CN109035360A - 一种基于压缩感知的cbct图像重建方法 - Google Patents
一种基于压缩感知的cbct图像重建方法 Download PDFInfo
- Publication number
- CN109035360A CN109035360A CN201810857473.1A CN201810857473A CN109035360A CN 109035360 A CN109035360 A CN 109035360A CN 201810857473 A CN201810857473 A CN 201810857473A CN 109035360 A CN109035360 A CN 109035360A
- Authority
- CN
- China
- Prior art keywords
- cbct
- image
- dictionary
- precision
- data
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于压缩感知的CBCT图像重建方法,包括:降采样采集待重建的CBCT数据;采用迭代算法对待重建的CBCT数据进行迭代计算;在迭代计算的每一次迭代过程中,采用预先训练的双字典模型对迭代结果进行图像重建;双字典模型包括:低精度字典,高精度字典;低精度字典用于对迭代计算的当前迭代结果进行稀疏表达;高精度字典用于采用低精度字典稀疏表达的结果重建CBCT图像;将高精度字典重建的CBCT图像作为下一次迭代过程的输入,直至获取的CBCT图像达到预定精度,停止迭代计算,获取最终的CBCT重建图像。本发明提供的技术方案,能够在保证CBCT重建图像临床应用的前提下,显著降低图像引导放疗中单次CBCT扫描时患者所受X射线剂量,并减少CBCT扫描时间。
Description
技术领域
本发明涉及图像重建技术领域,具体是一种基于压缩感知的CBCT图像重建方法。
背景技术
放射治疗作为肿瘤治疗的重要手段,伴随计算机技术的应用及医学物理的发展,进入了“精确定位、精确计划、精确治疗”的精确放疗技术时代,充分显示了其最大限度杀伤肿瘤、提高肿瘤控制率,最大限度保护肿瘤周围正常器官、降低严重并发症发生率的技术优势。图像引导放射治疗(image-guided radiotherapy,IGRT)作为精确放疗的技术保证,在当前分次治疗摆位时或治疗中采集图像或者其他信号,以引导此次放疗和后续分次治疗,其引导方式可以是校正患者摆位,调整患者治疗计划,或者引导兆伏级射线束照射。大量研究表明,IGRT能够显著降低放疗后射线对危及器官的毒副作用,提高肿瘤控制率。
IGRT采集的信号可以是二维X射线透视图、三维CT图像、四维CT时相图,也可以是超声断层图像、三维重建图像,或是红外线体表检测信号,或是植入患者体内的电磁波转发装置发出的信号等等。作为加速器机载的图像引导系统,CBCT(Cone Beam CT,锥形束CT)是唯一能够便利地提供三维容积信息的一种IGRT技术,已经在全球范围内得到的广泛使用,并已经被认为是图像引导校正的金标准。
然而,随着CBCT校正在IGRT中逐渐成为常规技术,CBCT三维图像重建而采集的大量透射片,导致患者额外受到一定程度的X射线辐射,特别是显著增加了患者正常组织的辐射剂量。George X等利用蒙特卡洛精确模拟了典型的头颈部放疗患者接受一次常规设置下CBCT扫描后受到的剂量,其中眼、脊髓、脑部正常组织所受剂量为8cGy、6cGy和5cGy,由于光电效应的影响,骨组织所受剂量最高,为25cGy。Monica等利用瓦里安公司的On-BoardImager(OBI,Varian kV CBCT system)系统系统地研究了头颈部、胸部和腹部放疗患者的皮肤剂量和26种器官的吸收剂量,结果表明,在常规设置下,头、胸、腹部患者一次CBCT扫描后皮肤平均剂量分别为6.7cGy、6.4cGy和5.4cGy,体内有效剂量分别为10.3mSv、23.7mSv和22.7mSv,标准设置的日常CBCT扫描将增加2%到4%的继发性肿瘤发生率。因此,如何降低CBCT三维图像重建时患者所受X射线辐射剂量具有重要的临床意义,并有广阔的市场应用前景。
发明内容
本发明旨在提供一种基于压缩感知的CBCT图像重建方法,能够在保证CBCT重建图像临床应用的前提下,显著降低图像引导放疗中单次CBCT扫描时患者所受X射线剂量,并减少CBCT扫描时间。
为达到上述目的,本发明采用的技术方案如下:
一种基于压缩感知的CBCT图像重建方法,包括:降采样采集待重建的CBCT数据;采用迭代算法对所述待重建的CBCT数据进行迭代计算;在所述迭代计算的每一次迭代过程中,采用预先训练的双字典模型对迭代结果进行图像重建;所述双字典模型包括:低精度字典,高精度字典;所述低精度字典用于对所述迭代计算的当前迭代结果进行稀疏表达;所述高精度字典用于采用所述低精度字典稀疏表达的结果重建CBCT图像;将所述高精度字典重建的CBCT图像作为下一次迭代过程的输入,直至获取的CBCT图像达到预定精度,停止所述迭代计算;输出达到所述预定精度的CBCT图像,获取最终的CBCT重建图像。
优选地,根据预先获取的先验CBCT图像构建所述低精度字典和所述高精度字典。
优选地,所述低精度字典的建立方法为:降采样采集所述先验CBCT图像,获取第一先验CBCT图像数据;对所述第一先验CBCT图像数据依次进行向量化和归一化,获取归一化后的第一向量集;对所述第一向量集进行主成分分析,获取所述第一向量集所对应的特征向量;在所述第一向量集所对应的特征向量中选取预定个数的特征向量作为第一图像特征;所述第一图像特征组成所述低精度字典;
所述高精度字典的建立方法为:全采样采集所述先验CBCT图像,获取第二先验CBCT图像数据;对所述第二先验CBCT图像数据依次进行向量化和归一化,获取归一化后的第二向量集;对所述第二向量集进行主成分分析,获取所述第二向量集所对应的特征向量;在所述第二向量集所对应的特征向量中选取预定个数的特征向量作为第二图像特征;所述第二图像特征组成所述高精度字典。
优选地,所述高精度字典的训练集为:对人体预定部位进行扫描的完整的CBCT数据重建的高精度图像;所述低精度字典的训练集为:对所述高精度图像进行降采样采集所获取的数据直接重建的低精度图像。
优选地,所述迭代算法为SART算法。
优选地,所述低精度字典采用正交匹配追踪算法对所述迭代计算的当前迭代结果进行稀疏表达。
优选地,所述采集待重建的CBCT数据所采用的降采样模式为伪随机采样模式。
与现有技术相比,本发明具有以下优点:
本发明实施例提供的基于压缩感知的CBCT图像重建方法,在采用迭代算法进行图像重建的过程中,融入了预先训练的双字典模型,其中,低精度字典用于对迭代计算的当前迭代结果进行稀疏表达,高精度字典用于采用低精度字典稀疏表达的结果重建CBCT图像,因此,本发明能够在降采样采集的少数据的基础上,进行高质量的CBCT图像重建。此外,由于高精度字典中融入了已获得的先验CBCT图像的全采样图像特征,低精度字典中融入了已获得的先验CBCT图像的降采样图像特征,即双字典模型采用先验CBCT图像来辅助图像重建,能够进一步提升重建图像的质量、降低重建时间。本发明使用降采样方式来采集CBCT数据,减少了CBCT扫描人体时的透射帧数,进而降低了CBCT的扫描剂量。可见,本发明提供的技术方案,能够在保证CBCT重建图像临床应用的前提下,显著降低图像引导放疗中单次CBCT扫描时患者所受X射线剂量,并减少CBCT扫描时间。
附图说明
图1为本发明实施例的方法流程图一;
图2为本发明实施例的方法流程图二;
图3为本发明实施例中低精度字典的建立方法流程图;
图4为本发明实施例中高精度字典的建立方法流程图。
具体实施方式
下面结合附图对本发明的实施例做详细的说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明的目的是为了在进行图像引导放疗中降低人体接受X射线的辐射剂量,而减少CBCT扫描时的透射帧数是直接降低CBCT扫描剂量的有效途径。
当显著降低CBCT扫描的透射帧数时,即对扫描数据进行了降采样,CBCT图像重建就只能基于部分采样数据进行。目前,解决有一定先验知识的少数据重建问题,广泛采用的理论基础是压缩感知理论(compressed sensing,CS)。压缩感知理论与信息论中传统的Shannon-Nyquist理论不同,在Shannon采样定理体系中,其投影采样的频率必须达到重建目标最高频率的两倍以上,才能精确地重建图像,否则会导致混叠伪影的出现,无法满足成像质量的要求。但提高信号采样分辨率意味着减小传感器像素尺寸、增加阵列数量,但是会增加系统的复杂度和实现难度。压缩感知理论提供了一种新的思路:引入信号的稀疏性,利用少量非相关的压缩采样测量值,通过稀疏优化算法实现信号的高精度重构,避免对于高精度传感器的盲目追求。它提出将信号的采样与压缩同时进行,使得在某个变换域上有稀疏性或者可压缩表示的信号采样率大大降低,并能将稀疏信号从高度不完整的采样中以极高的概率进行恢复。压缩感知理论在信息采样、磁共振成像、语音识别等信号处理领域得到了广泛的应用。压缩感知理论表明,如果某个信号在一个变换域内可以稀疏表示,即可压缩的,若已知该信号在某个测量矩阵下的低维观测向量,并且这个测量矩阵是尽可能地随机的,与变换矩阵尽可能地不相干,即该信号包含了重构和处理原信号的足够信息,则原信号可以通过求解稀疏最优化问题高概率地精确恢复重建。
图1和图2为本发明实施例的方法流程图,包括以下步骤:
步骤101,降采样采集待重建的CBCT数据;
步骤102,采用迭代算法对所述待重建的CBCT数据进行迭代计算;在所述迭代计算的每一次迭代过程中,采用预先训练的双字典模型对迭代结果进行图像重建;所述双字典模型包括:低精度字典,高精度字典;所述低精度字典用于对所述迭代计算的当前迭代结果进行稀疏表达;所述高精度字典用于采用所述低精度字典稀疏表达的结果重建CBCT图像;
步骤103,将所述高精度字典重建的CBCT图像作为下一次迭代过程的输入,直至获取的CBCT图像达到预定精度,停止所述迭代计算;
步骤104,输出达到所述预定精度的CBCT图像,获取最终的CBCT重建图像。
基于压缩感知理论的少数据CBCT重建的可行方式为迭代重建。为了降低计算的复杂度和加快计算结果的收敛性,本实施例中采用的迭代算法为SART算法。
根据图1和图2的算法流程图,少数据CBCT重建算法可以总结为如下最优化问题:
s.t.||aj||0≤ρ,j=1,2,...,N,x≥0,Ax=p
其中,x为待重建的CBCT图像,p为降采样CBCT投影数据,A为CBCT投影矩阵,D为构建的字典。R为图像块提取矩阵,N为图像块总个数,Rj即提取第j个图像块,a为一组稀疏表达系数,Daj代表由字典构建的图像块,ρ代表每个图像块稀疏表达的稀疏程度。||·TV为稀疏变换TV范数约束,||·||0为0范数约束。对于该最优化问题,考虑主要约束条件Ax=p,该等式表征每条X射线的投影过程,是线性方程组。因此CBCT图像重建问题映射到数学问题上即求解方程组问题。根据压缩感知理论,降采样下大多数方程之间仍线性无关,可以进行少数据重建。因为方程组的解空间为凸集,求解该最优化问题,可通过选择合理的迭代参数使迭代收敛。在SART算法中,每步迭代操作为将当前的方程解投影到全局约束的投影方程组的超平面附近,并利用与超平面的距离再次进行投影,使得与超平面距离越来越小。而TV范数约束用于确保CBCT图像稀疏性,可通过梯度下降算法实现。在SART算法与TV约束下循环求解数次,即可收敛至最优解,获得少数据CBCT重建图像。
字典学习的目标是使得目标信号x在合适的字典D下尽可能地稀疏表示。因此,最优字典的构建和信号的稀疏表达是字典学习的两个方面。针对图像引导放疗的特点,要求字典的信息提取能力强,能够提取重建图像对象的细节信息,能够以很小的字典容量对目标信号进行非常有效的稀疏表达,因此,我们拟采用基于主成分分析的特征提取方法进行字典的构建。
本实施例中,根据预先获取的先验CBCT图像构建所述低精度字典和所述高精度字典。具体地,所述低精度字典的建立方法为:降采样采集所述先验CBCT图像,获取第一先验CBCT图像数据;对所述第一先验CBCT图像数据依次进行向量化和归一化,获取归一化后的第一向量集;对所述第一向量集进行主成分分析,获取所述第一向量集所对应的特征向量;在所述第一向量集所对应的特征向量中选取预定个数的特征向量作为第一图像特征;所述第一图像特征组成所述低精度字典;所述高精度字典的建立方法为:全采样采集所述先验CBCT图像,获取第二先验CBCT图像数据;对所述第二先验CBCT图像数据依次进行向量化和归一化,获取归一化后的第二向量集;对所述第二向量集进行主成分分析,获取所述第二向量集所对应的特征向量;在所述第二向量集所对应的特征向量中选取预定个数的特征向量作为第二图像特征;所述第二图像特征组成所述高精度字典。
双字典的构建过程基于先验图像,字典构建的训练集拟采用相同部位扫描的完整CBCT数据重建的高精度图像和对应的降采样CBCT数据直接重建的低精度图像组成的对偶数据集,即高精度字典的训练集为:对人体预定部位进行扫描的完整的CBCT数据重建的高精度图像;低精度字典的训练集为:对所述高精度图像进行降采样采集所获取的数据直接重建的低精度图像,构建针对特定部位的通用型高低精度不同的双字典。
稀疏表达是字典学习中的一个最优化问题,本质上就是对目标信号进行稀疏条件下的线性分解。为恰当平衡计算准确性与实效性,本发明采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)实现稀疏表达,OMP迭代收敛快,计算量较小,并且已经有较为成熟的加速算法,适合图像引导放疗实效性的需求。
CBCT在180°范围内由于半平面锥束投影,相互间相干性较小,而且相干性随间隔角度变化不显著。因此本实施例中采用伪随机采样模式,可满足压缩感知恢复重建,并且仪器实现简单。
本发明实施例提供的基于压缩感知的CBCT图像重建方法,在采用迭代算法进行图像重建的过程中,融入了预先训练的双字典模型,其中,低精度字典用于对迭代计算的当前迭代结果进行稀疏表达,高精度字典用于采用低精度字典稀疏表达的结果重建CBCT图像,因此,本发明能够在降采样采集的少数据的基础上,进行高质量的CBCT图像重建。此外,由于高精度字典中融入了已获得的先验CBCT图像的全采样图像特征,低精度字典中融入了已获得的先验CBCT图像的降采样图像特征,即双字典模型采用先验CBCT图像来辅助图像重建,能够进一步提升重建图像的质量、降低重建时间。本发明使用降采样方式来采集CBCT数据,减少了CBCT扫描人体时的透射帧数,进而降低了CBCT的扫描剂量。可见,本发明提供的技术方案,能够在保证CBCT重建图像临床应用的前提下,显著降低图像引导放疗中单次CBCT扫描时患者所受X射线剂量,并减少CBCT扫描时间。
以上所述,仅为本发明的具体实施方式,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,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于压缩感知的CBCT图像重建方法,其特征在于,包括:
降采样采集待重建的CBCT数据;
采用迭代算法对所述待重建的CBCT数据进行迭代计算;在所述迭代计算的每一次迭代过程中,采用预先训练的双字典模型对迭代结果进行图像重建;所述双字典模型包括:低精度字典,高精度字典;所述低精度字典用于对所述迭代计算的当前迭代结果进行稀疏表达;所述高精度字典用于采用所述低精度字典稀疏表达的结果重建CBCT图像;
将所述高精度字典重建的CBCT图像作为下一次迭代过程的输入,直至获取的CBCT图像达到预定精度,停止所述迭代计算;
输出达到所述预定精度的CBCT图像,获取最终的CBCT重建图像。
2.根据权利要求1所述的基于压缩感知的CBCT图像重建方法,其特征在于,根据预先获取的先验CBCT图像构建所述低精度字典和所述高精度字典。
3.根据权利要求2所述的基于压缩感知的CBCT图像重建方法,其特征在于,所述低精度字典的建立方法为:降采样采集所述先验CBCT图像,获取第一先验CBCT图像数据;对所述第一先验CBCT图像数据依次进行向量化和归一化,获取归一化后的第一向量集;对所述第一向量集进行主成分分析,获取所述第一向量集所对应的特征向量;在所述第一向量集所对应的特征向量中选取预定个数的特征向量作为第一图像特征;所述第一图像特征组成所述低精度字典;
所述高精度字典的建立方法为:全采样采集所述先验CBCT图像,获取第二先验CBCT图像数据;对所述第二先验CBCT图像数据依次进行向量化和归一化,获取归一化后的第二向量集;对所述第二向量集进行主成分分析,获取所述第二向量集所对应的特征向量;在所述第二向量集所对应的特征向量中选取预定个数的特征向量作为第二图像特征;所述第二图像特征组成所述高精度字典。
4.根据权利要求3所述的基于压缩感知的CBCT图像重建方法,其特征在于,所述高精度字典的训练集为:对人体预定部位进行扫描的完整的CBCT数据重建的高精度图像;所述低精度字典的训练集为:对所述高精度图像进行降采样采集所获取的数据直接重建的低精度图像。
5.根据权利要求1所述的基于压缩感知的CBCT图像重建方法,其特征在于,所述迭代算法为SART算法。
6.根据权利要求1所述的基于压缩感知的CBCT图像重建方法,其特征在于,所述低精度字典采用正交匹配追踪算法对所述迭代计算的当前迭代结果进行稀疏表达。
7.根据权利要求1所述的基于压缩感知的CBCT图像重建方法,其特征在于,所述采集待重建的CBCT数据所采用的降采样模式为伪随机采样模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810857473.1A CN109035360A (zh) | 2018-07-31 | 2018-07-31 | 一种基于压缩感知的cbct图像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810857473.1A CN109035360A (zh) | 2018-07-31 | 2018-07-31 | 一种基于压缩感知的cbct图像重建方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109035360A true CN109035360A (zh) | 2018-12-18 |
Family
ID=64647939
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810857473.1A Pending CN109035360A (zh) | 2018-07-31 | 2018-07-31 | 一种基于压缩感知的cbct图像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035360A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276813A (zh) * | 2019-05-06 | 2019-09-24 | 深圳先进技术研究院 | Ct图像重建方法、装置、存储介质和计算机设备 |
CN110400357A (zh) * | 2019-07-05 | 2019-11-01 | 北京航空航天大学 | 一种基于运动感知图像约束的4d-cbct重建方法 |
CN110917509A (zh) * | 2019-10-22 | 2020-03-27 | 苏州雷泰智能科技有限公司 | 一种基于双能cbct的成像方法、系统及放射治疗装置 |
CN111275669A (zh) * | 2020-01-13 | 2020-06-12 | 西安交通大学 | 一种先验信息引导的四维锥束ct图像重建算法 |
CN114241074A (zh) * | 2021-12-20 | 2022-03-25 | 四川大学 | 一种深度学习和电子学噪声模拟的cbct图像重建方法 |
CN115115738A (zh) * | 2022-08-29 | 2022-09-27 | 威海市博华医疗设备有限公司 | 一种对肺癌影像成像的修正方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150160319A1 (en) * | 2013-12-10 | 2015-06-11 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging apparatus and control method thereof |
CN104778671A (zh) * | 2015-04-21 | 2015-07-15 | 重庆大学 | 一种基于sae和稀疏表示的图像超分辨率方法 |
CN105405098A (zh) * | 2015-10-29 | 2016-03-16 | 西北工业大学 | 一种基于稀疏表示和自适应滤波的图像超分辨率重建方法 |
US20170035319A1 (en) * | 2015-08-04 | 2017-02-09 | University Of Virginia Patent Foundation | Rapid 3d dynamic arterial spin labeling with a sparse model-based image reconstruction |
CN106408550A (zh) * | 2016-09-22 | 2017-02-15 | 天津工业大学 | 一种改进的自适应多字典学习的图像超分辨率重建方法 |
-
2018
- 2018-07-31 CN CN201810857473.1A patent/CN109035360A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150160319A1 (en) * | 2013-12-10 | 2015-06-11 | Samsung Electronics Co., Ltd. | Magnetic resonance imaging apparatus and control method thereof |
CN104778671A (zh) * | 2015-04-21 | 2015-07-15 | 重庆大学 | 一种基于sae和稀疏表示的图像超分辨率方法 |
US20170035319A1 (en) * | 2015-08-04 | 2017-02-09 | University Of Virginia Patent Foundation | Rapid 3d dynamic arterial spin labeling with a sparse model-based image reconstruction |
CN105405098A (zh) * | 2015-10-29 | 2016-03-16 | 西北工业大学 | 一种基于稀疏表示和自适应滤波的图像超分辨率重建方法 |
CN106408550A (zh) * | 2016-09-22 | 2017-02-15 | 天津工业大学 | 一种改进的自适应多字典学习的图像超分辨率重建方法 |
Non-Patent Citations (2)
Title |
---|
李中源: "基于字典学习的显微CT低剂量问题研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
章昌久: "基于字典学习与GPU加速的快速磁共振成像技术研究", 《中国优秀硕士学位论文全文数据库医药卫生科技辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276813A (zh) * | 2019-05-06 | 2019-09-24 | 深圳先进技术研究院 | Ct图像重建方法、装置、存储介质和计算机设备 |
CN110400357A (zh) * | 2019-07-05 | 2019-11-01 | 北京航空航天大学 | 一种基于运动感知图像约束的4d-cbct重建方法 |
CN110917509A (zh) * | 2019-10-22 | 2020-03-27 | 苏州雷泰智能科技有限公司 | 一种基于双能cbct的成像方法、系统及放射治疗装置 |
CN110917509B (zh) * | 2019-10-22 | 2021-02-12 | 苏州雷泰智能科技有限公司 | 一种基于双能cbct的成像方法、系统及放射治疗装置 |
CN111275669A (zh) * | 2020-01-13 | 2020-06-12 | 西安交通大学 | 一种先验信息引导的四维锥束ct图像重建算法 |
CN111275669B (zh) * | 2020-01-13 | 2022-04-22 | 西安交通大学 | 一种先验信息引导的四维锥束ct图像重建算法 |
CN114241074A (zh) * | 2021-12-20 | 2022-03-25 | 四川大学 | 一种深度学习和电子学噪声模拟的cbct图像重建方法 |
CN115115738A (zh) * | 2022-08-29 | 2022-09-27 | 威海市博华医疗设备有限公司 | 一种对肺癌影像成像的修正方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109035360A (zh) | 一种基于压缩感知的cbct图像重建方法 | |
US10987522B2 (en) | Three dimensional localization and tracking for adaptive radiation therapy | |
US10152790B2 (en) | Three dimensional localization of a moving target for adaptive radiation therapy | |
JP4271941B2 (ja) | 患者の断層撮影投影画像を増強するための方法 | |
CN108898642A (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
CN110459301A (zh) | 基于热力图和面部关键点的脑部神经外科导航配准方法 | |
CN113842566A (zh) | 基于多模态成像的自适应重计划 | |
CN105796121B (zh) | 一种ct和x射线激发荧光双模同步断层成像方法 | |
CN106456993B (zh) | 放射线治疗模拟装置 | |
CN110390361A (zh) | 一种基于运动补偿学习的4d-cbct成像方法 | |
Pallotta et al. | Accuracy of a 3D laser/camera surface imaging system for setup verification of the pelvic and thoracic regions in radiotherapy treatments | |
CN114241074B (zh) | 一种深度学习和电子学噪声模拟的cbct图像重建方法 | |
CN115439572A (zh) | 一种衰减校正系数图像的获取方法、pet图像重建方法 | |
Birkner et al. | Analysis of the rigid and deformable component of setup inaccuracies on portal images in head and neck radiotherapy | |
Agomma et al. | Detection and identification of lower-limb bones in biplanar X-ray images with arbitrary field of view and various patient orientations | |
CN109620273A (zh) | 一种实时计算短扫描权重的快速cbct重建算法 | |
Lei et al. | Deep-learning-based markerless tumor localization using 2D KV/MV image | |
Akintonde | Surrogate driven respiratory motion model derived from CBCT projection data | |
Zhang et al. | Tunable Phantoms and Their Verification | |
Wu et al. | Low-Dose Cone Beam CT Reconstruction by Deep Neural Network for Image-Guided Radiation Therapy | |
Awadain et al. | Characterization of Non-Small Cell Lung Carcinoma Gross Target Volume with 18F-FDG PET scan using Texture Analysis | |
CN116172599A (zh) | 一种pet放射性活度分布的获取方法、pet系统 | |
CN116664627A (zh) | 三维肿瘤实时跟踪方法、装置、计算机设备及存储介质 | |
Yang et al. | Research of ct/mri tumor image registration based on least square support vector machines | |
CN109741275A (zh) | 一种mvct图像的增强方法及系统 |
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 |