CN107025634B - 负字典学习 - Google Patents

负字典学习 Download PDF

Info

Publication number
CN107025634B
CN107025634B CN201710063331.3A CN201710063331A CN107025634B CN 107025634 B CN107025634 B CN 107025634B CN 201710063331 A CN201710063331 A CN 201710063331A CN 107025634 B CN107025634 B CN 107025634B
Authority
CN
China
Prior art keywords
image
dictionary
reconstruction
patterns
images
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
Application number
CN201710063331.3A
Other languages
English (en)
Other versions
CN107025634A (zh
Inventor
B.K.B.德曼
付林
J.罗
E.哈内达
S.拉马尼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
General Electric Co
Original Assignee
General Electric Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by General Electric Co filed Critical General Electric Co
Publication of CN107025634A publication Critical patent/CN107025634A/zh
Application granted granted Critical
Publication of CN107025634B publication Critical patent/CN107025634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
    • 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
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/424—Iterative

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Databases & Information Systems (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本方法涉及在诸如迭代图像重构过程的图像重构过程期间对要避免或不再强调的图像图案的数据库（即，字典）的使用。此种字典可表征为非用词字典或“差”字典。非用词字典可用来约束图像重构过程，以避免或最小化在非用词字典中存在的图案的存在。

Description

负字典学习
有关联邦赞助研究和开发的声明
本发明根据由国土安全部授予的合同号HSHQDC-14-C-B0048，在政府支持的情况下完成。政府具有本发明的某些权利。
背景技术
本文中公开的主题涉及断层摄影重构，并且具体地说，涉及字典学习算法的使用。
非侵入式成像技术允许获得患者/对象的内部结构/特征的图像而不在患者/对象上执行侵入式规程。具体而言，此类非侵入式成像技术依赖各种物理原理（例如通过目标体积的X射线的差分传送、在体积内声波的反射、体积内不同组织和材料的顺磁属性、身体内目标放射性核的分解等等）来采集数据和构建图像或以其它方式表示患者/对象的观察到的内部特征。
所有重构算法遭受诸如条纹和噪声的重构伪影。为减少这些伪影，已引入基于正则化的方法。然而，在计算效率、剂量、扫描速率与图像质量之间经常存在折衷。因此，存在用于改进的重构技术，特别是在低信号噪声比(SNR)成像上下文中的需要。
发明内容
下面概述在范围上与原来要求保护的主题相符的某些实施例。这些实施例不意图限制要求保护的主题的范围，但是而是这些实施例仅意图提供可能实施例的简单总结。实际上，本发明可囊括与下面所阐述实施例类似或不同的多种形式。
在一个实现中，提供了一种构建负字典的方法。根据此方法，访问一个或更多个图像。从一个或更多个图像采样多个图像分块。识别对应于有害图像特征或图案的图像分块的子集。使用图像分块的子集来填充负字典。
在另外实现中，提供了一种重构方法。根据此方法，为被成像体积采集测量集。使用负字典，执行测量集的重构。负字典包括对应于在重构期间主动抑制或负加权的有害图像特征或图案的图像分块。将重构的图像生成为重构的输出。
在另一实现中，提供了一种图像处理系统。根据此实现，图像处理系统包含存储一个或更多个例程的存储器和配置成访问先前或同时采集的测量数据并且运行在存储器中存储的一个或更多个例程的处理组件。一个或更多个例程在由处理组件运行时：使用负字典来执行测量集的重构，其中负字典包括对应于在重构期间主动抑制或负加权的有害图像特征或图案的图像分块；以及将重构的图像生成为重构的输出。
本发明提供一组技术方案,如下:
1. 一种构建负字典的方法，包括：
访问一个或更多个图像；
对来自所述一个或更多个图像的多个图像分块进行采样；
识别对应于有害图像特征或图案的所述图像分块的子集；以及
使用图像分块的所述子集来填充所述负字典。
2. 如技术方案1所述的方法，其中所述有害特征或图案对应于伪影图案、条纹图案、噪声图案、环状伪影、模糊边界或脉冲的一项或更多项。
3. 如技术方案1所述的方法，其中：
访问所述一个或更多个图像包括访问一个或更多个含噪图像；以及
对所述多个图像进行采样和识别图像分块的所述子集包括从所述含噪图像提取伪影图案或噪声图案中的一个或两者。
4. 如技术方案3所述的方法，其中从所述含噪图像提取伪影图案或噪声图案中的一个或两者包括采用可操纵滤波或机器学习中的一个或两者来提取所述伪影图案或噪声图案。
5. 如技术方案3所述的方法，其中从所述含噪图像提取伪影图案或噪声图案中的一个或两者包括将所述含噪图像的一个或更多个分成分量图像，每个分量图像对应于某个类型的伪影图案或噪声图案。
6. 如技术方案1所述的方法，还包括：
模拟不同噪声图案和伪影图案；
生成所述一个或更多个图像以包含所述噪声图案和伪影图案。
7. 如技术方案6所述的方法，其中基于不同扫描几何和扫描协议，模拟所述不同噪声和伪影图案。
8. 如技术方案1所述的方法，还包括：
将噪声图案或伪影图案中的一个或两者添加到一个或更多个初始图像以生成加噪图像，或者添加到一个或更多个初始测量，其被重构以生成所述一个或更多个加噪图像；
在图像减影过程中使用所述加噪图像以生成所述一个或更多个图像。
9. 一种用于重构图像的方法，包括：
采集用于被成像体积的测量集；
使用负字典来执行所述测量集的重构，其中所述负字典包括对应于在所述重构期间主动抑制或负加权的有害图像特征或图案的图像分块；以及
将重构的图像生成为所述重构的输出。
10. 如技术方案9所述的方法，其中所述有害图像特征或图案对应于伪影图案、条纹图案、噪声图案、环状伪影、模糊边界或脉冲的一项或更多项。
11. 如技术方案9所述的方法，其中所述重构包括基于模型的迭代重构。
12. 如技术方案11所述的方法，其中所述重构包括更新步骤，其引导所述基于模型的迭代重构远离在所述负字典中存在的所述图像分块中表示的所述有害图像特征或图案。
13. 如技术方案11所述的方法，其中所述重构使用所述负字典作为基于模型的迭代重构的数据拟合项的一部分。
14. 如技术方案13所述的方法，其中所述重构基于在所述数据拟合项中负字典的使用，将重构的图像分成伪影项和图像项。
15. 如技术方案9所述的方法，其中所述重构使用所述负字典作为成本函数中的项。
16. 如技术方案15所述的方法，其中基于所述负字典的所述项具有与基于常规以前项的项相反的符号。
17. 一种图像处理系统，包括：
存储器，存储一个或更多个例程；以及
处理组件，配置成访问以前或同时采集的测量数据，并且运行在所述存储器中存储的所述一个或更多个例程，其中所述一个或更多个例程在由所述处理组件运行时：
使用负字典来执行测量集的重构，其中所述负字典包括对应于在所述重构期间主动抑制或负加权的有害图像特征或图案的图像分块；以及
将重构的图像生成为所述重构的输出。
18. 如技术方案17所述的图像处理系统，其中所述重构包括基于模型的迭代重构的更新步骤，其引导所述基于模型的迭代重构远离在所述负字典中存在的所述图像分块中表示的所述有害图像特征或图案。
19. 如技术方案17所述的图像处理系统，其中所述重构使用所述负字典作为基于模型的迭代重构的数据拟合项的一部分。
20. 如技术方案17所述的图像处理系统，其中所述重构使用所述负字典作为成本函数中的项。
附图说明
在参照附图阅读以下详细描述时，本发明的这些和其它特征、方面和优点将变得更好理解，附图中相似的字符在图形通篇中表示相似的部分，其中：
图1是根据本公开的方面，描绘计算机断层摄影(CT)成像系统的组件的框图；
图2根据本公开的方面，描绘供在字典学习方式中使用的字典的示例；
图3根据本公开的方面，描绘用于通过其估计稀疏表示系数的稀疏编码过程的过程流程；
图4根据本公开的方面，描绘字典训练过程流程；
图5描绘字典学习图像重构方式的现有技术过程流程；
图6根据本公开的方面，描绘使用负字典的字典学习图像重构方式的过程流程；
图7描绘初始体模图像的示例；
图8描绘在添加噪声、伪影和模糊后图7的图像；以及
图9根据本公开的方面，描绘在基于负字典，使用字典学习方式的图像处理后图8的图像。
具体实施方式
下文将描述一个或更多个特定实施例。致力于提供这些实施例的简洁描述，在说明书中未描述实际实现的所有特征。应领会，如在任何工程或设计项目中一样，在任何此种实际实现的开发中，必须做出许多实现特定的判定以实现开发者的特定目标，例如符合系统有关和业务有关的约束，这些目标将从一个实现变化到另一个。此外，应领会，此种开发努力可能复杂的并且耗时的，但仍将是从本公开受益的本领域技术人员的设计、制作和制造的例行任务。
虽然以下论述的方面在医疗成像的上下文中提供，但应领会，本技术不限于此类医疗上下文。实际上，在此种医疗上下文中示例和解释的提供只是要通过提供现实世界实现和应用的实例来便于解释。然而，本方式也可在其它上下文中利用，例如制造的部件或商品的无损检查（即，质量控制或质量审查应用）和/或包装、盒、行李等的非侵入式检查（即，安全或筛选应用）。通常，在其中包含但不限于图像重构的高分辨率图像处理是期望的任何成像或筛选上下文中，本方式可以是期望的。
此外，虽然CT示例主要经由示例提供，但应理解，本方式可在其它成像模态上下文中使用。例如，当前描述的方式也适合供与其它类型的断层摄影扫描仪一起使用，其它类型的断层摄影扫描仪包含但不限于正电子发射断层摄影(PET)、单光子发射计算断层摄影(SPECT)和磁共振成像(MRI)或通常的图像恢复或去噪。
CT成像中所使用的一种图像重构技术是迭代重构。对于多种原因，迭代重构技术的使用（与分析方法形成对比）可以是期望的。迭代重构算法能够在为扫描采集的物理学建模（以及对其补偿），为测量的统计学建模以改进图像质量和合并以前的信息方面提供优势。例如，此类迭代重构方法可基于离散成像模型，并且可逼真地为系统光学、扫描几何和噪声统计学建模。使用马尔可夫随机场邻域正则化、高斯混合先验、字典学习技术等，可将以前的信息合并到迭代重构中。
因此，迭代重构技术因此经常实现卓越的图像质量，虽然是以较高的计算成本来实现。例如，基于模型的迭代重构(MBIR)是从测量中迭代估计图像体积的衰减系数的空间分布和值的重构技术。MBIR基于优化问题，由此通过求解包含数据拟合和正则化矩阵项两者的目标函数，计算重构的图像体积，数据拟合和正则化矩阵组合控制在数据保真度与图像质量之间的折衷。数据拟合（即，数据保真度）项根据将噪声考虑在内的准确模型，最小化在重构的结果与采集的数据之间的误差。正则化矩阵项采用图像的以前知识（例如，在小的邻域内类似的衰减系数）以降低可能的伪影，例如条纹和噪声。因此，MBIR容忍噪声，并且即使在低剂量的情况下也执行良好。
近来，字典学习(DL)方式由于此方式用来保持局部结构和降低噪声的能力而已被应用为用于低剂量CT重构的正则化矩阵。例如，在重构函数的图像以前项中，可采用字典学习公式而不是基于成对相邻交互的常规函数。因此，在此种情形中，重构函数将具有数据保真度项和基于字典学习的以前建模项。
如本文中讨论的，描述了基于特定字典学习的方式。本文中称为“负”字典学习的此方式通过添加约束以主动抑制（例如，负加权或惩罚）某些字典图案，有助于改进以前信息的使用，例如以便为更具体的。也就是说，采用了不感兴趣的图像质量或实际上对其有害的图案的“负”字典。虽然重构技术在本文中作为示例描述，但应领会，本负或减去字典学习方式可更常在其它图像处理上下文中使用，而不只是在重构中使用。也就是说，本方式可在任何图像处理上下文中使用，其中，字典学习的使用作为处理的一部分（例如，作为图像或项正则化矩阵，作为数据拟合项，或作为成本函数分量）是适合的。类似地，虽然在本文中主要描述三维(3D)或体积成像以提供适合的上下文和示例，但本方式在其它维上下文中在图像处理或重构中同样是可适用的。例如，本方式可适合供在二维上下文和四维（即，随时间变化的3D）上下文以及作为示例提供的三维上下文中使用。
鉴于前述的介绍评注，本文中描述的方式可适合供与采用字典学习作为所运行的算法的一部分的一系列图像处理或重构系统一起使用。为便于解释，本公开将主要在一个特定上下文中，CT系统的那个上下文中讨论本方式。然而，应理解，下面讨论也可以可适用于其它图像模态和系统以及非医疗上下文或其中字典学习适合供在图像处理或重构上下文中使用的任何上下文。
鉴于此，图1中提供了设计成围绕患者在多个视域采集X射线衰减数据，并且适合用于使用MBIR技术执行图像重构的计算机断层摄影(CT)成像系统10的示例。在图1中图示的实施例中，成像系统10包含与准直仪14相邻定位的X射线辐射源12。X射线源12可以是X射线管、分布式X射线源（例如固态或热电子X射线源）或适合用于医疗或其它图像的采集的X射线辐射的任何其它源。
准直仪14将进入其中患者/对象18被定位的区域的X射线16的射束成形或者对其进行限制。在所描绘的示例中，X射线16准直成通过被成像的体积的锥形射束，即，锥形束。一部分X射线辐射20通过或围绕患者/对象18（或其它感兴趣的受检者），并且撞击以参考数字22一般表示的检测器阵列。阵列的检测器元素产生表示入射X射线20的强度的电信号。这些信号被采集和处理以重构患者/对象18内特征的图像。
源12由系统控制器24控制，其供应功率和控制信号用于CT检查序列，包含用来为随后扫描协议识别患者/对象内感兴趣解剖结构的二维定位器或侦察图像的采集。在所描绘的实施例中，系统控制器24经由可以是系统控制器24的组件的X射线控制器26来控制源12。在此种实施例中，X射线控制器26可配置成提供功率和定时信号到X射线源12。
此外，检测器22耦合到控制在检测器22中生成的信号的采集的系统控制器24。在所描绘的实施例中，系统控制器24使用数据采集系统28采集由检测器生成的信号。数据采集系统28接收由检测器22的读出电子器件收集的数据。数据采集系统28可接收来自检测器22的采样的模拟信号，并且将数据转换成数字信号用于通过下面讨论的处理器30的随后处理。备选地，在其它实施例中，数模转换可由在检测器22本身上提供的电路系统执行。系统控制器24也可运行关于采集的图像信号的各种信号处理和滤波功能，例如用于动态范围的初始调整、数字图像数据的交错等等。
在图1中图示的实施例中，系统控制器24耦合到旋转子系统32和线性定位子系统34。旋转子系统32使X射线源12、准直器14和检测器22能够围绕患者/对象18旋转一周或多周，例如主要在绕患者在x,y平面中旋转。应注意的是，旋转子系统32可能包含机架，相应X射线发射和检测组件设置在机架上。因此，在此种实施例中，系统控制器24可用来操作机架。
线性定位子系统34可使患者/对象18或更具体地说支承患者的工作台能够例如相对于机架的旋转在z方向上在CT系统10的膛内移位。因此，工作台可在机架内线性移动（以连续或逐步方式）以生成患者18的特定区的图像。在所描绘的实施例中，系统控制器24经由马达控制器36控制旋转子系统32和/或线性定位子系统34的移动。
通常，系统控制器24命令成像系统10的操作（例如经由上述源12、检测器22和定位系统的操作）以运行检查协议和处理采集的数据。例如，经由上述系统和控制器，系统控制器24可绕感兴趣的受检者旋转支承源12和检测器22的机架，使得可在相对于患者的一个或更多个视域获得X射线衰减数据。在本上下文中，系统控制器24也可包含信号处理电路系统、用于存储由计算机运行的程序和例程（例如用于运行本文中描述的图像处理技术的例程）及配置参数、图像数据等的关联存储器电路系统。
在所描绘的实施例中，将由系统控制器24采集和处理的图像信号提供到处理组件30用于根据当前公开算法的图像的重构。处理组件30可以是一个或更多个通用或应用特定微处理器。由数据采集系统28收集的数据可直接或在存储器28中存储后传送到处理组件30。适合用于存储数据的任何类型的存储器可能由此种示范系统10利用。例如，存储器38可包含一个或更多个光学、磁性和/或固态存储器存储结构。此外，存储器38可位于采集系统点处，和/或可包含如下所述的用于存储用于图像重构的数据、处理参数和/或例程的远程存储装置。
处理组件30可配置成经由通常配有键盘和/或其它输入装置的操作员工作站40接收来自操作员的命令和扫描参数。操作员可经由操作员工作站40控制系统10。因此，操作员可观察重构的图像和/或使用操作员工作站40以其它方式操作系统10。例如，耦合到操作员工作站40的显示器42可用来观察重构的图像和控制成像。另外，图像也可由可耦合到操作员工作站40的打印机44打印。
此外，处理组件30和操作员工作站40可耦合到其它输出装置，其可包含标准或专用计算机监测器和关联处理电路系统。一个或更多个操作员工作站40可还在系统中链接用于输出系统参数，请求检查，查看图像等等。通常，在系统内供应的显示器、打印机、工作站及类似装置可在数据采集组件的本地，或者可远离这些组件，例如在机构或医院内的别处，或者在完全不同的位置中，经由诸如因特网、虚拟专用网等等一个或更多个可配置网络链接到图像采集系统。
还应注意的是，操作员工作站40也可耦合到图片存档与通信系统(PACS) 46。PACS46可又耦合到远程客户端48、放射科信息系统(RIS)、医院信息系统(HIS)或内部或外部网络，使得在其它位置处的其它人可获得对原始或处理的图像数据的访问权。
虽然前述的讨论已单独处理成像系统10的各种示范组件，但这些各种组件可在共用平台内或在互连平台中提供。例如，处理组件30、存储器38和操作员工作站40可集体提供作为配置成根据本公开的方面操作的通用或专用计算机或工作站。在此类实施例中，通用或专用计算机可相对于系统10的数据采集组件作为单独的组件提供，或者可在具有此类组件的共用平台中提供。同样，系统控制器24可作为此种计算机或工作站的一部分提供，或者作为专用于图像采集的单独系统的一部分提供。
图1的系统可用来对于绕患者的感兴趣区域的多个视域采集X射线投影数据，以使用投影数据重构被成像区域的图像。具体而言，可使用如本文中讨论的基于“负”字典学习的迭代重构，迭代重构由诸如成像系统10的系统采集的投影数据，或以其它方式对其进行重构后处理。
在常规字典学习方式中，使用代表性图像分块（即，“原子”）的数据库（即，“字典”），执行图像重构。鼓励进行重构过程以生成与数据库中的图案/分块具有一些类似性或看上去象来自字典的图案的重叠的图像。也就是说，图像重构过程使用字典图像作为在迭代图像重构过程中要强调和强化的期望的结构或目标。
相反，本文中讨论的本“负”字典方式包括不合需要的图像分块或图案。负字典中可表示的不合需要的特征或结构的示例包含但不限于与差图像质量关联的特征或结构，包含噪声和/或伪影。因此，不同于常规字典，负字典在迭代重构过程中用来主动抑制或不再强调（例如，减去，负加权等等）在负字典中存在的结构或图案，这在最终图像中不再强调或消除了此类结构。例如，在一个实现中，可在重构过程中对负字典中发现的图案进行惩罚或负加权。相比之下，这与其它方式形成对比，其中，在同时主动强调良好或预期的图像分块的同时，在字典学习方式中识别的差或不合需要的图像分块只具有应用到（即，不强调或钝化）相应图案给定图案的零权重。
如本文中所使用的，如下更详细讨论的一样，字典是“原子”的集合，其中，每个原子是学习的图像分块。图2中示出字典70的示例。字典70由原子72的集合组成。每个原子72是字典70中的列，并且用来学习此种字典70的图像分块能够由此类原子72的线性组合表示，其中少量的原子具有非零系数。此种上下文中的图像分块是较小图像，比如例如8 x 8图像。为了学习字典70（如下更详细讨论的一样），能够从原患者/对象图像或从诸如参考图像的其它源采样图像分块。
在包含负字典学习方式的字典学习方式中，通过学习的原子72的线性和来描述来自采集的图像的局部图像块（包含或描绘基本结构元素或特征的图像块）。此线性表达式的系数称为稀疏系数(α s)，因为只有稀疏数量的这些系数为非零的。在概念上，原子72构成字典70的字词或基本图案，作为正则化过程的一部分，迭代处理图像中的区域与其进行比较或分解到其中。在这个意义上，字典学习采用了信号（即，图像）的稀疏表示（如由稀疏表示系数α s所示）。使用构成图像特征或分量的字典70（本文中表示为D），信号通过字典元素（即，原子72）的稀疏线性组合来描述，在负字典学习的情况下，这些元素可以是不合需要的结构或图像特征，例如与只是应用零加权到此类区域形成对比在处理期间可被主动抑制或不再强调（例如，负加权或减去）的特征。
作为示例，在操作中，字典学习可尝试最小化非零稀疏表示系数的数量和/或最小化在被采样图像的提取的局部分块与对应负字典表示之间的拟合误差，以便识别和抑制在负字典内发现的那些图像分块的出现。也就是说，在字典学习实现中，算法可尝试最小化未匹配区域的数量和最小化建模的分块的拟合误差。图3中示出通过其可使用字典(D) 70为输入图像(x) 74估计稀疏表示系数α的稀疏编码的高级示例。在此示例中，提取局部图像分块R s 76（例如，非重叠图像分块） 并且从每个分块76提取平均值(DC)（步骤78）。随后，为每个分块76做出变化是小于ε还是大于或等于ε的确定（判定框80）。如果小于ε，则稀疏系数α s 为0（步骤82）（即，变化由DC值囊括）。如果大于或等于ε，则正交匹配追踪(OMP)用来（步骤84）根据下式获得稀疏系数α s ：
Figure 523754DEST_PATH_IMAGE001
条件为：
Figure 253944DEST_PATH_IMAGE002
其中，α s 是稀疏表示系数，R s 是在像素s提取的局部图像分块，D是字典，x是输入图像，以及ε是目标误差。对于所有输入分块76，稀疏表示系数α s 被确定（步骤86）。
如图3中所示的那样确定的稀疏表示系数α s 可用作字典训练过程的一部分，在此实例中，如图4中所示，训练可在本文中讨论的基于负字典的重构中使用的负字典。如图4中所示，作为字典学习过程的初始和/或在进行部分的一部分，可训练（例如使用K-SVD算法）如在本文中使用的字典D 70。此训练阶段是基于所有分块能够由字典的列（原子）线性表示的假设,其中只有稀疏数量的原子具有非零系数。这在等式(3)中示出：
Figure 33681DEST_PATH_IMAGE003
其中，参数
Figure 428890DEST_PATH_IMAGE004
控制学习的系数α s 的稀疏性。在一个实现中，K-SVD算法可用来学习字典并且计算稀疏系数。
在图4的所描绘的示例中，字典训练过程涉及提供初始字典（离散余弦变换(DCT)）90和已从其中提取均值(DC)的用于训练的收集的图像分块92（例如，8x8图像分块）集两者。在步骤94处，基于图像分块92和初始字典90，例如使用上述OMP方法，更新稀疏码α s 。基于更新的α s ，例如通过最小化下式，可逐一更新初始字典原子（步骤96）：
Figure 305580DEST_PATH_IMAGE005
以生成更新的字典98。在本实现中，字典训练过程用来训练具有在迭代图像重构期间要不再强调或去除的原子或图像分块的实例的负字典。鉴于上面所述，描述的稀疏编码和字典学习方式可作为开发和/或更新采用的负字典的一部分，与本方式一起使用。
鉴于前述，本方式的某些实现在MBIR上下文（例如在低剂量CT图像重构上下文中）中利用基于负字典的算法，以从重构的图像中降低或去除不合需要的特征。这与其中此类区域只给定零权重的常规方式形成对比。例如，图5描绘用于以前技术的简化过程流程，通过以前技术，不主动抑制或去除“差”图像分块。在此示例中，基于一个或更多个参考图像，或者从由当前检查导出的样本图像112，定义字典70（框110）。在此示例中，为了简洁，字典70可被视为具有要强调的图像分块（即，“良好”图像分块）和在重构中要钝化或不以其它方式主动强调的图像分块（即，“差”图像分块）。
在常规方式中，在投影数据118的重构（框116）期间，使用字典70。具体而言，在重构过程中主动增强（框120）（例如，给定正加权）对应于良好图像分块的区域，而在重构过程中对应于差图像分块的区域是不活跃的（框122）（即，给定零权重或系数）。基于在重构过程中采用的此差分加权，生成重构的图像124。
如本文中所述并且在图6的过程流程图中高级所示的本方式涵盖除期望的结构图像特征的正（即，“良好”）字典142（即，D GOOD ）（实际上，负和正字典均可组合为单个字典）外的负（即，“差”）字典140（即，D BAD ）和在负字典中发现的那些原子的主动抑制的构建和使用。例如，如所示，基于一个或更多个参考图像，或者从由当前检查导出的样本图像112，可定义负字典140和正字典142（框110）。
在下面更详细描述的本方式中，在投影数据118的重构（框116）期间使用正字典142和负字典140两者。在重构过程中主动增强（框120）（例如，给定正加权）对应于在正字典142中发现的良好图像分块的区域。相反，并且不象上述常规方式，在重构过程中主动抑制（例如，给定负权重和/或以其它方式处理以去除或减去特征）对应于在负字典140中发现的差图像分块的区域（框144）。基于在重构过程期间负特征的此主动抑制和正特征的主动增强，生成重构的图像124。这些方式也涉及通常在图像重构或图像处理中使用的成本函数或迭代算法的上下文中负字典140和正字典142的使用。
关于负字典140，可表示多种有害或不合需要的图像特征或图案。可表示的图像特征的示例包含但不限于与以下所述关联的图像或图像分量：伪影或条纹图案；噪声图案；脉冲（即，隔离的高或低值）；环状伪影；模糊边界及其它二维、三维、二维（在不同方向上）或四维图像图案。
负字典140可使用多种方法构建。例如，在可视为图像处理实现的一个实现中，通过图像处理技术（例如经由可操纵滤波）和机器学习，从现有含噪图像提取伪影和噪声。作为示例，在一个实现中，将给定含噪图像分解为多个分量图像，其中分量对应于特定种类的伪影（例如，条纹、阴影等等）或噪声。以此方式生成的分量图像能够很好地用来学习D BAD 140。
在可视为基于模拟的方法的另外实现中，可基于CT模拟为各种几何和扫描协议模拟不同纹理的噪声和不同类型的条纹。随后，能够从得到的模拟的含噪图像中生成负字典D BAD 140。
在可视为噪声插入方法的另一实现中，能够将现实噪声或条纹添加到测量或图像的现有高质量数据（但则应执行某一形式的重构如果这是在测量上进行的话）。随后，可从原始图像中减去噪声插入图像，并且得到的差别图像用来学习D BAD 140。
虽然上面孤立地描述了学习负字典的这些可能方式，但应领会，这些方式可组合以提供用于学习D BAD 140的混合或组合方式。
关于正（即，“良好”）字典D GOOD 142，可直接从现有高质量图像学习此字典，或者通过使用从其中先减去伪影和/或噪声分量并且得到的差别图像用来学习D GOOD 142的图像来学习此字典。以正字典的原子构成在最终重构的图像124中通常预期（并且因此，在重构迭代期间强调或强化）的图像结构或特征的理解，其它常规字典学习也可用来生成正字典142。
如上讨论的一样，本方法合并作为迭代重构项的一部分的负字典140学习。作为示例，通过执行自组织更新步骤(其引导迭代图像重构远离（即，主动抑制或负加权）在负字典140中表示的对于其在重构的图像中观察到类似性的图案)，能够实现从负字典140的学习。在此种实现中，字典学习更新能够与重构步骤同时执行，与重构步骤交替执行，或者在重构后作为后处理步骤执行。
作为示例，合并负字典的一个此种自组织更新步骤可表征为：
Figure 128042DEST_PATH_IMAGE006
后面是：
Figure 768977DEST_PATH_IMAGE007
其中：
Figure 967877DEST_PATH_IMAGE008
以及：
Figure 449805DEST_PATH_IMAGE009
其中，c1和c2对应于用于不同方向的成本函数，w i 是统计权重，指数i是正弦图指数，p i 是测量的投影数据，l ij 是系统模型（例如，投影机-背投影机）系数，指数j是体素指数，指数p是图像分块指数，
Figure 505486DEST_PATH_IMAGE010
是对应于分块p的图像体素值的矢量，D GOOD 和D BAD 分别是良好字典和差字典，
Figure 259815DEST_PATH_IMAGE011
和
Figure 996827DEST_PATH_IMAGE012
是具有分别要应用到良好字典分块和差字典分块的稀疏约束的系数的矢量。
在不同实现中，负字典140能够用作在迭代重构过程中数据拟合项的一部分。在此种实现中，可使用负字典140将重构的图像分成伪影项和图像项。也就是说，负字典140能够用作迭代重构目标函数的数据拟合方面的一部分，以识别可能是伪影或其它不合需要信号的图像的那些方面，其能够被分为与良好数据信号随后不拟合的伪影分量。
作为示例，在数据拟合项中合并良好和差字典的惩罚加权最小二乘成本函数可表征为：
Figure 834726DEST_PATH_IMAGE013
其中，
Figure 264571DEST_PATH_IMAGE014
和
Figure 381562DEST_PATH_IMAGE015
分别是预期的重构的图像124和伪影图像。备选地，在数据拟合项中合并良好和差字典的惩罚加权最小二乘成本函数的另一示例示为：
Figure 656686DEST_PATH_IMAGE016
在另外实现中，负字典140可用作在图像重构优化中使用的成本函数中的项。在此种方式中，基于负字典140的项可相对于传统的以前项的符合具有相反的符号（例如，负(-)符号），其中，表示的图像特征在重构期间是预期的并且得以强化。以这种方式，在图像重构过程中可不再强调或减少在负字典140中表示的特征。
作为示例，合并具有用于差字典成本的相反符号的项的惩罚加权最小二乘成本函数可表征为：
Figure 300157DEST_PATH_IMAGE017
Figure 697640DEST_PATH_IMAGE018
其中，C1被最小化以确定α和β，并且C2被最小化以更新图像估计μ。
备选地，成本函数实现的另一示例通过下式示出：
Figure 738146DEST_PATH_IMAGE019
其中，在第一步骤中，μ、α和β被更新以便最小化成本函数C。在随后步骤中，基于差字典类似性来更新μ。例如，可更新μ，使得：
Figure 816961DEST_PATH_IMAGE020
此处，项
Figure 314938DEST_PATH_IMAGE021
意味着通过使用来自正字典D GOOD 142和负字典D BAD 140的原子，能够很好地表示任何分块。项
Figure 148902DEST_PATH_IMAGE022
意味着通过使用正字典142，也能够表示分块。此项有助于确保良好字典142在重构中起到重要作用。
鉴于前述，并且转到图7-9，提供用来从图像中去除噪声和伪影的负字典学习方式的示例。在此示例中，图7描绘使用已知大小、成分和放置的圆形体模162生成的初始图像160。在其它因素不存在的情况下，体模生成具有已知属性供在随后操作中使用的干净初始图像。
转到图8，在此研究中，添加噪声和模糊到初始图像160以生成含噪图像166。具体而言，如含噪图像166中所示，处理初始图像160以添加高斯模糊（基于围绕3像素邻域）、模拟的像素噪声和水平与垂直条纹168。
随后使用合并负字典140和在包含对应于垂直和水平条纹伪影168的图像分块的负字典140中发现的图像分块的主动抑制（例如，负加权）的迭代去模糊方式，处理含噪图像166。如图9所示，得到的处理的图像170不再具有已基于在负字典140中定义的图像分块而被主动抑制（即，去除）的条纹伪影168。因此，使用本方式的伪影去除和/或抑制导致了图像改进，包含但不限于伪影去除和/或抑制。
本发明的技术效果包含在诸如迭代图像重构过程的图像重构过程期间对要避免或不再强调的图像图案的数据库（即，字典）的使用。此种字典可表征为负或“差”字典。负字典可用来约束图像重构过程，以避免或最小化在负字典中存在的图案的存在。技术效果还包含图像质量的改进（引起改进的诊断值）和/或辐射剂量降低。
本书面描述使用包含最佳模式的示例来公开本发明，并且，还使本领域的技术人员能够实施本发明，包含制作并使用任何装置或系统和执行任何合并的方法。本发明的可取得的专利范围由权利要求书定义，并且，可包含本领域的技术人员想到的其他示例。如果这类其他示例具有没有不同于权利要求的文字语言的结构元件，或者如果它们包括具有与权利要求的文字语言的无实质差异的等效结构元件，则它们意图处于权利要求书的范围之内。

Claims (18)

1.一种构建负字典的方法，包括：
访问一个或更多个图像；
对来自所述一个或更多个图像的多个图像分块进行采样；
识别对应于有害图像特征或有害图案的所述图像分块的子集；以及
使用图像分块的所述子集来填充所述负字典，
其中，访问所述一个或更多个图像包括访问一个或更多个含噪图像；以及
对所述多个图像分块进行采样和识别图像分块的所述子集包括从所述含噪图像提取伪影图案或噪声图案中的一个或两者。
2.如权利要求1所述的方法，其中所述有害图像特征或有害图案对应于伪影图案、条纹图案、噪声图案、环状伪影、模糊边界或脉冲的一项或更多项。
3.如权利要求1所述的方法，其中从所述含噪图像提取伪影图案或噪声图案中的一个或两者包括采用可操纵滤波或机器学习中的一个或两者来提取所述伪影图案或噪声图案。
4.如权利要求1所述的方法，其中从所述含噪图像提取伪影图案或噪声图案中的一个或两者包括将所述含噪图像的一个或更多个分成分量图像，每个分量图像对应于伪影图案或噪声图案中的一个类型。
5.如权利要求1所述的方法，还包括：
模拟不同噪声图案和伪影图案；
生成所述一个或更多个图像以包含所述噪声图案和伪影图案。
6.如权利要求5所述的方法，其中基于不同扫描几何和扫描协议，模拟所述不同噪声和伪影图案。
7.如权利要求1所述的方法，还包括：
将噪声图案或伪影图案中的一个或两者添加到一个或更多个初始图像以生成加噪图像，或者添加到一个或更多个初始测量，其被重构以生成一个或更多个所述加噪图像；
在图像减影过程中使用所述加噪图像以生成所述一个或更多个图像。
8.一种用于重构图像的方法，包括：
采集用于被成像体积的测量集；
使用通过权利要求1-7中的任一项所述的方法构造的负字典来执行所述测量集的重构，其中所述负字典包括对应于在所述重构期间主动抑制或负加权的有害图像特征或有害图案的图像分块；以及
将重构的图像生成为所述重构的输出。
9.如权利要求8所述的方法，其中所述重构包括基于模型的迭代重构。
10.如权利要求9所述的方法，其中所述重构包括更新步骤，其引导所述基于模型的迭代重构远离在所述负字典中存在的所述图像分块中表示的所述有害图像特征或有害图案。
11.如权利要求9所述的方法，其中所述重构使用所述负字典作为基于模型的迭代重构的数据拟合项的一部分。
12.如权利要求11所述的方法，其中所述重构基于在所述数据拟合项中负字典的使用，将重构的图像分成伪影项和图像项。
13.如权利要求8所述的方法，其中所述重构使用所述负字典作为成本函数中的项。
14.如权利要求13所述的方法，其中基于所述负字典的所述项具有与基于常规以前项的项相反的符号。
15.一种图像处理系统，包括：
存储器，存储一个或更多个例程；以及
处理组件，配置成访问以前或同时采集的测量数据，并且运行在所述存储器中存储的所述一个或更多个例程，其中所述一个或更多个例程在由所述处理组件运行时：
使用通过权利要求1-7中的任一项所述的方法构造的负字典来执行测量集的重构，其中所述负字典包括对应于在所述重构期间主动抑制或负加权的有害图像特征或有害图案的图像分块；以及
将重构的图像生成为所述重构的输出。
16.如权利要求15所述的图像处理系统，其中所述重构包括基于模型的迭代重构的更新步骤，其引导所述基于模型的迭代重构远离在所述负字典中存在的所述图像分块中表示的所述有害图像特征或有害图案。
17.如权利要求15所述的图像处理系统，其中所述重构使用所述负字典作为基于模型的迭代重构的数据拟合项的一部分。
18.如权利要求15所述的图像处理系统，其中所述重构使用所述负字典作为成本函数中的项。
CN201710063331.3A 2016-02-01 2017-02-03 负字典学习 Active CN107025634B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/012,556 US20170221235A1 (en) 2016-02-01 2016-02-01 Negative dictionary learning
US15/012556 2016-02-01

Publications (2)

Publication Number Publication Date
CN107025634A CN107025634A (zh) 2017-08-08
CN107025634B true CN107025634B (zh) 2022-06-21

Family

ID=59387609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710063331.3A Active CN107025634B (zh) 2016-02-01 2017-02-03 负字典学习

Country Status (2)

Country Link
US (1) US20170221235A1 (zh)
CN (1) CN107025634B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3077908B1 (fr) * 2018-02-09 2021-03-19 Trixell Procede d'estimation parametrique d'un objet a estimer dans une image numerique, et procede de suppression de l'objet dans l'image numerique

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184526A (zh) * 2011-04-22 2011-09-14 西安电子科技大学 基于字典学习和块匹配的自然图像去噪方法
CN102427527A (zh) * 2011-09-27 2012-04-25 西安电子科技大学 基于分布式视频压缩感知系统非关键帧的重构方法
CN102789633A (zh) * 2012-07-02 2012-11-21 河海大学常州校区 基于k-svd和局部线性嵌套的图像降噪系统和方法
CN102968766A (zh) * 2012-11-23 2013-03-13 上海交通大学 基于字典数据库的自适应图像超分辨率重构方法
CN103186885A (zh) * 2011-12-30 2013-07-03 浙江大学 图像去噪的方法和装置
CN103279959A (zh) * 2013-06-13 2013-09-04 北京工业大学 一种二维分析稀疏模型、其字典训练方法和图像去噪方法
CN103400402A (zh) * 2013-07-12 2013-11-20 西安电子科技大学 基于低秩结构稀疏的压缩感知mri图像重建方法
CN103793889A (zh) * 2014-02-24 2014-05-14 西安电子科技大学 基于字典学习和ppb算法的sar图像去斑方法
CN103839237A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 基于svd字典和线性最小均方误差估计的sar图像去斑方法
CN103959329A (zh) * 2011-11-23 2014-07-30 皇家飞利浦有限公司 图像域去噪
CN103971346A (zh) * 2014-05-28 2014-08-06 西安电子科技大学 基于稀疏域噪声分布约束的sar图像抑斑方法
CN104036519A (zh) * 2014-07-03 2014-09-10 中国计量学院 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法
WO2014162690A1 (ja) * 2013-04-05 2014-10-09 日本電気株式会社 情報処理装置、及び、画像処理方法
CN104376585A (zh) * 2014-11-21 2015-02-25 西安电子科技大学 基于图像块结构属性策略的非凸压缩感知图像重构方法
CN104505100A (zh) * 2015-01-06 2015-04-08 中国人民解放军理工大学 一种基于鲁棒非负矩阵分解和数据融合的无监督语音增强方法
CN104520897A (zh) * 2012-08-06 2015-04-15 皇家飞利浦有限公司 图像噪声降低和/或图像分辨率提高
CN104537624A (zh) * 2015-01-05 2015-04-22 西安电子科技大学 基于ssim校正聚类稀疏表示的sar图像降斑方法
CN105046664A (zh) * 2015-07-13 2015-11-11 广东工业大学 一种基于自适应epll算法的图像去噪方法
CN105118025A (zh) * 2015-08-12 2015-12-02 西安电子科技大学 基于软阈值编码的快速图像超分辨方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8483492B2 (en) * 2005-10-25 2013-07-09 William Marsh Rice University Method and apparatus for signal detection, classification and estimation from compressive measurements
US8290251B2 (en) * 2008-08-21 2012-10-16 Adobe Systems Incorporated Image stylization using sparse representation
US8494305B2 (en) * 2011-12-20 2013-07-23 Mitsubishi Electric Research Laboratories, Inc. Image filtering by sparse reconstruction on affinity net
JP5984581B2 (ja) * 2012-08-24 2016-09-06 キヤノン株式会社 画像復元方法、画像復元装置、撮像装置およびプログラム
US9396409B2 (en) * 2014-09-29 2016-07-19 At&T Intellectual Property I, L.P. Object based image processing
US9595120B2 (en) * 2015-04-27 2017-03-14 Siemens Healthcare Gmbh Method and system for medical image synthesis across image domain or modality using iterative sparse representation propagation
US10755395B2 (en) * 2015-11-27 2020-08-25 Canon Medical Systems Corporation Dynamic image denoising using a sparse representation
US10049446B2 (en) * 2015-12-18 2018-08-14 Carestream Health, Inc. Accelerated statistical iterative reconstruction

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184526A (zh) * 2011-04-22 2011-09-14 西安电子科技大学 基于字典学习和块匹配的自然图像去噪方法
CN102427527A (zh) * 2011-09-27 2012-04-25 西安电子科技大学 基于分布式视频压缩感知系统非关键帧的重构方法
CN103959329A (zh) * 2011-11-23 2014-07-30 皇家飞利浦有限公司 图像域去噪
CN103186885A (zh) * 2011-12-30 2013-07-03 浙江大学 图像去噪的方法和装置
CN102789633A (zh) * 2012-07-02 2012-11-21 河海大学常州校区 基于k-svd和局部线性嵌套的图像降噪系统和方法
CN104520897A (zh) * 2012-08-06 2015-04-15 皇家飞利浦有限公司 图像噪声降低和/或图像分辨率提高
CN102968766A (zh) * 2012-11-23 2013-03-13 上海交通大学 基于字典数据库的自适应图像超分辨率重构方法
WO2014162690A1 (ja) * 2013-04-05 2014-10-09 日本電気株式会社 情報処理装置、及び、画像処理方法
CN103279959A (zh) * 2013-06-13 2013-09-04 北京工业大学 一种二维分析稀疏模型、其字典训练方法和图像去噪方法
CN103400402A (zh) * 2013-07-12 2013-11-20 西安电子科技大学 基于低秩结构稀疏的压缩感知mri图像重建方法
CN103793889A (zh) * 2014-02-24 2014-05-14 西安电子科技大学 基于字典学习和ppb算法的sar图像去斑方法
CN103839237A (zh) * 2014-02-26 2014-06-04 西安电子科技大学 基于svd字典和线性最小均方误差估计的sar图像去斑方法
CN103971346A (zh) * 2014-05-28 2014-08-06 西安电子科技大学 基于稀疏域噪声分布约束的sar图像抑斑方法
CN104036519A (zh) * 2014-07-03 2014-09-10 中国计量学院 基于图像块聚类和稀疏字典学习的分块压缩感知重构方法
CN104376585A (zh) * 2014-11-21 2015-02-25 西安电子科技大学 基于图像块结构属性策略的非凸压缩感知图像重构方法
CN104537624A (zh) * 2015-01-05 2015-04-22 西安电子科技大学 基于ssim校正聚类稀疏表示的sar图像降斑方法
CN104505100A (zh) * 2015-01-06 2015-04-08 中国人民解放军理工大学 一种基于鲁棒非负矩阵分解和数据融合的无监督语音增强方法
CN105046664A (zh) * 2015-07-13 2015-11-11 广东工业大学 一种基于自适应epll算法的图像去噪方法
CN105118025A (zh) * 2015-08-12 2015-12-02 西安电子科技大学 基于软阈值编码的快速图像超分辨方法

Also Published As

Publication number Publication date
US20170221235A1 (en) 2017-08-03
CN107025634A (zh) 2017-08-08

Similar Documents

Publication Publication Date Title
CN111492406B (zh) 训练机器学习算法的方法、图像处理系统和图像重建方法
JP7202302B2 (ja) 断層撮影再構成に使用するためのデータのディープラーニングに基づく推定
CN110807737B (zh) 迭代图像重建框架
JP6855223B2 (ja) 医用画像処理装置、ｘ線コンピュータ断層撮像装置及び医用画像処理方法
US9824468B2 (en) Dictionary learning based image reconstruction
RU2532704C1 (ru) Способ определения карты pixon в итеративном восстановлении изображения и спектральном анализе
WO2018187020A1 (en) Tomographic reconstruction based on deep learning
US10628973B2 (en) Hierarchical tomographic reconstruction
Chen et al. Discriminative feature representation: an effective postprocessing solution to low dose CT imaging
Hashemi et al. Adaptively tuned iterative low dose CT image denoising
CN104700438A (zh) 图像重建方法及装置
Gong et al. Image reconstruction model for limited-angle CT based on prior image induced relative total variation
Zhang et al. Image reconstruction for positron emission tomography based on patch‐based regularization and dictionary learning
Pourmorteza et al. Reconstruction of difference in sequential CT studies using penalized likelihood estimation
Hu et al. Image reconstruction from few-view CT data by gradient-domain dictionary learning
US9953440B2 (en) Method for tomographic reconstruction
Komolafe et al. Smoothed L0-constraint dictionary learning for low-dose X-ray CT reconstruction
Feng et al. Dual residual convolutional neural network (DRCNN) for low-dose CT imaging
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
Abascal et al. A novel prior-and motion-based compressed sensing method for small-animal respiratory gated CT
Zhang et al. CT image reconstruction algorithms: A comprehensive survey
Gao et al. Principal component reconstruction (PCR) for cine CBCT with motion learning from 2D fluoroscopy
Liao et al. Noise Estimation for Single‐Slice Sinogram of Low‐Dose X‐Ray Computed Tomography Using Homogenous Patch
Friot et al. Iterative tomographic reconstruction with TV prior for low-dose CBCT dental imaging
Fok et al. Deep learning in computed tomography super resolution using multi‐modality data training

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant