CN107871332A - 一种基于残差学习的ct稀疏重建伪影校正方法及系统 - Google Patents
一种基于残差学习的ct稀疏重建伪影校正方法及系统 Download PDFInfo
- Publication number
- CN107871332A CN107871332A CN201711097204.1A CN201711097204A CN107871332A CN 107871332 A CN107871332 A CN 107871332A CN 201711097204 A CN201711097204 A CN 201711097204A CN 107871332 A CN107871332 A CN 107871332A
- Authority
- CN
- China
- Prior art keywords
- mrow
- residual error
- artifact
- sparse
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012937 correction Methods 0.000 title claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000006870 function Effects 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 7
- 230000005855 radiation Effects 0.000 abstract description 5
- 230000006378 damage Effects 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 3
- 208000027418 Wounds and injury Diseases 0.000 abstract description 2
- 238000009432 framing Methods 0.000 abstract description 2
- 208000014674 injury Diseases 0.000 abstract description 2
- 238000002591 computed tomography Methods 0.000 description 50
- 230000000694 effects Effects 0.000 description 13
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 6
- 238000011478 gradient descent method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 210000004072 lung Anatomy 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000002247 constant time method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000002604 ultrasonography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- 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
- 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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于残差学习的CT稀疏重建伪影校正方法及系统,首先通过FBP(滤波反投影)方法对CT产生的稀疏投影数据进行重建,重建后的图像带有严重的伪影;然后通过建立残差神经网络结构对伪影的特征进行学习,得到伪影图;最后通过稀疏重建的图与伪影图的做残差,恢复出清晰的CT图像。本发明在稀疏重建的基础上引入了残差学习的卷积神经网络结构框架;同时采用GPU加速,缩短了训练的时间,加速了实验的训练过程,可以在非常低的CT投影角度下实现非常高的CT重建图像质量;从而有效的降低了辐射对人体不必要的伤害。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及CT稀疏角度重建及后处理的方法。
背景技术
CT(Computed Tomography),即电子计算机断层扫描,它是利用精确准直的X线束、γ射线、超声波等,与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描,具有扫描时间快,图像清晰等特点,可用于多种疾病的检查;根据所采用的射线不同可分为:X射线CT(X-CT)、超声CT(UCT)以及γ射线CT(γ-CT)等。辐射剂量问题已成为CT领域亟待解决的热点问题,当前的研究主要集中在降低电流和减少投影数方面。降低电流的方法,虽然降低了X射线的辐射量,但同时引入了较多的统计噪声。为了去除低剂量CT中的统计噪声,L.L.Chen等人提出了使用改进的BM3D算法来提高图像的质量;而SayedMasoudHashemi等人采用了NCRE的迭代方法减小低剂量CT中的噪声。减少投影数的方法可以减少CT中的大量辐射,但同时给图像带来了严重的伪影。
为了去除重建中的伪影,张绍庭、陈阳等人利用字典学习的方法稀疏重建,张瀚铭等人利用非局部的TV正则化稀疏重建,张俊峰等人利用伽玛正则化稀疏重建,在图像去伪影方面取得了良好的效果。此外,公告号为CN104899907B的发明专利,提出一种基于伽马先验的稀疏角度CT重建方法,通过对传统的迭代方法中TV先验进行改进,抑制稀疏角度下CT图像内的条状伪影,提高稀疏角度CT图像质量,使其达到符合临床医生诊断的质量水平。公布号为CN107016653A的发明专利申请,提供一种基于总曲率联合总变分的CT图像稀疏角度重建方法及装置,效率高,能够适应更少的采集数据并且提升重建图像质量。
由于数据噪声的存在和不理想的先验惩罚项的选取,使得当前基于TV正则化方法的重建结果存在梯形伪影和片状伪影。在临床诊断过程中,片状伪影会影响到诊断的误判和正确性。同时,TV的方法使用大量的迭代,重建速度很慢。而其他稀疏重建的方法都需要大量的正则化约束,且恢复出来的图像有较低的PSNR(峰值信噪比)和SSIM(结构相似度)值,仍然存在较严重的伪影。
发明内容
本发明所要解决的技术问题是:针对稀疏角度CT重建问题,提出了一种使用深度学习的CT重建伪影后处理方法,提高CT重建图像质量。
本发明为解决上述技术问题采用以下技术方案:
一种基于残差学习的CT稀疏重建伪影校正方法,包括:
步骤(1)通过滤波反投影FBP方法对CT产生的稀疏投影数据进行重建,得到带有伪影的稀疏重建图像;
步骤(2)通过建立基于残差学习的卷积神经网络结构对伪影的特征进行学习,得到伪影图;
步骤(3)通过稀疏重建图像与卷积神经网络学习的伪影图做残差,恢复出清晰的CT图像。
进一步,本发明的基于残差学习的CT稀疏重建伪影校正方法,步骤(1)中对CT产生的稀疏投影数据进行重建,目标函数表示为:
其中,f为稀疏重建图像,x代表最终清晰的CT图像,R(x)为正则化,λ表示正则化参数,N代表图像的大小,K代表滤波器的数量,hk是第k个滤波器,ρk代表了第k个滤波器的惩罚项,在去伪影过程中*代表卷积运算。
进一步,本发明的基于残差学习的CT稀疏重建伪影校正方法,步骤(2)采用深度卷积神经网络结构来实现以下迭代求解的残差函数,以f为起点,α为步长的梯度下降法进行迭代学习,以实现对伪影的特征进行学习:
其中为hk的共轭滤波器,ψk是ρk的导函数,r1是对应于f和x的第一次迭代残差函数,ψk为卷积神经网络中的激活函数。
进一步,本发明的基于残差学习的CT稀疏重建伪影校正方法,以全投影重建图像和稀疏重建图像的残差,与网络训练得到的伪影图像的最小平方差作为损失函数来衡量步骤(3)恢复图像的质量,公式为:
其中代表了N个含有伪影的图像和恢复的清晰图像的图像对,μ(fi;Θ)是卷积神经网络训练的结果,μ(·)随着网络的不断训练而更新。
进一步,本发明的基于残差学习的CT稀疏重建伪影校正方法,步骤(2)中所述基于残差学习的卷积神经网络结构是多尺度卷积神经网络结构,该网络的深度为D层,它有四种不同的网络层,分别如下:
第一层为卷积层和修正线性单元ReLU构成的网络层,卷积层由3*3*1*64的滤波器组成,用来产生64个特征映射;
第二层为在卷积层和修正线性单元ReLU的基础上引入了批规范化单元BN构成的网络层,卷积层使用3*3*1*64的滤波器,其中是将BN加在卷积层和ReLU之间;
第三层到第D-1层为多尺度模块,由卷积层、批规范化单元BN、修正线性单元ReLU组成,卷积层使用1*1*1*64,3*3*1*64,5*5*1*64三种不同尺度模块的滤波器;
第D层为一个卷积层,使用3*3*1*64的滤波器用来实现端到端的映射,重建输出结果。
进一步,本发明的基于残差学习的CT稀疏重建伪影校正方法,步骤(2)中所述基于残差学习的卷积神经网络结构是单尺度卷积神经网络结构,该网络的深度为D层,它有三种不同的网络层,分别如下:
第一层为卷积层和修正线性单元ReLU构成的网络层,卷积层由3*3*1*64的滤波器组成,用来产生64个特征映射;
第二层到第D-1层,是在卷积层和修正线性单元ReLU的基础上引入了批规范化单元BN,卷积层使用3*3*1*64的滤波器,其中将BN加在卷积层和ReLU之间;
第D层为一个卷积层,使用3*3*1*64的滤波器用来实现端到端的映射,重建输出结果。
本发明还提出一种基于残差学习的CT稀疏重建伪影校正系统,包括:
图像重建模块,用于通过滤波反投影FBP方法对CT产生的稀疏投影数据进行重建,得到带有伪影的稀疏重建图像;
伪影特征学习模块,用于通过建立基于残差学习的卷积神经网络结构对伪影的特征进行学习,得到伪影图;
图像恢复模块,用于通过稀疏重建图像与卷积神经网络学习的伪影图做残差,恢复出清晰的CT图像。
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
本发明在稀疏重建的基础上引入了残差学习的卷积神经网络结构框架;同时采用GPU加速,缩短了训练的时间,加速了实验的训练过程,可以在非常低的CT投影角度下实现非常高的CT重建图像质量;从而有效的降低了辐射对人体不必要的伤害。
附图说明
图1是多尺度残差学习卷积神经网络结构图。
图2是稀疏重建图中去伪影恢复CT的过程示意图。
图3是120个投影数重建图像经过残差学习恢复的结果。
图4是60个投影数重建图像经过残差学习恢复的结果。
图5是单一尺度的残差学习卷积神经网络结构图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本发明提出了基于残差学习的CT稀疏重建伪影校正方法,首先通过FBP(滤波反投影)方法对CT产生的稀疏投影数据进行重建,重建后的图像带有严重的伪影;然后通过建立残差神经网络结构对伪影的特征进行学习,得到伪影图;最后通过稀疏重建的图与伪影图的做残差,恢复出清晰的CT图像。
深度学习网络结构图如图1所示。
1.1基于残差学习的卷积神经网络
由于深度学习在学习图像噪声特点方面取得了很好的效果,张凯等人利用残差学习卷积神经网络去高斯噪声、解决SISR和JPEG图像块效应等方面较传统的方法效果更好。另外,Yo Seob Han等人根据张凯的思路提出了基于残差学习的压缩感知CT重建方法,该方法在去稀疏重建伪影方面同样取得了一定的效果。本发明利用基于残差学习的卷积神经网络对稀疏重建的图像进行学习,然后通过稀疏重建的图像减去学习得到的伪影图像,最后恢复出清晰的校正图像。残差学习的卷积神经网络的输入为稀疏重建图像f=x+n。在深度学习卷积网络当中,典型的去噪模型如MLP和CSF旨在学习一个映射函数F(f)=x预测一个清晰的图像。对于残差学习的卷积神经网络,训练的是一个映射μ(f)≈n函数。本发明提出的基于残差的卷积神经网络旨在解决以下问题:
常规基于CT迭代重建的目标函数可以表示为:
其中,f为稀疏重建图像,x代表最终清晰的CT图像,R(x)为正则化,λ表示正则化参数。这里正则化项可以表示为N代表图像的大小,K代表滤波器的数量,是hk是第k个滤波器,ρk代表了第k个滤波器的惩罚项,在去伪影过程中*代表卷积运算。则基于迭代的CT重建过程可以归纳为:
以f为起点,α为步长的梯度下降法进行迭代学习,其中为hk的共轭滤波器,ψk是ρk的导函数,r1是对应于f和x的第一次迭代残差函数。这里ψk可以理解为卷积神经网络中的激活函数,则上述迭代求解的残差函数,可以使用图1和图5中的卷积神经网络(CNN)结构来实现。
以全投影重建图像和稀疏重建图像的残差,与网络训练得到的伪影图像的最小平方差作为损失函数来衡量恢复图像的好坏,公式为:
其中代表了N个含有伪影的图像和恢复的清晰图像的图像对,μ(fi;Θ)是卷积神经网络训练的结果,μ(·)随着网络的不断训练而更新。
该残差学习神经网络即为本方法提出的去伪影校正方法,由残差学习神经网络学习得到的残差图即为伪影特征图,然后根据x=f-n,得到最终清晰的图像,实现过程见图2所示。
1.2残差学习卷积神经网络的具体结构
结构1基于残差学习的多尺度卷积神经网络的具体结构,如图1所示。
该网络的深度为D层,它有四种不同的网络层,分别为:卷积网络+ReLU(修正线性单元)、卷积网络+BN(batch normalization,批规范化),多尺度开始模块(inceptionmodule)和卷积网络层。
第一层为卷积网络和ReLU构成的网络层,它由64个3*3*1的滤波器组成,用来产生64个特征映射。这一层加入ReLU,目的是在卷积网络中引入非线性,因为神经网络学习的实际数据是非线性的,卷积是一个线性操作(元素级别的矩阵相乘和相加),因此需要通过使用非线性函数ReLU来引入非线性。然而经实践证明,ReLU具备引导适度稀疏的能力,训练后的网络完全具备适度的稀疏性,而且训练后的可视化效果和传统预处理的效果很相似。正因为它有这样的作用使得ReLU的速度非常快,而且精确度很高。
第二层,在卷积网络和修正线性单元的基础上引入了BN(批规范),使用64个3*3*64的滤波器,将BN加在卷积和ReLU之间。深层神经网络在做非线性变换前激活输入值随着网络深度的加深,分布逐渐发生偏移或者变动,逐渐往非线性函数取值区间的上下限两端靠近,这导致后向传播时低层神经网络梯度的消失,进而使得深层神经网络的训练速度收敛越来越慢。BN通过一定的规范化手段,把每层神经网络中任意神经元输入值的分布强行拉回到均值为0、方差为1的标准正态分布中(即把越来越偏的分布强制拉回比较标准的分布中),使得激活输入值落在非线性函数对输入比较敏感的区域。这样输入的小变化引起损失函数较大的变化,梯度随之变大,于是避免了梯度消失的问题,同时学习收敛速度加快,大大提高了训练速度。
第三层到第D-1层为多尺度模块,使用64个1*1*64,64个3*3*64,64个5*5*64三种不同尺度模块的滤波器组成,并将BN加在卷积和ReLU之间。
第四层为一个卷积层,使用3*3*64的滤波器用来实现端到端的映射,重建输出结果。
结构2基于残差学习的单尺度卷积神经网络的具体结构,如图5所示:
该网络的深度为D层,它有三种不同的网络层,分别为:卷积网络+修正线性单元ReLU、卷积网络+批规范化单元BN+修正线性单元ReLU、卷积网络层;其中,
第一层为卷积网络和ReLU构成的网络层,由64个3*3*1的滤波器组成,用来产生64个特征映射;
第二层到第D-1层,在卷积网络和修正线性单元的基础上引入了批规范化单元BN,使用64个3*3*64的滤波器;
第D层为一个卷积网络层,使用3*3*64的滤波器用来实现端到端的映射,重建输出结果。
1.3优化加速
在训练中优化过程一般采用梯度下降法,梯度下降法有随机梯度下降法(SGD,Stochastic gradient descent)和Adam算法等。其中Adam算法根据损失函数对每个参数梯度的一阶矩估计和二阶矩估计进行动态调整,使其调整到一个合适的学习速率。Adam算法在每次迭代中参数的学习步长都有一个确定的范围,不会因为很大的梯度导致学习步长的增大,参数的值也比较稳定。批量梯度下降算法的缺点是每次都会使用全部训练样本,而且每次都使用完全相同的样本集,这会使得计算相对的冗杂。相反随机梯度下降算法的实现是可以在线更新的,每次只随机选择一个样本来更新模型参数,学习速度是非常快的。在神经网络训练过程当中,SGD和Adam优化方法的引入使网络结构训练得到了更好的结果,其中Adam算法在图像高斯去噪过程中效果要强与SGD算法。
具体实施例
2.1实验数据
实验的数据由某医院提供的肺部的CT扫描。实验设备为临床使用的西门子SOMATOM Sensation 16排CT,曝光量为100mAs,管电压为120kVp,射线源距离探测器阵列为1040mm,射线源到旋转中心的距离为570mm。重建的CT图像大小为512像素×512像素,每个像素的大小为1.2mm×1.2mm。
设定不同的间隔扫描角度,从CT扫描中分别得获得全投影(720个投影)、120个和60个投影数的原始数据,利用FBP方法对这些数据重建得到对应的重建图像。全投影重建的图像作为完整的图像,用于和稀疏投影重建的图像做对比。针对某一个投影数的重建图像,从重建的图像中随机选取2000张512*512的图像作为训练数据,再从剩余中选取200张512*512的图像作为测试数据。对于残差学习卷积神经网络的输入,使用全投影图像和稀疏重建后图像之间的残差作为训练初始化值,同时对不同投影数的重建图像分别进行训练,经过20次训练后的残差图做为输出。
2.2网络训练和参数的设定
本方法为了训练的准确性而得到较好的去伪影效果,不同投影数重建的训练样本分别为2000张,测试图像分别为200张,同时把网络的深度D设置为15。采用损失函数学习残差映射μ(f)估计预测残差n。优化方法选择Adam下降法,梯度的一阶矩估计α为0.01,二阶矩估计β1为0.9,β2为0.999,更新幅度的校正参数epsilon为1e-8。该残差网络的训练速率为10-3~10-4,每次训练逐渐递减。为了产生较好的去伪影效果,提取出条状伪影的特征图,训练次数设置为20。
本方法在训练的过程中使用MatConvNet工具包,运行环境为MATLAB 2015a,处理器为Intel(R)E2650CPU@2.2GHz,内存为128GB,GPU显卡为GeForce GTX 1080Ti。在此配置环境中,通过该网络训练样本大约需要24个小时。
2.3实验结果
2.3.1定性分析
分别利用120个投影和60个投影重建的图像作为样本进行训练,而后通过残差图像恢复清晰的CT图。图3显示了120个全投影角度重建图像训练后恢复的结果。。其中,第一列:CT肺部切片的全投影重建图;第二列:120个投影的FBP重建图像;第三列:120个投影的ADS-POCS重建方法;第四列:120个投影的本方法提出的重建方法。
图4显示了60个全投影角度重建图像训练后恢复的结果。其中,第一列:CT肺部切片的全投影重建图;第二列:60个投影的FBP重建图像;第三列:60个投影的ADS-POCS重建方法;第四列:60个投影的本方法提出的重建方法。
从图3和图4可以看出应用本发明提出的方法达到了很好的稀疏角度重建效果,接近全投影的原图像。使用残差网络训练方法达到了预期的处理目的了。
2.3.3图像评价
在评价重建图像的好坏主要有两个指标:PSNR(Peak Signal to Noise Ratio,峰值信噪比)和SSIM(structural similarity,结构相似性)。
2.3.3.1PSNR
PSNR的计算如下:
MSE表示稀疏重建图像X和通过残差学习恢复的图像Y的均方误差(Mean SquareError),H、W分别为图像的高度和宽度;n为像素的位深,在CT图像中位深为12。
2.3.3.2SSIM
SSIM是一种全参考的图像质量评价指标,它分别从亮度、对比度、结构三方面度量图像相似性。
SSIM(X,Y)=[l(X,Y)]α·c(X,Y)]β·s[(X,Y)]γ;
其中l(X,Y)为亮度对比函数,c(X,Y)为对比度对比函数,s(X,Y)为结构对比度函数,X和Y分别表示稀疏重建的图像和残差学习恢复的图像,α、β、γ是三个对比函数所占的比例因子。
本实施例选取了200个原始数据作为测试数据,针对不同投影个数计算使用本方法方法与全投影图像比较的平均PSNR和SSIM值,结果如表1所示,列举了不同投影数稀疏重建后使用残差学习方法与全投影重建图像比较的PSNR和SSIM平均值:
120投影PSNR | 60投影PSNR | 120投影SSIM | 60投影SSIM | |
FBP | 8.3 | 4.35 | 0.35 | 0.23 |
ADS-POCS | 20.87 | 15.10 | 0.76 | 0.59 |
Ourmethod | 49.67 | 44.07 | 0.9920 | 0.9772 |
表1
上表反映的是训练恢复出的图像与全投影重建后的图像峰值信噪比和结构相似度值。由上表的数据对比,随着投影数的减少重建效果在一定程度上下降了。
几种CT重建算法和不同投影数的计算时间比较如表2所示(单位:秒)
120-view | 60-view | |
FBP | 0.21 | 0.10 |
ADS-POCS | 16.3 | 14.6 |
Ourmethod | 4.1 | 4.1 |
表2
在本发明提出的方法流程下,本发明还验证了另外一种单一尺度的卷积神经网络同样对稀疏角度CT重建有效,其结果与图1提出的网络结构产生的结果类似(120个投影下PSNR平均值为48.8,SSIM平均值为0.9905。60个投影下PSNR平均值为42.53,SSIM平均值为0.9663),该网络结构如图5所示,本网络结构也在本专利保护的范围内。
以上所述仅是本发明的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于残差学习的CT稀疏重建伪影校正方法,其特征在于,包括:
步骤(1)通过滤波反投影FBP方法对CT产生的稀疏投影数据进行重建,得到带有伪影的稀疏重建图像;
步骤(2)通过建立基于残差学习的卷积神经网络结构对伪影的特征进行学习,得到伪影图;
步骤(3)通过稀疏重建图像与卷积神经网络学习的伪影图做残差,恢复出清晰的CT图像。
2.根据权利要求1所述的基于残差学习的CT稀疏重建伪影校正方法,其特征在于,步骤(1)中对CT产生的稀疏投影数据进行重建,目标函数表示为:
<mrow>
<munder>
<mi>min</mi>
<mi>x</mi>
</munder>
<mi>&Phi;</mi>
<mrow>
<mo>(</mo>
<mi>f</mi>
<mo>-</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&lambda;</mi>
<mi>R</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中,f为稀疏重建图像,x代表最终清晰的CT图像,R(x)为正则化,λ表示正则化参数,N代表图像的大小,K代表滤波器的数量,hk是第k个滤波器,ρk代表了第k个滤波器的惩罚项,在去伪影过程中*代表卷积运算。
3.根据权利要求1所述的基于残差学习的CT稀疏重建伪影校正方法,其特征在于:步骤(2)采用深度卷积神经网络结构来实现以下迭代求解的残差函数,以f为起点,α为步长的梯度下降法进行迭代学习,以实现对伪影的特征进行学习:
<mrow>
<msub>
<mi>r</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mi>f</mi>
<mo>-</mo>
<mi>x</mi>
<mo>=</mo>
<mi>&alpha;</mi>
<mi>&lambda;</mi>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mover>
<mi>h</mi>
<mo>&OverBar;</mo>
</mover>
<mi>k</mi>
</msub>
<mo>*</mo>
<msub>
<mi>&psi;</mi>
<mi>k</mi>
</msub>
<mo>(</mo>
<mrow>
<msub>
<mi>h</mi>
<mi>k</mi>
</msub>
<mo>*</mo>
<mi>f</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
其中为hk的共轭滤波器,ψk是ρk的导函数,r1是对应于f和x的第一次迭代残差函数,ψk为卷积神经网络中的激活函数。
4.根据权利要求3所述的基于残差学习的CT稀疏重建伪影校正方法,其特征在于:以全投影重建图像和稀疏重建图像的残差,与网络训练得到的伪影图像的最小平方差作为损失函数来衡量步骤(3)恢复图像的质量,公式为:
<mrow>
<mi>l</mi>
<mrow>
<mo>(</mo>
<mi>&Theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<mi>N</mi>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</munderover>
<mo>|</mo>
<mo>|</mo>
<mi>&mu;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>;</mo>
<mi>&Theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>;</mo>
</mrow>
其中代表了N个含有伪影的图像和恢复的清晰图像的图像对,μ(fi;Θ)是卷积神经网络训练的结果,μ(·)随着网络的不断训练而更新。
5.根据权利要求1或3所述的基于残差学习的CT稀疏重建伪影校正方法,其特征在于:步骤(2)中所述基于残差学习的卷积神经网络结构是多尺度卷积神经网络结构,该网络的深度为D层,它有四种不同的网络层,分别如下:
第一层为卷积层和修正线性单元ReLU构成的网络层,卷积层由3*3*1*64的滤波器组成,用来产生64个特征映射;
第二层为在卷积层和修正线性单元ReLU的基础上引入了批规范化单元BN构成的网络层,卷积层使用3*3*1*64的滤波器,其中是将BN加在卷积层和ReLU之间;
第三层到第D-1层为多尺度模块,由卷积层、批规范化单元BN、修正线性单元ReLU组成,卷积层使用1*1*1*64,3*3*1*64,5*5*1*64三种不同尺度模块的滤波器;
第D层为一个卷积层,使用3*3*1*64的滤波器用来实现端到端的映射,重建输出结果。
6.根据权利要求1或3所述的基于残差学习的CT稀疏重建伪影校正方法,其特征在于:步骤(2)中所述基于残差学习的卷积神经网络结构是单尺度卷积神经网络结构,该网络的深度为D层,它有三种不同的网络层,分别如下:
第一层为卷积层和修正线性单元ReLU构成的网络层,卷积层由3*3*1*64的滤波器组成,用来产生64个特征映射;
第二层到第D-1层,是在卷积层和修正线性单元ReLU的基础上引入了批规范化单元BN,卷积层使用3*3*1*64的滤波器,其中将BN加在卷积层和ReLU之间;
第D层为一个卷积层,使用3*3*1*64的滤波器用来实现端到端的映射,重建输出结果。
7.一种基于残差学习的CT稀疏重建伪影校正系统,其特征在于,包括:
图像重建模块,用于通过滤波反投影FBP方法对CT产生的稀疏投影数据进行重建,得到带有伪影的稀疏重建图像;
伪影特征学习模块,用于通过建立基于残差学习的卷积神经网络结构对伪影的特征进行学习,得到伪影图;
图像恢复模块,用于通过稀疏重建图像与卷积神经网络学习的伪影图做残差,恢复出清晰的CT图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097204.1A CN107871332A (zh) | 2017-11-09 | 2017-11-09 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711097204.1A CN107871332A (zh) | 2017-11-09 | 2017-11-09 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107871332A true CN107871332A (zh) | 2018-04-03 |
Family
ID=61752658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711097204.1A Pending CN107871332A (zh) | 2017-11-09 | 2017-11-09 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107871332A (zh) |
Cited By (44)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
CN108596861A (zh) * | 2018-05-14 | 2018-09-28 | 南方医科大学 | 一种基于深度残差学习的ct图像金属伪影去除方法 |
CN108680589A (zh) * | 2018-05-31 | 2018-10-19 | 北京航空航天大学 | 基于横向错位光栅的x射线光栅差分相位衬度三维锥束计算机层析成像方法及装置 |
CN108900848A (zh) * | 2018-06-12 | 2018-11-27 | 福建帝视信息科技有限公司 | 一种基于自适应可分离卷积的视频质量增强方法 |
CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
CN109102550A (zh) * | 2018-06-08 | 2018-12-28 | 东南大学 | 基于卷积残差网络的全网络低剂量ct成像方法及装置 |
CN109214992A (zh) * | 2018-07-27 | 2019-01-15 | 中国科学院深圳先进技术研究院 | Mri图像的伪影去除方法、装置、医疗设备及存储介质 |
CN109242924A (zh) * | 2018-08-31 | 2019-01-18 | 南方医科大学 | 一种基于深度学习的核磁共振图像的降采样伪影去除方法 |
CN109509235A (zh) * | 2018-11-12 | 2019-03-22 | 深圳先进技术研究院 | Ct图像的重建方法、装置、设备及存储介质 |
CN109559359A (zh) * | 2018-09-27 | 2019-04-02 | 东南大学 | 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法 |
CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学(深圳) | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
CN109697476A (zh) * | 2019-02-01 | 2019-04-30 | 重庆大学 | 一种基于深度学习的x射线光子计数探测器一致性校准方法 |
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
CN110211194A (zh) * | 2019-05-21 | 2019-09-06 | 武汉理工大学 | 一种基于深度学习去除稀疏角度ct成像伪影的方法 |
CN110264421A (zh) * | 2019-06-13 | 2019-09-20 | 明峰医疗系统股份有限公司 | 一种ct坏通道校正方法 |
CN110335325A (zh) * | 2019-06-27 | 2019-10-15 | 深圳安科高技术股份有限公司 | 一种ct图像重建方法及其系统 |
CN110349234A (zh) * | 2019-06-27 | 2019-10-18 | 深圳安科高技术股份有限公司 | 一种ct锥形束图像重建方法及其系统 |
CN110503699A (zh) * | 2019-07-01 | 2019-11-26 | 天津大学 | 一种ct投影路径减少情况下的ct图像重建方法 |
CN110677649A (zh) * | 2019-10-16 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 基于机器学习的去伪影方法、去伪影模型训练方法及装置 |
CN110751701A (zh) * | 2019-10-18 | 2020-02-04 | 北京航空航天大学 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
CN111081354A (zh) * | 2018-10-18 | 2020-04-28 | 通用电气公司 | 用于通过深度学习网络对医疗图像进行去噪的系统和方法 |
CN111223161A (zh) * | 2020-01-02 | 2020-06-02 | 京东数字科技控股有限公司 | 一种图像重建方法、装置及存储介质 |
CN111223061A (zh) * | 2020-01-07 | 2020-06-02 | Oppo广东移动通信有限公司 | 图像修正方法、修正装置、终端设备及可读存储介质 |
CN111325678A (zh) * | 2018-12-17 | 2020-06-23 | 西门子医疗有限公司 | 三维体图像数据的伪影校正方法 |
US10762620B2 (en) | 2017-11-27 | 2020-09-01 | Nvidia Corporation | Deep-learning method for separating reflection and transmission images visible at a semi-reflective surface in a computer image of a real-world scene |
CN111627082A (zh) * | 2020-05-21 | 2020-09-04 | 浙江大学 | 基于滤波反投影算法和神经网络的pet图像重建方法 |
CN111754436A (zh) * | 2020-06-24 | 2020-10-09 | 上海联影医疗科技有限公司 | 医学图像伪影校正的加速方法、计算机设备和存储介质 |
CN111898740A (zh) * | 2020-07-31 | 2020-11-06 | 北京达佳互联信息技术有限公司 | 预测模型的模型参数更新方法及装置 |
CN112085809A (zh) * | 2020-09-16 | 2020-12-15 | 苏州工业园区智在天下科技有限公司 | 神经网络的训练方法、消除金属伪影的方法及其装置 |
CN112132924A (zh) * | 2020-09-29 | 2020-12-25 | 北京理工大学 | 一种基于深度神经网络的ct重建方法 |
CN112712486A (zh) * | 2020-11-26 | 2021-04-27 | 贵州大学 | 一种基于激活函数的射电天文图像重建方法 |
US20210123999A1 (en) * | 2019-10-25 | 2021-04-29 | Washington University | Systems and methods of reconstructing magnetic resonance images using deep learning |
CN112862913A (zh) * | 2021-01-28 | 2021-05-28 | 首都师范大学 | 一种多尺度带孔密集重建网络及其有限角ct成像方法 |
CN113034641A (zh) * | 2021-03-29 | 2021-06-25 | 安徽工程大学 | 一种基于小波多尺度卷积特征编码的稀疏角度ct重建方法 |
US11100684B2 (en) | 2019-07-11 | 2021-08-24 | Canon Medical Systems Corporation | Apparatus and method for artifact detection and correction using deep learning |
CN114004912A (zh) * | 2021-11-08 | 2022-02-01 | 南京邮电大学 | 一种cbct图像去伪影方法 |
US11270161B2 (en) | 2017-11-27 | 2022-03-08 | Nvidia Corporation | Deep-learning method for separating reflection and transmission images visible at a semi-reflective surface in a computer image of a real-world scene |
CN114331865A (zh) * | 2021-11-18 | 2022-04-12 | 清华大学 | 三维多板块激发序列的图像边缘伪影矫正方法和装置 |
CN114638907A (zh) * | 2022-02-23 | 2022-06-17 | 赛诺威盛科技(北京)股份有限公司 | 基于深度学习的骨硬化伪影校正方法及装置 |
CN115345803A (zh) * | 2022-10-19 | 2022-11-15 | 合肥视微科技有限公司 | 基于残差网络的ct断层图中环形伪影校正方法 |
CN115494439A (zh) * | 2022-11-08 | 2022-12-20 | 中遥天地(北京)信息技术有限公司 | 一种基于深度学习的时空编码图像校正方法 |
CN115690255A (zh) * | 2023-01-04 | 2023-02-03 | 浙江双元科技股份有限公司 | 基于卷积神经网络的ct图像去伪影方法、装置及系统 |
CN116485937A (zh) * | 2023-06-21 | 2023-07-25 | 吉林大学 | 基于图神经网络的ct运动伪影消除方法及系统 |
EP4119059A4 (en) * | 2020-03-11 | 2024-04-03 | University of Tsukuba | TRAINED MODEL GENERATION PROGRAM, IMAGE GENERATION PROGRAM, TRAINED MODEL GENERATION DEVICE, IMAGE GENERATION DEVICE, TRAINED MODEL GENERATION METHOD, AND IMAGE GENERATION METHOD |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090080597A1 (en) * | 2007-09-26 | 2009-03-26 | Samit Kumar Basu | System and method for performing material decomposition using an overdetermined system of equations |
CN105631909A (zh) * | 2015-12-23 | 2016-06-01 | 浙江大学 | 伪影修正辅助的cbct迭代重建方法 |
US20170068992A1 (en) * | 2015-09-04 | 2017-03-09 | Yahoo! Inc. | Multi-source content blending |
CN107038692A (zh) * | 2017-04-16 | 2017-08-11 | 南方医科大学 | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 |
-
2017
- 2017-11-09 CN CN201711097204.1A patent/CN107871332A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090080597A1 (en) * | 2007-09-26 | 2009-03-26 | Samit Kumar Basu | System and method for performing material decomposition using an overdetermined system of equations |
US20170068992A1 (en) * | 2015-09-04 | 2017-03-09 | Yahoo! Inc. | Multi-source content blending |
CN105631909A (zh) * | 2015-12-23 | 2016-06-01 | 浙江大学 | 伪影修正辅助的cbct迭代重建方法 |
CN107038692A (zh) * | 2017-04-16 | 2017-08-11 | 南方医科大学 | 基于小波分解和卷积神经网络的x线胸片骨抑制处理方法 |
Non-Patent Citations (4)
Title |
---|
KAI ZHANG 等: "Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
YO SEOB HAN 等: "Deep Residual Learning for Compressed Sensing CT Reconstruction via Persistent Homology Analysis", 《HTTPS://ARXIV.ORG/ABS/1611.06391V2》 * |
杨宏也 京东商城技术架构: "从Alexnet到inception-Resnet", 《微信公众号HTTPS://MP.WEIXIN.QQ.COM/S/MHQEZOO5RUDMFOGK5N4NZG》 * |
谢世朋 等: "基于自适应点扩散函数的锥束CT散射校正", 《中国医学影像技术》 * |
Cited By (66)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10762620B2 (en) | 2017-11-27 | 2020-09-01 | Nvidia Corporation | Deep-learning method for separating reflection and transmission images visible at a semi-reflective surface in a computer image of a real-world scene |
US11270161B2 (en) | 2017-11-27 | 2022-03-08 | Nvidia Corporation | Deep-learning method for separating reflection and transmission images visible at a semi-reflective surface in a computer image of a real-world scene |
CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
CN108596861A (zh) * | 2018-05-14 | 2018-09-28 | 南方医科大学 | 一种基于深度残差学习的ct图像金属伪影去除方法 |
CN108680589A (zh) * | 2018-05-31 | 2018-10-19 | 北京航空航天大学 | 基于横向错位光栅的x射线光栅差分相位衬度三维锥束计算机层析成像方法及装置 |
CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
CN108898642B (zh) * | 2018-06-01 | 2022-11-11 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
CN109102550A (zh) * | 2018-06-08 | 2018-12-28 | 东南大学 | 基于卷积残差网络的全网络低剂量ct成像方法及装置 |
CN109102550B (zh) * | 2018-06-08 | 2023-03-31 | 东南大学 | 基于卷积残差网络的全网络低剂量ct成像方法及装置 |
CN108900848B (zh) * | 2018-06-12 | 2021-03-02 | 福建帝视信息科技有限公司 | 一种基于自适应可分离卷积的视频质量增强方法 |
CN108900848A (zh) * | 2018-06-12 | 2018-11-27 | 福建帝视信息科技有限公司 | 一种基于自适应可分离卷积的视频质量增强方法 |
CN109214992A (zh) * | 2018-07-27 | 2019-01-15 | 中国科学院深圳先进技术研究院 | Mri图像的伪影去除方法、装置、医疗设备及存储介质 |
CN109242924A (zh) * | 2018-08-31 | 2019-01-18 | 南方医科大学 | 一种基于深度学习的核磁共振图像的降采样伪影去除方法 |
CN109559359A (zh) * | 2018-09-27 | 2019-04-02 | 东南大学 | 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法 |
CN111081354A (zh) * | 2018-10-18 | 2020-04-28 | 通用电气公司 | 用于通过深度学习网络对医疗图像进行去噪的系统和方法 |
CN111081354B (zh) * | 2018-10-18 | 2024-01-16 | 通用电气精准医疗有限责任公司 | 用于通过深度学习网络对医疗图像进行去噪的系统和方法 |
CN109509235A (zh) * | 2018-11-12 | 2019-03-22 | 深圳先进技术研究院 | Ct图像的重建方法、装置、设备及存储介质 |
CN109658344A (zh) * | 2018-11-12 | 2019-04-19 | 哈尔滨工业大学(深圳) | 基于深度学习的图像去噪方法、装置、设备和存储介质 |
CN109509235B (zh) * | 2018-11-12 | 2021-11-30 | 深圳先进技术研究院 | Ct图像的重建方法、装置、设备及存储介质 |
WO2020098134A1 (zh) * | 2018-11-12 | 2020-05-22 | 深圳先进技术研究院 | Ct图像的重建方法、装置、设备及存储介质 |
CN111325678A (zh) * | 2018-12-17 | 2020-06-23 | 西门子医疗有限公司 | 三维体图像数据的伪影校正方法 |
CN111325678B (zh) * | 2018-12-17 | 2023-11-17 | 西门子医疗有限公司 | 三维体图像数据的伪影校正方法 |
CN109697476A (zh) * | 2019-02-01 | 2019-04-30 | 重庆大学 | 一种基于深度学习的x射线光子计数探测器一致性校准方法 |
CN109697476B (zh) * | 2019-02-01 | 2023-06-23 | 重庆大学 | 一种基于深度学习的x射线光子计数探测器一致性校准方法 |
CN110120020A (zh) * | 2019-04-30 | 2019-08-13 | 西北工业大学 | 一种基于多尺度空洞残差注意力网络的sar图像去噪方法 |
CN110211194A (zh) * | 2019-05-21 | 2019-09-06 | 武汉理工大学 | 一种基于深度学习去除稀疏角度ct成像伪影的方法 |
CN110264421B (zh) * | 2019-06-13 | 2022-07-12 | 明峰医疗系统股份有限公司 | 一种ct坏通道校正方法 |
CN110264421A (zh) * | 2019-06-13 | 2019-09-20 | 明峰医疗系统股份有限公司 | 一种ct坏通道校正方法 |
CN110349234A (zh) * | 2019-06-27 | 2019-10-18 | 深圳安科高技术股份有限公司 | 一种ct锥形束图像重建方法及其系统 |
CN110335325A (zh) * | 2019-06-27 | 2019-10-15 | 深圳安科高技术股份有限公司 | 一种ct图像重建方法及其系统 |
CN110335325B (zh) * | 2019-06-27 | 2023-07-21 | 深圳安科高技术股份有限公司 | 一种ct图像重建方法及其系统 |
CN110503699A (zh) * | 2019-07-01 | 2019-11-26 | 天津大学 | 一种ct投影路径减少情况下的ct图像重建方法 |
US11100684B2 (en) | 2019-07-11 | 2021-08-24 | Canon Medical Systems Corporation | Apparatus and method for artifact detection and correction using deep learning |
CN110677649A (zh) * | 2019-10-16 | 2020-01-10 | 腾讯科技(深圳)有限公司 | 基于机器学习的去伪影方法、去伪影模型训练方法及装置 |
CN110677649B (zh) * | 2019-10-16 | 2021-09-28 | 腾讯科技(深圳)有限公司 | 基于机器学习的去伪影方法、去伪影模型训练方法及装置 |
CN110751701B (zh) * | 2019-10-18 | 2021-03-30 | 北京航空航天大学 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
CN110751701A (zh) * | 2019-10-18 | 2020-02-04 | 北京航空航天大学 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
US12000918B2 (en) * | 2019-10-25 | 2024-06-04 | Washington University | Systems and methods of reconstructing magnetic resonance images using deep learning |
US20210123999A1 (en) * | 2019-10-25 | 2021-04-29 | Washington University | Systems and methods of reconstructing magnetic resonance images using deep learning |
CN111223161B (zh) * | 2020-01-02 | 2024-04-12 | 京东科技控股股份有限公司 | 一种图像重建方法、装置及存储介质 |
CN111223161A (zh) * | 2020-01-02 | 2020-06-02 | 京东数字科技控股有限公司 | 一种图像重建方法、装置及存储介质 |
CN111223061A (zh) * | 2020-01-07 | 2020-06-02 | Oppo广东移动通信有限公司 | 图像修正方法、修正装置、终端设备及可读存储介质 |
EP4119059A4 (en) * | 2020-03-11 | 2024-04-03 | University of Tsukuba | TRAINED MODEL GENERATION PROGRAM, IMAGE GENERATION PROGRAM, TRAINED MODEL GENERATION DEVICE, IMAGE GENERATION DEVICE, TRAINED MODEL GENERATION METHOD, AND IMAGE GENERATION METHOD |
CN111627082A (zh) * | 2020-05-21 | 2020-09-04 | 浙江大学 | 基于滤波反投影算法和神经网络的pet图像重建方法 |
CN111627082B (zh) * | 2020-05-21 | 2022-06-21 | 浙江大学 | 基于滤波反投影算法和神经网络的pet图像重建方法 |
CN111754436B (zh) * | 2020-06-24 | 2024-05-03 | 上海联影医疗科技股份有限公司 | 医学图像伪影校正的加速方法、计算机设备和存储介质 |
CN111754436A (zh) * | 2020-06-24 | 2020-10-09 | 上海联影医疗科技有限公司 | 医学图像伪影校正的加速方法、计算机设备和存储介质 |
CN111898740A (zh) * | 2020-07-31 | 2020-11-06 | 北京达佳互联信息技术有限公司 | 预测模型的模型参数更新方法及装置 |
CN111898740B (zh) * | 2020-07-31 | 2021-07-20 | 北京达佳互联信息技术有限公司 | 预测模型的模型参数更新方法及装置 |
CN112085809B (zh) * | 2020-09-16 | 2024-04-16 | 苏州工业园区智在天下科技有限公司 | 神经网络的训练方法、消除金属伪影的方法及其装置 |
CN112085809A (zh) * | 2020-09-16 | 2020-12-15 | 苏州工业园区智在天下科技有限公司 | 神经网络的训练方法、消除金属伪影的方法及其装置 |
CN112132924A (zh) * | 2020-09-29 | 2020-12-25 | 北京理工大学 | 一种基于深度神经网络的ct重建方法 |
CN112132924B (zh) * | 2020-09-29 | 2022-09-09 | 北京理工大学 | 一种基于深度神经网络的ct重建方法 |
CN112712486B (zh) * | 2020-11-26 | 2024-04-26 | 贵州大学 | 一种基于激活函数的射电天文图像重建方法 |
CN112712486A (zh) * | 2020-11-26 | 2021-04-27 | 贵州大学 | 一种基于激活函数的射电天文图像重建方法 |
CN112862913B (zh) * | 2021-01-28 | 2023-06-20 | 首都师范大学 | 一种多尺度带孔密集重建网络及其有限角ct成像方法 |
CN112862913A (zh) * | 2021-01-28 | 2021-05-28 | 首都师范大学 | 一种多尺度带孔密集重建网络及其有限角ct成像方法 |
CN113034641A (zh) * | 2021-03-29 | 2021-06-25 | 安徽工程大学 | 一种基于小波多尺度卷积特征编码的稀疏角度ct重建方法 |
CN114004912A (zh) * | 2021-11-08 | 2022-02-01 | 南京邮电大学 | 一种cbct图像去伪影方法 |
CN114331865A (zh) * | 2021-11-18 | 2022-04-12 | 清华大学 | 三维多板块激发序列的图像边缘伪影矫正方法和装置 |
CN114638907A (zh) * | 2022-02-23 | 2022-06-17 | 赛诺威盛科技(北京)股份有限公司 | 基于深度学习的骨硬化伪影校正方法及装置 |
CN115345803A (zh) * | 2022-10-19 | 2022-11-15 | 合肥视微科技有限公司 | 基于残差网络的ct断层图中环形伪影校正方法 |
CN115494439A (zh) * | 2022-11-08 | 2022-12-20 | 中遥天地(北京)信息技术有限公司 | 一种基于深度学习的时空编码图像校正方法 |
CN115690255A (zh) * | 2023-01-04 | 2023-02-03 | 浙江双元科技股份有限公司 | 基于卷积神经网络的ct图像去伪影方法、装置及系统 |
CN116485937B (zh) * | 2023-06-21 | 2023-08-29 | 吉林大学 | 基于图神经网络的ct运动伪影消除方法及系统 |
CN116485937A (zh) * | 2023-06-21 | 2023-07-25 | 吉林大学 | 基于图神经网络的ct运动伪影消除方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871332A (zh) | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 | |
CN108898642A (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
CN108492269B (zh) | 基于梯度正则卷积神经网络的低剂量ct图像去噪方法 | |
CN102254310B (zh) | 用于减少ct图像数据中的图像伪影、尤其是金属伪影的方法 | |
CN104751429B (zh) | 一种基于字典学习的低剂量能谱ct图像处理方法 | |
CN108961237A (zh) | 一种基于卷积神经网络的低剂量ct图像分解方法 | |
CN105678821B (zh) | 一种基于自编码器图像融合的动态pet图像重建方法 | |
CN105118066A (zh) | 一种基于三维区别性特征表示的低剂量ct图像分解方法 | |
CN103400361B (zh) | 一种口腔ct中基于阈值的增益校正算法 | |
CN112102213B (zh) | 低剂量ct图像处理方法、扫描系统及计算机存储介质 | |
CN109064521A (zh) | 一种使用深度学习的cbct去伪影方法 | |
CN101980302A (zh) | 投影数据恢复导引的非局部平均低剂量ct重建方法 | |
CN103810735A (zh) | 一种低剂量x射线ct图像统计迭代重建方法 | |
CN106373163A (zh) | 一种基于三维投影图区别性特征表示的低剂量ct成像方法 | |
CN106127825A (zh) | 一种基于广义惩罚加权最小二乘的x射线ct图像重建方法 | |
Li et al. | X-ray photon-counting data correction through deep learning | |
CN103793890A (zh) | 一种能谱ct图像的恢复处理方法 | |
CN109816747A (zh) | 一种头部ct图像的金属伪影校正方法 | |
CN112001978B (zh) | 一种基于生成对抗网络的双能双90°ct扫描重建图像的方法及装置 | |
Wang et al. | One half-scan dual-energy CT imaging using the Dual-domain Dual-way Estimated Network (DoDa-Net) model | |
CN113344876A (zh) | 一种ct和cbct间可变形配准方法 | |
CN111080736B (zh) | 一种基于稀疏变换的低剂量ct图像重建方法 | |
CN105976412A (zh) | 一种基于离线字典稀疏正则化的低管电流强度扫描的ct图像重建方法 | |
JP7430232B2 (ja) | グラフ学習に基づくスパース投影再構成方法 | |
CN116630738A (zh) | 一种基于深度卷积稀疏表示重建网络的能谱ct成像方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180403 |