大数目)，表示正被去噪的体素，δ和β如上所定义并且分别代表去噪强度参数和去噪平滑参数，I＝n,s,e,w,u和d，P表示指标，vP表示相邻体素，WP表示针对所述相邻体素的权重，W和表示权重WP的加合，并且dP表示所述体素在给定方向上的尺寸：dn和ds＝dx，dw和de＝dy，并且du和dd＝dz。
可以如在公式5中所示地确定W和的值：
公式5：
并且可以如在公式6中随时确定WP的值：
公式6：
可以如在公式7至12中所示地确定DP：
公式7：
公式8：
公式9：
公式10：
公式12：
以及
公式13：
本文中也预期计算W和、WP和/或DP的其他方法。
去噪器206每次迭代采用公式4，以去噪体素304。在该范例中，去噪器206使用公式4去噪，知道达到Niter。如本文中指出的，也可以给予连续图像数据集之间的预定误差、预定时间限度的逝去、经由用户手动中断，和/或以其他方式，终止去噪。
图5图示了用于基于Huber粗糙度惩罚最小化来对重建的图像数据进行去噪的示范性方法。
要认识到，本文中描述的所述方法的动作的排序是非限制性的。这样，本文中预期其他排序。此外，可以省略一个或多个动作和/或可以包括一个或多个额外的动作。
在502，获得重建的图像数据。
在504，将所述重建的图像数据载入到第一存储器202中。
在506，如本文中所描述地基于公式4来对第一存储器202中的所述重建的图像数据进行去噪。这可以在逐个体素的基础上、顺序地或平行地完成。
在508，将所去噪的图像数据存储在第二存储器204中。
在510，确定是否要执行另一去噪迭代。如本文中所描述，所述停止标准可以基于以下中的一个或多个：预定数目的迭代、预定时间段的流逝，等等。
若是，则在512用第二存储器204中的经去噪的图像数据覆写第一存储器202中的所述图像数据，并重复动作506至510。
若否，则在514将所述去噪的图像数据显示、传送到另一设备、拍摄、归档，等等。
以上可以经由运行被编码或嵌入在计算机可读存储介质(例如物理存储器)上的一个或多个计算机可读指令的处理器得以实施。这样的处理器可以为图像数据处理部件122、控制台120和/或其他计算设备的部件。额外地或可选地，所述处理器可以运行由载波、信号或诸如暂态介质的其他非计算机可读存储介质承载的至少一个计算机可读指令。
已参考优选的实施例描述了本发明。他人在阅读和理解前面的详细描述后可以想到多种修改和变型。本发明旨在被解释为包括所有这样的修改和变型，只要它们落入权利要求书或其等价方案的范围之内。
Claims (7)
1.一种用于处理来自成像扫描机的重建的体积图像数据的图像数据处理部件(122)，包括：
算法存储器(212)，其包括基于Huber粗糙度惩罚最小化的一个或多个仅图像域迭代去噪算法(214)；以及
处理器(206)，其基于所述Huber粗糙度惩罚迭代最小化算法中的一个来仅在所述图像域中对重建的体积图像数据进行去噪，其中，所述至少一个算法包括第一项，其中，所述第一项为对应于所述Huber粗糙度惩罚的噪声惩罚项，并且由下式给出：
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>&delta;</mi>
<mfrac>
<mrow>
<mo>&dtri;</mo>
<mi>u</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mrow>
<mo>&dtri;</mo>
<mi>u</mi>
</mrow>
<mo>|</mo>
<mo>,</mo>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，div表示散度算子，表示梯度算子，u表示经去噪的重建的体积图像数据，并且δ为确定所述去噪的强度的自由变量，
其特征在于，所述至少一个算法包括第二项，所述第二项包括确定所述去噪的平滑度的第二参数，其中，所述第二项表示对所述重建的体积图像数据的约束，并且由下式给出：
βw·(uo-u),
其中，β为确定所述去噪的平滑度的自由变量，w表示统计权重，u表示经去噪的重建的体积图像数据，并且uo表示正被去噪的初始的有噪声的重建的体积图像数据，其中，所述统计权重与图像中的噪声成反比并且由下式给出：
<mrow>
<mi>w</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mi>b</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
其中，y0表示被表达为探测到的X射线光子的数目的对应的投影数据，并且bp(y0)表示探测到的X射线光子的反向投影数目。
2.如权利要求1所述的图像数据处理部件，其中，所述算法包括对所述第一项与第二项的加合。
3.如权利要求1至2中的任一项所述的图像数据处理部件，其中，所述处理器迭代地对所述重建的体积图像数据进行去噪，直到以下之一：达到预定数目的迭代，己经过去了预定时间段，或者针对由相继的迭代产生的数据之间的差值的预定误差宽容度得以满足。
4.如权利要求1至2中的任一项所述的图像数据处理部件，其中，所述算法针对任何去噪迭代都不将所述重建的体积图像数据前投影到投影域。
5.如权利要求1至2中的任一项所述的图像数据处理部件，其中，所述重建的体积图像数据是使用仅在投影域中去噪的投影数据而生成的。
6.一种图像数据处理方法，包括：
用处理器(206)仅在图像域中，用基于Huber粗糙度惩罚最小化的仅图像域迭代去噪算法(214)来对重建的体积图像数据进行去噪，其中，所述去噪包括
采用包括一项的算法，所述项由下式给出：
<mrow>
<mi>d</mi>
<mi>i</mi>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>&delta;</mi>
<mfrac>
<mrow>
<mo>&dtri;</mo>
<mi>u</mi>
</mrow>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mo>|</mo>
<mrow>
<mo>&dtri;</mo>
<mi>u</mi>
</mrow>
<mo>|</mo>
<mo>,</mo>
<mi>&delta;</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中，div表示散度算子，表示梯度算子，u表示经去噪的重建的体积图像数据，并且δ为确定所述去噪的强度的自由变量，
其特征在于，所述算法还包括由下式给出的项：
βw·(uo-u)，
其中，β为确定所述去噪的平滑度的自由变量，w表示统计权重，u表示经去噪的重建的体积图像数据，并且uo表示正被去噪的初始的有噪声体积图像数据，其中
所述统计权重与图像中的噪声成反比并且由下式给出：
<mrow>
<mi>w</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mi>b</mi>
<mi>p</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</msqrt>
</mrow>
其中，y0表示被表达为探测到的X射线光子的数目的对应的投影数据，并且bp(y0)表示探测到的X射线光子的反向投影数目。
7.如权利要求6所述的方法，还包括：
采用由下式给出的更新项：
其中，n+1表示去噪迭代，表示正被去噪的体素，I表示体素指数，P表示指数，vP表示相邻体素，WP表示针对所述相邻体素的权重，W和表示所述权重WP的加合，并且dP表示所述体素在给定方向的尺寸。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201161563078P | 2011-11-23 | 2011-11-23 | |
| US61/563,078 | 2011-11-23 | ||
| PCT/IB2012/056342 WO2013076613A1 (en) | 2011-11-23 | 2012-11-12 | Image domain de-noising |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103959329A CN103959329A (zh) | 2014-07-30 |
| CN103959329B true CN103959329B (zh) | 2017-10-24 |
Family
ID=47427399
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201280057678.2A Active CN103959329B (zh) | 2011-11-23 | 2012-11-12 | 图像域去噪 |
Country Status (7)
| Country | Link |
|---|---|
| US (1) | US9159122B2 (zh) |
| EP (1) | EP2783344B1 (zh) |
| JP (1) | JP6223990B2 (zh) |
| CN (1) | CN103959329B (zh) |
| BR (1) | BR112014012072A8 (zh) |
| RU (1) | RU2629432C2 (zh) |
| WO (1) | WO2013076613A1 (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2663964A1 (en) * | 2011-01-10 | 2013-11-20 | Koninklijke Philips N.V. | Dual-energy tomographic imaging system |
| RU2014143489A (ru) * | 2012-03-29 | 2016-05-27 | Конинклейке Филипс Н.В. | Итеративная реконструкция изображения с регуляризацией |
| JP6312401B2 (ja) * | 2012-11-30 | 2018-04-18 | キヤノン株式会社 | 画像処理装置、画像処理方法、及びプログラム |
| EP2992504B1 (en) | 2013-04-29 | 2017-10-25 | Koninklijke Philips N.V. | De-noised reconstructed image data edge improvement |
| EP3134867B1 (en) | 2014-04-23 | 2019-09-11 | Koninklijke Philips N.V. | Restoration of low contrast structure in de-noise image data |
| EP3209214B1 (en) * | 2014-10-20 | 2019-06-05 | Koninklijke Philips N.V. | Cardiac reconstruction for photon counting ct for heart and lung images |
| CN105023245B (zh) * | 2015-05-05 | 2018-01-12 | 苏州大学 | 强度和梯度稀疏约束下的图像平滑方法 |
| EP3221848B1 (en) * | 2015-09-16 | 2018-11-21 | Koninklijke Philips N.V. | X-ray imaging device for an object |
| GB2549208B (en) | 2015-12-11 | 2018-04-11 | Shanghai United Imaging Healthcare Co Ltd | System and method for image reconstruction |
| US10255696B2 (en) | 2015-12-11 | 2019-04-09 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for image reconstruction |
| US20170221235A1 (en) * | 2016-02-01 | 2017-08-03 | General Electric Company | Negative dictionary learning |
| CN110073412B (zh) | 2016-12-06 | 2023-11-03 | 皇家飞利浦有限公司 | 使用交替否定的图像噪声估计 |
| EP3404615A1 (en) | 2017-05-17 | 2018-11-21 | Koninklijke Philips N.V. | Iterative image reconstruction/de-noising with artifact reduction |
| CN107945121A (zh) * | 2017-11-06 | 2018-04-20 | 上海斐讯数据通信技术有限公司 | 一种基于全变分的图像复原方法及系统 |
| US20200342639A1 (en) | 2017-11-14 | 2020-10-29 | Koninklijke Philips N.V. | Single ct backprojector with one geometry calculation per voxel for multiple different types of projection data |
| CN109960975B (zh) * | 2017-12-23 | 2022-07-01 | 四川大学 | 一种基于人眼的人脸生成及其人脸识别方法 |
| US10643319B2 (en) | 2018-01-30 | 2020-05-05 | Canon Medical Systems Corporation | Apparatus and method for context-oriented blending of reconstructed images |
| CN110162711B (zh) * | 2019-05-28 | 2023-07-28 | 湖北大学 | 一种基于网络嵌入法的资源智能推荐方法及系统 |
| WO2022052114A1 (zh) * | 2020-09-14 | 2022-03-17 | 深圳先进技术研究院 | 一种ct图像重建方法、系统、设备和介质 |
| CN112990215B (zh) * | 2021-03-04 | 2023-12-12 | 腾讯科技（深圳）有限公司 | 图像去噪方法、装置、设备及存储介质 |
| CN117897722A (zh) | 2021-08-31 | 2024-04-16 | 皇家飞利浦有限公司 | 使用机器学习方法进行的医学图像去噪 |
Family Cites Families (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6208763B1 (en) * | 1998-04-14 | 2001-03-27 | General Electric Company | Method and apparatus for enhancing discrete pixel images |
| US6636645B1 (en) * | 2000-06-29 | 2003-10-21 | Eastman Kodak Company | Image processing method for reducing noise and blocking artifact in a digital image |
| US7447382B2 (en) * | 2004-06-30 | 2008-11-04 | Intel Corporation | Computing a higher resolution image from multiple lower resolution images using model-based, robust Bayesian estimation |
| US8538099B2 (en) * | 2005-03-23 | 2013-09-17 | General Electric Company | Method and system for controlling image reconstruction |
| EP1934942B1 (en) | 2005-09-26 | 2016-05-04 | Koninklijke Philips N.V. | Iterative reconstruction with enhanced noise control filtering |
| US7982747B1 (en) * | 2005-12-19 | 2011-07-19 | Adobe Systems Incorporated | Displaying generated changes to an image file |
| US8897528B2 (en) | 2006-06-26 | 2014-11-25 | General Electric Company | System and method for iterative image reconstruction |
| WO2008031461A1 (en) * | 2006-09-15 | 2008-03-20 | Sapheneia Commercial Products Ab | Method and arrangement for enhancing image quality in a computed tomography imaging system |
| DE102006055381A1 (de) | 2006-11-23 | 2008-05-29 | Siemens Ag | Verfahren und Einrichtung zur Rauschverminderung bei der Bildrekonstruktion von digitalen 2D- oder 3D-Bildern |
| RU2365993C1 (ru) * | 2008-01-30 | 2009-08-27 | Корпорация "САМСУНГ ЭЛЕКТРОНИКС Ко., Лтд." | Способ адаптивного улучшения факсимильных изображений документов |
| US8903191B2 (en) * | 2008-12-30 | 2014-12-02 | Intel Corporation | Method and apparatus for noise reduction in video |
| DE102009039987A1 (de) | 2009-09-03 | 2011-03-17 | Siemens Aktiengesellschaft | Iterativer CT-Bildfilter zur Rauschreduktion |
| JP5694357B2 (ja) | 2009-11-25 | 2015-04-01 | コーニンクレッカ フィリップス エヌ ヴェ | 向上された画像データ／線量低減 |
| DE102010011911B4 (de) | 2010-03-18 | 2019-09-26 | Siemens Healthcare Gmbh | Tomosyntheseverfahren mit einer iterativen Maximum-A-Posteriori-Rekonstruktion |
| CN101894365B (zh) * | 2010-07-13 | 2012-06-13 | 武汉大学 | 一种自适应变分遥感影像融合方法 |
| EP2633494B1 (en) | 2010-10-27 | 2019-12-11 | Koninklijke Philips N.V. | Low dose ct denoising |
-
2012
- 2012-11-12 JP JP2014542960A patent/JP6223990B2/ja active Active
- 2012-11-12 WO PCT/IB2012/056342 patent/WO2013076613A1/en active Application Filing
- 2012-11-12 BR BR112014012072A patent/BR112014012072A8/pt not_active Application Discontinuation
- 2012-11-12 US US14/357,793 patent/US9159122B2/en active Active
- 2012-11-12 CN CN201280057678.2A patent/CN103959329B/zh active Active
- 2012-11-12 EP EP12805529.0A patent/EP2783344B1/en active Active
- 2012-11-12 RU RU2014125247A patent/RU2629432C2/ru not_active IP Right Cessation
Non-Patent Citations (3)
| Title |
|---|
| Enhanced detection in CT colonography using adaptive diffusion filtering;Abdel Douiri 等;《SPIE Medical Imaging International Society for Optics and Photonics》;20090228;第7259卷;摘要、正文第1节、第2.1节、第2.2节 * |
| On the Convergence of Bilateral Filter for;Gang Dong 等;《IEEE Signal Processing Letters》;20070901;第14卷(第9期);正文第A节、第II.C节 * |
| Regularized image denoising based on spectral gradient optimization;Tibor Lukic 等;《Inverse Problems》;20110727;第27卷(第8期);正文第1-2、4节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP2783344A1 (en) | 2014-10-01 |
| BR112014012072A2 (pt) | 2017-06-13 |
| US9159122B2 (en) | 2015-10-13 |
| WO2013076613A1 (en) | 2013-05-30 |
| RU2629432C2 (ru) | 2017-08-29 |
| JP2015500048A (ja) | 2015-01-05 |
| EP2783344B1 (en) | 2017-05-03 |
| RU2014125247A (ru) | 2015-12-27 |
| JP6223990B2 (ja) | 2017-11-01 |
| BR112014012072A8 (pt) | 2017-06-20 |
| CN103959329A (zh) | 2014-07-30 |
| US20140314331A1 (en) | 2014-10-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103959329B (zh) | 图像域去噪 | |
| CN109805950B (zh) | 医用图像处理装置以及医用图像处理系统 | |
| CN110337673B (zh) | 基于深度学习的在断层摄影重建中估计数据的方法和系统 | |
| Ehrhardt et al. | Joint reconstruction of PET-MRI by exploiting structural similarity | |
| Zhang et al. | Regularization strategies in statistical image reconstruction of low‐dose x‐ray CT: A review | |
| CN104252714B (zh) | 时变数据的重建 | |
| Burger et al. | A variational reconstruction method for undersampled dynamic x-ray tomography based on physical motion models | |
| Xie et al. | Deep efficient end-to-end reconstruction (DEER) network for few-view breast CT image reconstruction | |
| Kim et al. | Low‐dose CT reconstruction using spatially encoded nonlocal penalty | |
| CN104471615B (zh) | 利用正则化的迭代图像重建 | |
| CN108352058A (zh) | 针对低剂量和/或高分辨率pet成像的数据和扫描器规格指导的智能滤波 | |
| JP2016152916A (ja) | Ｘ線コンピュータ断層撮像装置及び医用画像処理装置 | |
| Kandarpa et al. | DUG-RECON: a framework for direct image reconstruction using convolutional generative networks | |
| JP6505513B2 (ja) | Ｘ線コンピュータ断層撮像装置及び医用画像処理装置 | |
| Zhang et al. | PET image reconstruction using a cascading back-projection neural network | |
| Liang et al. | Guest editorial low-dose CT: what has been done, and what challenges remain? | |
| Li et al. | Multienergy cone-beam computed tomography reconstruction with a spatial spectral nonlocal means algorithm | |
| Dillon et al. | Evaluating reconstruction algorithms for respiratory motion guided acquisition | |
| CN115777114A (zh) | 针对ct图像去噪的3d-cnn处理 | |
| Johnston et al. | Phase-selective image reconstruction of the lungs in small animals using Micro-CT | |
| CN107886554A (zh) | 流数据的重构 | |
| Karimi et al. | A hybrid stochastic-deterministic gradient descent algorithm for image reconstruction in cone-beam computed tomography | |
| Zhang et al. | Super‐resolution reconstruction for 4D computed tomography of the lung via the projections onto convex sets approach | |
| Hansen et al. | Total variation and tomographic imaging from projections | |
| Wang et al. | A framelet-based iterative maximum-likelihood reconstruction algorithm for spectral CT |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |