CN107945241A - 一种基于边界信息扩散的x射线cl图像重建算法 - Google Patents
一种基于边界信息扩散的x射线cl图像重建算法 Download PDFInfo
- Publication number
- CN107945241A CN107945241A CN201711011082.XA CN201711011082A CN107945241A CN 107945241 A CN107945241 A CN 107945241A CN 201711011082 A CN201711011082 A CN 201711011082A CN 107945241 A CN107945241 A CN 107945241A
- Authority
- CN
- China
- Prior art keywords
- mrow
- image
- boundary information
- ray
- msup
- 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.)
- Granted
Links
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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/419—Imaging computed tomograph
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
Landscapes
- Theoretical Computer Science (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Pulmonology (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开一种基于边界信息扩散的X射线CL图像重建算法,步骤如下:输入变量;初始化;假设已得到估计图像u(k),以u(k)为初值,利用CL扫描数据集p,更新估计图像u(k+1/2)=RG(p,u(k));利用图像u(k+1/2)的边界信息扩散修正估计图像,得到u(k+1)=P(u(k+1/2));判断相邻两次迭代图像间的差别是否小于给定阈值,或是否达到迭代次数上限N,满足则终止迭代;否则,以u(k+1)为初值,开始新一轮迭代,直至满足则终止,基于边界信息扩散的X射线CL图像重建算法结束。本发明算法利用重建出的图像边界信息,通过迭代的方式,逐步恢复出图像内部灰度值,能够有效降低重建图像层间信息混叠,提高重建图像的层间分辨率,进而提高CL系统的实用性。
Description
技术领域
本发明属于X射线CL成像技术领域,涉及一种基于边界信息扩散的X射线CL图像重建算法。
背景技术
在工业无损检测中,经常会遇到大尺寸板状物检测问题,如印制电路板、太阳能板、机翼等。对于该种物体的检测,传统的X射线CT扫描难以胜任。相反的,CL(Computedlaminography)扫描能够提供更多角度的扫描数据、以及更大的放大比,是一种板状物扫描成像的有效手段。
然而,理论上CL成像为不完全数据成像问题。采用传统的图像重建算法(如FDK、SART等)得到的图像,存在严重的层间信息混叠,影响图像的层间分辨率,进而影响CL设备的实用性。
通过检索,尚未发现与本发明专利申请相关的专利公开文献。
发明内容
本发的目的在于克服现有CL成像算法中存在的层间信息混叠问题,提供一种基于边界信息扩散的X射线CL图像重建算法,该发明算法利用重建出的图像边界信息,通过迭代的方式,逐步恢复出图像内部灰度值,能够有效降低重建图像层间信息混叠,提高重建图像的层间分辨率,进而提高CL系统的实用性。
为了实现上述目的,本发明所采用的技术方案如下:
一种基于边界信息扩散的X射线CL图像重建算法,步骤如下:
步骤1、输入变量:CL扫描数据集p,CL扫描几何参数集G;
步骤2、初始化:初始估计图像u(0),迭代终止阈值ε或迭代次数上限N;
步骤3、假设已得到估计图像u(k),以u(k)为初值,利用CL扫描数据集p,更新估计图像u(k+1/2)=RG(p,u(k)),其中RG表示扫描几何参数集G相关的图像重建算子;
步骤4、利用图像u(k+1/2)的边界信息扩散修正估计图像,得到u(k+1)=P(u(k+1/2)),其中P表示边界信息扩散修正算子;
步骤5、判断相邻两次迭代图像间的差别是否小于给定阈值,即||u(k+1)-u(k)||≤ε,或是否达到迭代次数上限N,满足则终止迭代;否则,转步骤3,直至相邻两次迭代图像间的差别小于给定阈值,即||u(k+1)-u(k)||≤ε,或达到迭代次数上限N,则终止,基于边界信息扩散的X射线CL图像重建算法结束。
而且,所述步骤4中边界信息扩散修正算子P由下列最优化问题所定义:
其中K,λ,v,u(k+1),u(k+1/2)均为坐标分量x,y,z的函数,vx,vy分别表示v关于x和y的一阶偏导数;K为扩散函数,可取为常函数1;μ为调节参数,λ为边界保持函数,可设为u(k+1/2)的梯度的函数,如其中c>0;求解该优化函数可通过引入时间参数t,转为求解如下偏微分方程,
其中为图像边界,为边界的法方向;该偏微分方程采用经典数值方法求解。
而且,所述的重建算子RG选择迭代类的重建算法或选用解析类算法。
而且,所述迭代类的重建算法为ART、SART或EM;所述解析类算法为FDK或BPF。
而且,在扩散过程中,边界位置保持不变。
本发明取得的优点和积极效果是:
本发明算法主要是为了解决现有CL图像重建算法重建的图像存在层间信息混叠,影响图像层间分辨率的问题,该发明算法利用重建出的图像边界信息,通过迭代的方式,逐步恢复出图像内部灰度值,能够有效降低重建图像层间信息混叠,提高重建图像的层间分辨率,进而提高CL系统的实用性。
附图说明
图1为本发明算法的流程图;
图2为CL扫描系统示意图及扫描条件图;
图3为本发明中扫描模体照片:一块多层PCB板;
图4为本发明中SART重建图像的三视图;
图5为本发明中DART重建图像的三视图;
图6本发明算法重建图像的三视图;
图7为图4中冠状面的放大图像;
图8为图5中冠状面的放大图像;
图9为图6中冠状面的放大图像;
图10为图4中矢状面的放大图像;
图11为图5中矢状面的放大图像;
图12为图6中矢状面的放大图像。
具体实施方式
为能进一步了解本发明的内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下。需要说明的是,本实施例是描述性的,不是限定性的,不能由此限定本发明的保护范围。
本发明中未详细描述的结构、连接关系及方法,均可以理解为本领域内的公知常识。
下面结合附图对本发明的具体实施方式做详细说明。
实施例1
一种基于边界信息扩散的X射线CL图像重建算法,其具体流程描述如下:
步骤1、输入变量:CL扫描数据集p,CL扫描几何参数集G;
步骤2、初始化:初始估计图像u(0),迭代终止阈值ε或迭代次数上限N;
步骤3、假设已得到估计图像u(k),以u(k)为初值,利用CL扫描数据集p,更新估计图像u(k+1/2)=RG(p,u(k)),其中RG表示扫描几何参数集G相关的图像重建算子
步骤4、利用图像u(k+1/2)的边界信息扩散修正估计图像,得到u(k+1)=P(u(k+1/2)),其中P表示边界信息扩散修正算子;
步骤5、判断相邻两次迭代图像间的差别是否小于给定阈值,即||u(k+1)-u(k)||≤ε,或是否达到迭代次数上限N,满足则终止迭代;否则,转步骤3,直至相邻两次迭代图像间的差别小于给定阈值,即||u(k+1)-u(k)||≤ε,或达到迭代次数上限N,则终止,基于边界信息扩散的X射线CL图像重建算法结束。
实施例2
一种基于边界信息扩散的X射线CL图像重建算法,其具体流程描述如下:
步骤1、输入变量:CL扫描数据集p,CL扫描几何参数集G;
步骤2、初始化:初始估计图像u(0),迭代终止阈值ε或迭代次数上限N;
步骤3、假设已得到估计图像u(k),以u(k)为初值,利用CL扫描数据集p,更新估计图像u(k+1/2)=RG(p,u(k)),其中RG表示扫描几何参数集G相关的图像重建算子
步骤4、利用图像u(k+1/2)的边界信息扩散修正估计图像,得到u(k+1)=P(u(k+1/2)),其中P表示边界信息扩散修正算子;
其中,步骤4中边界信息扩散修正算子P由下列最优化问题所定义:
其中K,λ,v,u(k+1),u(k+1/2)均为坐标分量x,y,z的函数,vx,vy分别表示v关于x和y的一阶偏导数;K为扩散函数,可取为常函数1;μ为调节参数,λ为边界保持函数,可设为u(k+1/2)的梯度的函数,如其中c>0;求解该优化函数可通过引入时间参数t,转为求解如下偏微分方程,
其中为图像边界,为边界的法方向;该偏微分方程采用经典数值方法求解;
步骤5、判断相邻两次迭代图像间的差别是否小于给定阈值,即||u(k+1)-u(k)||≤ε,或是否达到迭代次数上限N,满足则终止迭代;否则,转步骤3,直至相邻两次迭代图像间的差别小于给定阈值,即||u(k+1)-u(k)||≤ε,或达到迭代次数上限N,则终止,基于边界信息扩散的X射线CL图像重建算法结束;
其中,在扩散过程中,边界位置保持不变。
实施例3
为了更好的体现本发明一种基于边界信息扩散的X射线CL图像重建算法在重建效果方面的优势,下面结合一具体实施例将本发明所述的算法与已存在的典型算法SART和DART做比较。
本实施例所用CL设备示意图如图2所示,图中同时标明了扫描几何条件。扫描样品为一块多层PCB板,如图3所示。扫描电压为160kV,360度共采集720个投影数据。
分别采用SART、DART和本发明算法对扫描数据进行图像重建,重建图像如图4、图5、图6所示。其中图4为SART的重建图像的三视图(横断面、冠状面和矢状面),图7为对应冠状面的放大图像,图10为对应矢状面的放大图像;其中图5为DART的重建图像的三视图,图8为对应冠状面的放大图像,图11为对应矢状面的放大图像;其中图6为本发明算法重建图像的三视图,图9为对应冠状面的放大图像,图12为对应矢状面的放大图像。可以看出,SART的重建结果中存在严重的层间信息混叠,几乎看不到PCB的分层信息;DART算法也没能恢复出PCB的分层信息;而本发明算法有效的恢复出了PCB分层信息,减小了层间信息混叠,提高了图像层间分辨率。
以上,仅为本发明的实施例,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求所界定的保护范围为准。
Claims (5)
1.一种基于边界信息扩散的X射线CL图像重建算法,其特征在于,步骤如下:
步骤1、输入变量:CL扫描数据集p,CL扫描几何参数集G;
步骤2、初始化:初始估计图像u(0),迭代终止阈值ε或迭代次数上限N;
步骤3、假设已得到估计图像u(k),以u(k)为初值,利用CL扫描数据集p,更新估计图像u(k +1/2)=RG(p,u(k)),其中RG表示扫描几何参数集G相关的图像重建算子;
步骤4、利用图像u(k+1/2)的边界信息扩散修正估计图像,得到u(k+1)=P(u(k+1/2)),其中P表示边界信息扩散修正算子;
步骤5、判断相邻两次迭代图像间的差别是否小于给定阈值,即||u(k+1)-u(k)||≤ε,或是否达到迭代次数上限N,满足则终止迭代;否则,转步骤3,直至相邻两次迭代图像间的差别小于给定阈值,即||u(k+1)-u(k)||≤ε,或达到迭代次数上限N,则终止,基于边界信息扩散的X射线CL图像重建算法结束。
2.根据权利要求1所述的基于边界信息扩散的X射线CL图像重建算法,其特征在于:所述步骤4中边界信息扩散修正算子P由下列最优化问题所定义:
<mrow>
<msup>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>=</mo>
<munder>
<mi>argmin</mi>
<mi>v</mi>
</munder>
<mo>&Integral;</mo>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>v</mi>
<mi>x</mi>
<mn>2</mn>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>v</mi>
<mi>y</mi>
<mn>2</mn>
</msubsup>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mi>d</mi>
<mi>z</mi>
<mo>+</mo>
<mi>&mu;</mi>
<mo>&Integral;</mo>
<mi>&lambda;</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>-</mo>
<msup>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>d</mi>
<mi>x</mi>
<mi>d</mi>
<mi>y</mi>
<mi>d</mi>
<mi>z</mi>
<mo>;</mo>
</mrow>
其中K,λ,v,u(k+1),u(k+1/2)均为坐标分量x,y,z的函数,vx,vy分别表示v关于x和y的一阶偏导数;K为扩散函数,可取为常函数1;μ为调节参数,λ为边界保持函数,可设为u(k+1/2)的梯度▽u(k+1/2)的函数,如其中c>0;求解该优化函数可通过引入时间参数t,转为求解如下偏微分方程,
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>v</mi>
<mi>t</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<mi>&mu;</mi>
<mi>&lambda;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msup>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mo>&part;</mo>
<mrow>
<mo>&part;</mo>
<mi>x</mi>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
<msub>
<mi>v</mi>
<mi>x</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mo>&part;</mo>
<mrow>
<mo>&part;</mo>
<mi>y</mi>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
<mo>)</mo>
<msub>
<mi>v</mi>
<mi>y</mi>
</msub>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>v</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>,</mo>
<mi>z</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mo>&part;</mo>
<mover>
<mi>n</mi>
<mo>&RightArrow;</mo>
</mover>
</mrow>
</mfrac>
<msub>
<mo>|</mo>
<mrow>
<mo>&part;</mo>
<mi>&Omega;</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中为图像边界,为边界的法方向;该偏微分方程采用经典数值方法求解。
3.根据权利要求1所述的基于边界信息扩散的X射线CL图像重建算法,其特征在于:所述的重建算子RG选择迭代类的重建算法或选用解析类算法。
4.根据权利要求3所述的基于边界信息扩散的X射线CL图像重建算法,其特征在于:所述迭代类的重建算法为ART、SART或EM;所述解析类算法为FDK或BPF。
5.根据权利要求1至4任一项所述的基于边界信息扩散的X射线CL图像重建算法,其特征在于:在扩散过程中,边界位置保持不变。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711011082.XA CN107945241B (zh) | 2017-10-25 | 2017-10-25 | 一种基于边界信息扩散的x射线cl图像重建算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711011082.XA CN107945241B (zh) | 2017-10-25 | 2017-10-25 | 一种基于边界信息扩散的x射线cl图像重建算法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107945241A true CN107945241A (zh) | 2018-04-20 |
CN107945241B CN107945241B (zh) | 2021-01-08 |
Family
ID=61936541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711011082.XA Active CN107945241B (zh) | 2017-10-25 | 2017-10-25 | 一种基于边界信息扩散的x射线cl图像重建算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107945241B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100061504A1 (en) * | 2006-12-04 | 2010-03-11 | Koninklijke Philips Electronics N. V. | Ct imaging system |
CN103247061A (zh) * | 2013-02-05 | 2013-08-14 | 南方医科大学 | 一种x射线ct图像的增广拉格朗日迭代重建方法 |
CN104821003A (zh) * | 2015-04-13 | 2015-08-05 | 中国科学院苏州生物医学工程技术研究所 | 一种ct图像重建方法 |
CN106780641A (zh) * | 2016-11-14 | 2017-05-31 | 西安交通大学 | 一种低剂量x射线ct图像重建方法 |
CN106846427A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 一种基于重加权各向异性全变分的有限角度ct重建方法 |
-
2017
- 2017-10-25 CN CN201711011082.XA patent/CN107945241B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100061504A1 (en) * | 2006-12-04 | 2010-03-11 | Koninklijke Philips Electronics N. V. | Ct imaging system |
CN103247061A (zh) * | 2013-02-05 | 2013-08-14 | 南方医科大学 | 一种x射线ct图像的增广拉格朗日迭代重建方法 |
CN104821003A (zh) * | 2015-04-13 | 2015-08-05 | 中国科学院苏州生物医学工程技术研究所 | 一种ct图像重建方法 |
CN106780641A (zh) * | 2016-11-14 | 2017-05-31 | 西安交通大学 | 一种低剂量x射线ct图像重建方法 |
CN106846427A (zh) * | 2017-01-25 | 2017-06-13 | 浙江大学 | 一种基于重加权各向异性全变分的有限角度ct重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107945241B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | A model-based image reconstruction algorithm with simultaneous beam hardening correction for X-ray CT | |
Zeng et al. | A simple low-dose x-ray CT simulation from high-dose scan | |
Chen et al. | A limited-angle CT reconstruction method based on anisotropic TV minimization | |
Liu et al. | Total variation-stokes strategy for sparse-view X-ray CT image reconstruction | |
Yan et al. | A comprehensive study on the relationship between the image quality and imaging dose in low-dose cone beam CT | |
CN101308102B (zh) | 一种计算机断层扫描成像装置和方法 | |
CN104156917A (zh) | 基于双能谱的x射线ct图像增强方法 | |
Riis et al. | Limited-data x-ray CT for underwater pipeline inspection | |
CN103027704B (zh) | 产生噪声减少的ct图像数据组的方法、计算系统和ct系统 | |
Humphries et al. | Superiorized algorithm for reconstruction of CT images from sparse-view and limited-angle polyenergetic data | |
Guo et al. | Image reconstruction model for the exterior problem of computed tomography based on weighted directional total variation | |
Wu et al. | Block matching frame based material reconstruction for spectral CT | |
CN107978005A (zh) | 一种基于保边界扩散和平滑的有限角ct图像重建算法 | |
Wang et al. | Locally linear constraint based optimization model for material decomposition | |
Chao et al. | Removal of computed tomography ring artifacts via radial basis function artificial neural networks | |
Quiñones et al. | Filtered back-projection reconstruction for attenuation proton CT along most likely paths | |
WO2013146283A1 (ja) | 画像処理装置及び画像処理方法 | |
Zhang et al. | Sparse-view X-ray CT reconstruction with Gamma regularization | |
Zhang et al. | Reconstruction method for DECT with one half-scan plus a second limited-angle scan using prior knowledge of complementary support set (Pri-CSS) | |
Qu et al. | Sparse-view CT reconstruction based on gradient directional total variation | |
Huang et al. | Robust scatter correction method for cone-beam CT using an interlacing-slit plate | |
Meng et al. | Single‐scan patient‐specific scatter correction in computed tomography using peripheral detection of scatter and compressed sensing scatter retrieval | |
Wang et al. | One half-scan dual-energy CT imaging using the Dual-domain Dual-way Estimated Network (DoDa-Net) model | |
Zhou et al. | Multi-scale dilated convolution neural network for image artifact correction of limited-angle tomography | |
Bushe et al. | Unbiased zero-count correction method in low-dose high-resolution photon counting detector CT |
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 |