CN109512452B - 一种基于压缩x射线断层合成的联合优化方法 - Google Patents
一种基于压缩x射线断层合成的联合优化方法 Download PDFInfo
- Publication number
- CN109512452B CN109512452B CN201910031344.1A CN201910031344A CN109512452B CN 109512452 B CN109512452 B CN 109512452B CN 201910031344 A CN201910031344 A CN 201910031344A CN 109512452 B CN109512452 B CN 109512452B
- Authority
- CN
- China
- Prior art keywords
- light source
- aperture
- dimensional object
- coded aperture
- compressed
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005457 optimization Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 31
- 230000008447 perception Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 70
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000005286 illumination Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 230000005855 radiation Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000002591 computed tomography Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/10—Safety means specially adapted therefor
- A61B6/107—Protection against radiation, e.g. shielding
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Optics & Photonics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Pulmonology (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于压缩X射线断层合成的联合优化方法,由于不同的光源索引对应不同的光源位置,则本发明基于压缩断层合成技术,协同优化光源位置、入射角度以及编码孔径;基于压缩感知理论,通过联合优化光源位置、入射角度以及编码孔径,使得断层合成系统中的感知矩阵的相干性最小;结合基于梯度投影重构算法,采用正则化方法来减少收敛误差,并实现对三维物体的均匀感知;与单独优化光源位置、入射角度、编码孔径相比较,本发明提供的方法能够显著提高优化自由度,有效改善三维物体的重建效果,图像质量明显提高。
Description
技术领域
本发明属于计算成像技术领域,尤其涉及一种基于压缩X射线断层合成的联合优化方法。
背景技术
目前,X射线计算机断层扫描技术(X-ray computed tomography,简称CT)已广泛应用于临床诊断、安全检查、工业检测等领域,但是传统的CT会围绕对象进行完全一周的测量,并利用计算机处理的算法,如滤波反投影算法(filered back-projection algorithm,简称FBP)重建对象,这样就大大增加了辐射剂量,采集时间和测量的成本及几何复杂度。X射线断层合成技术(X-ray tomosynthesis)作为CT的一种替代技术,从对照射角度的限制出发,进行一组不完全投影,并基于迭代算法重建对象,这种方法有很多优点,例如可大大降低辐射剂量,减小测量数并且有着单一的传感几何。断层合成的不完全测量有利于减少辐射,但是不可避免的会导致不适定逆重构问题。压缩X射线断层合成技术(compressiveX-ray tomosynthesis)作为一种新兴的技术,减缓了在小测量数和不适定逆重构问题间的权衡,它可以由一组X射线光源产生的二维投影数据中重构出三维的物体,这其中编码孔径用来调制照明结构以降低辐射剂量。通过编码孔径的优化,可以得到最佳的重构图样。
但是,当前的编码孔径优化方法都是只优化编码孔径图样,因此限制了优化的自由度,而自由度的限制会导致无法获得一个最优的重构结果,在断层合成技术中突破这种限制显得至关重要。
发明内容
为解决上述问题,本发明提供一种基于压缩X射线断层合成的联合优化方法,能够显著提高优化自由度,有效改善三维物体的重建效果,图像质量明显提高。
一种基于压缩X射线断层合成的联合优化方法,包括以下步骤:
S1:根据压缩感知理论,获取目标函数Ω:
其中,i为各光源依次照射三维物体后,在探测器上得到相应投影的测量值的索引序号,i=(u-1)×M+v,u=1,2,...,P,P为光源的数量,u为光源索引,v=1,2,...,M为探测器的栅格个数,M=Mx×My,Mx和My分别为探测器栅格化后沿着x轴和y轴的维度;αu为光源亮暗表征值的中间变量,为光源亮暗表征值的中间变量的优化值;θi为第i个索引序号对应的稀疏表示系数,为第i个索引序号对应的稀疏表示系数的优化值;xu为第u个光源在编码孔径上形成的照射圆域中心横坐标,为第u个光源在编码孔径上形成的照射圆域中心横坐标的优化值;yu为第u个光源在编码孔径上形成的照射圆域中心纵坐标,为第u个光源在编码孔径上形成的照射圆域中心纵坐标的优化值;为将预设的感知矩阵Α每一列归一化后得到的感知矩阵,*为转置,I为单位矩阵,F为弗罗贝尼乌斯范数;
S2:采用最陡梯度下降法优化目标函数Ω,得到最优的光源索引、光源入射角度以及编码孔径;
S3:采用最优的光源索引、光源入射角度以及编码孔径搭建的断层合成系统照射三维物体,得到三维物体在探测器上的投影;
S4:采用梯度投影重构算法对所述投影进行图像恢复,得到三维物体的重构图样。
进一步地,所述目标函数Ω的获取方法具体为:
S101:将三维物体栅格化为Nx×Ny×Nλ的立体图形,其中Nx,Ny和Nλ分别为三维物体沿着x,y和z轴的维度;
其中,⊙是点乘运算,Πu为第u个光源在编码孔径上投影的光源图形的传输函数,Λu为第u个光源入射角度的传输函数,Tu为第u个光源对应的编码孔径的传输函数;
S103:获取各光源在探测器上的成像模型y,其中光源的数量用P表示,具体的:
其中,yu为第u个光源的成像模型,Cu为等效传输函数对角化后的对角矩阵,Hu为预设的第u个光源的断层合成系统矩阵,C为所有光源对应编码孔径的对角矩阵Cu集合,H为预设的所有光源对应的断层合成系统矩阵,f为采用光栅扫描的方式扫描三维物体后,三维物体的每个栅格对应的衰减系数向量;
S104:获取成像模型y在完备字典下的稀疏表示:
y=CHΨθ
其中,Ψ为完备字典,θ为稀疏表示系数;
S105:根据压缩感知理论,获取目标函数Ω1:
其中,δs为限制等距常数;
S107:以限制等距常数δs最小为优化目标,获取目标函数Ω2:
S109:对目标函数Ω3进行连续化,得到目标函数Ω。
进一步地,步骤S109中所述对目标函数Ω3进行连续化,得到目标函数Ω具体为:
定义如下参数变换式:
其中,πu为光源亮暗表征值,πu=1表示第u个光源状态为亮,否则状态为暗,tanh为双曲正切函数,ti为编码孔径的二值参数,ti=1表示第u个光源下编码孔径第v个栅格透光,ti=0表示第u个光源下编码孔径第v个栅格不透光,编码孔径与探测器的栅格一一对应,λi为光源入射角度的二值参数,λi=1表示第u个光源下编码孔径第v个栅格在光源照射的圆域内,λi=0表示第u个光源下编码孔径第v个栅格在光源照射的圆域外,Γ为sigmoid函数,(xi,yi)为编码孔径上栅格的坐标;
将上述函数代入目标函数Ω3,得到目标函数Ω。
进一步地,如果第u个光源状态为亮,则步骤S102中所述第u个光源的传输函数Πu为全1矩阵,否则为全0矩阵;
第u个光源入射角度的传输函数Λu在编码孔径上表征为一个圆形窗口,且所述圆形窗口表示编码孔径上的曝光区域,在圆形区域以内的像素为1,否则为0。
有益效果:
本发明提供一种基于压缩X射线断层合成的联合优化方法,由于不同的光源索引对应不同的光源位置,则本发明基于压缩断层合成技术,协同优化光源位置、入射角度以及编码孔径;基于压缩感知理论,通过联合优化光源位置、入射角度以及编码孔径,使得断层合成系统中的感知矩阵的相干性最小;结合基于梯度投影重构算法,采用正则化方法来减少收敛误差,并实现对三维物体的均匀感知;与单独优化光源位置、入射角度、编码孔径相比较,本发明提供的方法能够显著提高优化自由度,有效改善三维物体的重建效果,图像质量明显提高。
附图说明
图1为本发明提供的一种基于压缩X射线断层合成的联合优化方法的流程图;
图2为本发明提供的SCO的物理模型;
图3为本发明提供的三维物体的四层切片;
图4为本发明提供的采用随机编码孔径对三维物体重构的结果示意图;
图5为本发明提供的采用单独优化光源位置的方法得到的三维物体的重构结果示意图;
图6为本发明提供的采用单独优化入射角度的方法得到的三维物体的重构结果示意图;
图7为本发明提供的采用单独优化编码孔径的方法得到的三维物体的重构结果示意图;
图8为本发明提供的采用联合优化的方法得到的三维物体的重构结果示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
当前的编码孔径优化方法通常只考虑编码孔径,而X射线光源的位置和入射角度都会对传感矩阵有着重要的影响,因此应该考虑光源位置、入射角度和编码孔径之间的协同作用,进一步提高断层合成系统的重建性能。为此本发明引入光源、角度、编码孔径协同优化(source and coded aperture joint optimization,简称SCO)。
参见图1,该图为本实施例提供的一种基于压缩X射线断层合成的联合优化方法的流程图。一种基于压缩X射线断层合成的联合优化方法,具体包括以下步骤:
S1:根据压缩感知理论,获取目标函数Ω:
其中,i为各光源依次照射三维物体后,在探测器上得到相应投影的测量值的索引序号,i=(u-1)×M+v,u=1,2,...,P,P为光源的数量,u为光源索引,v=1,2,...,M为探测器的栅格个数,M=Mx×My,Mx和My分别为探测器栅格化后沿着x轴和y轴的维度;αu为光源亮暗表征值的中间变量,为光源亮暗表征值的中间变量的优化值;θi为第i个索引序号对应的稀疏表示系数,为第i个索引序号对应的稀疏表示系数的优化值;xu为第u个光源在编码孔径上形成的照射圆域中心横坐标,为第u个光源在编码孔径上形成的照射圆域中心横坐标的优化值;yu为第u个光源在编码孔径上形成的照射圆域中心纵坐标,为第u个光源在编码孔径上形成的照射圆域中心纵坐标的优化值;为将预设的感知矩阵Α每一列归一化后得到的感知矩阵,*为转置,I为单位矩阵,F为弗罗贝尼乌斯范数;
S2:采用最陡梯度下降法优化目标函数Ω,得到最优的光源索引、光源入射角度以及编码孔径;
S3:采用最优的光源索引、光源入射角度以及编码孔径搭建的断层合成系统照射三维物体,得到三维物体在探测器上的投影;
S4:采用梯度投影重构算法对所述投影进行图像恢复,得到三维物体的重构图样。
进一步地,下面给出目标函数Ω的一种获取方法。
参见图2,该图为本实施例提供的SCO的物理模型。目标函数Ω的获取方法,具体包括以下步骤:
S101:将三维物体栅格化为Nx×Ny×Nλ的立体图形,其中Nx,Ny和Nλ分别为三维物体沿着x,y和z轴的维度。
其中,⊙是点乘运算,Πu为第u个光源在编码孔径上投影的光源图形的传输函数,Λu为第u个光源入射角度的传输函数,Tu为第u个光源对应的编码孔径的传输函数。
需要说明的是,第u个光源的传输函数Πu为全1矩阵,否则为全0矩阵;
第u个光源入射角度的传输函数Λu在编码孔径上表征为一个圆形窗口,且所述圆形窗口表示编码孔径上的曝光区域,在圆形区域以内的像素为1,否则为0。Tu是一个二值矩阵,用来表示编码孔径。
由此可见,本实施例考虑多个优化变量,将光源数量、入射角度、编码孔径整合到编码孔径,与单独优化光源位置、角度、编码孔径相比较,所提出的方法能显著提高优化自由度,从而实现重建效果的改善。
S103:获取各光源在探测器上的成像模型y,其中光源的数量用P表示,具体的:
其中,yu为第u个光源的成像模型,Cu为等效传输函数对角化后的对角矩阵,Hu为预设的第u个光源的断层合成系统矩阵,C为所有光源对应编码孔径的对角矩阵Cu集合,H为预设的所有光源对应的断层合成系统矩阵,为采用光栅扫描的方式扫描三维物体后,三维物体的每个栅格对应的衰减系数向量。
需要说明的是,成像模型的离散形式可以表述为:
y=Hf
其中,H为预设的断层合成系统矩阵。对于每一个光源来说,第u个光源的成像模型表示为:
yu=Cu Hu f
则第u个光源的对角矩阵Cu选出了第u个光源的断层合成系统矩阵Hu中对应于透光部分的行。
S104:获取成像模型y在完备字典下的稀疏表示:
y=CHΨθ
S105:根据压缩感知理论,获取目标函数Ω1:
其中,δs为限制等距常数。
S107:以限制等距常数δs最小为优化目标,获取目标函数Ω2:
S109:对目标函数Ω3进行连续化,得到目标函数Ω。
进一步地,对目标函数Ω3进行连续化,得到目标函数Ω具体为:
定义如下参数变换式:
其中,πu为光源亮暗表征值,πu=1表示第u个光源状态为亮,否则状态为暗,tanh为双曲正切函数,ti为编码孔径的二值参数,ti=1表示第u个光源下编码孔径第v个栅格透光,ti=0表示第u个光源下编码孔径第v个栅格不透光,编码孔径与探测器的栅格一一对应,λi为光源入射角度的二值参数,λi=1表示第u个光源下编码孔径第v个栅格在光源照射的圆域内,λi=0表示第u个光源下编码孔径第v个栅格在光源照射的圆域外,Γ为sigmoid函数,(xi,yi)为编码孔径上栅格的坐标;
将上述函数代入目标函数Ω3,得到目标函数Ω。
需要说明的是,圆域中心(xu,yu)之所以能够表征光源的入射角度,是因为光源的入射角度不同,在编码孔径上的投影也不同,则圆域中心(xu,yu)也对应不同,即圆域中心与光源的入射角度一一对应。
需要说明的是,编码孔径有的栅格透光,有的栅格不透光,从而能够对光源进行调制,更大程度的降低X射线的辐射量,辐射量的降低在医学领域显得极为重要;同时,编码孔径挡住了部分光源,压缩探测器采集的信息量,有利于提高运算效率。
图3为三维物体的四层切片。图4为用随机编码孔径,不经过任何优化后对三维物体重构的结果。图5为用单独优化光源位置后,得到的三维物体的重构结果。图6为用单独优化入射角度后,得到的三维物体的重构结果。图7为用单独优化编码孔径后,得到的三维物体的重构结果。图8为经过联合优化方法得到的三维物体重构结果。其中,图3-图8均包括4幅小图,4幅小图分别为以三维物体的x轴和y轴为水平面,沿z轴方向获得的切片。以上五种方法的重构平均PSNR值分别为24.65、26.72、26.93、29.47、29.67,由此可见,采用本实施例的联合优化方法重构出的图像的PSNR值有明显的提高,也就是说,本发明能够有效提高三维物体的重构质量。
当然,本发明还可有其他多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当然可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种基于压缩X射线断层合成的联合优化方法,其特征在于,包括以下步骤:
S1:根据压缩感知理论,获取目标函数Ω:
其中,i为各光源依次照射三维物体后,在探测器上得到相应投影的测量值的索引序号,i=(u-1)×M+v,u=1,2,...,P,P为光源的数量,u为光源索引,v=1,2,...,M为探测器的栅格个数,M=Mx×My,Mx和My分别为探测器栅格化后沿着x轴和y轴的维度;αu为光源亮暗表征值的中间变量,为光源亮暗表征值的中间变量的优化值;θi为第i个索引序号对应的稀疏表示系数,为第i个索引序号对应的稀疏表示系数的优化值;xu为第u个光源在编码孔径上形成的照射圆域中心横坐标,为第u个光源在编码孔径上形成的照射圆域中心横坐标的优化值;yu为第u个光源在编码孔径上形成的照射圆域中心纵坐标,为第u个光源在编码孔径上形成的照射圆域中心纵坐标的优化值;为将预设的感知矩阵Α每一列归一化后得到的感知矩阵,*为转置,I为单位矩阵,F为弗罗贝尼乌斯范数;
S2:采用最陡梯度下降法优化目标函数Ω,得到最优的光源索引、光源入射角度以及编码孔径;
S3:采用最优的光源索引、光源入射角度以及编码孔径搭建的断层合成系统照射三维物体,得到三维物体在探测器上的投影;
S4:采用梯度投影重构算法对所述投影进行图像恢复,得到三维物体的重构图样。
2.如权利要求1所述的一种基于压缩X射线断层合成的联合优化方法,其特征在于,所述目标函数Ω的获取方法具体为:
S101:将三维物体栅格化为Nx×Ny×Nλ的立体图形,其中Nx,Ny和Nλ分别为三维物体沿着x,y和z轴的维度;
其中,⊙是点乘运算,Πu为第u个光源在编码孔径上投影的光源图形的传输函数,Λu为第u个光源入射角度的传输函数,Tu为第u个光源对应的编码孔径的传输函数;
S103:获取各光源在探测器上的成像模型y,其中光源的数量用P表示:
其中,yu为第u个光源的成像模型,Cu为等效传输函数对角化后的对角矩阵,Hu为预设的第u个光源的断层合成系统矩阵,C为所有光源对应编码孔径的对角矩阵Cu集合,H为预设的所有光源对应的断层合成系统矩阵,f为采用光栅扫描的方式扫描三维物体后,三维物体的每个栅格对应的衰减系数向量;
S104:获取成像模型y在完备字典下的稀疏表示:
y=CHΨθ
其中,Ψ为完备字典,θ为稀疏表示系数;
S105:根据压缩感知理论,获取目标函数Ω1:
其中,δs为限制等距常数;
S107:以限制等距常数δs最小为优化目标,获取目标函数Ω2:
S109:对目标函数Ω3进行连续化,得到目标函数Ω。
3.如权利要求2所述的一种基于压缩X射线断层合成的联合优化方法,其特征在于,步骤S109中所述对目标函数Ω3进行连续化,得到目标函数Ω具体为:
定义如下参数变换式:
其中,πu为光源亮暗表征值,πu=1表示第u个光源状态为亮,否则状态为暗,tanh为双曲正切函数,ti为编码孔径的二值参数,ti=1表示第u个光源下编码孔径第v个栅格透光,ti=0表示第u个光源下编码孔径第v个栅格不透光,编码孔径与探测器的栅格一一对应,λi为光源入射角度的二值参数,λi=1表示第u个光源下编码孔径第v个栅格在光源照射的圆域内,λi=0表示第u个光源下编码孔径第v个栅格在光源照射的圆域外,Γ为sigmoid函数,(xi,yi)为编码孔径上栅格的坐标;
将上述函数代入目标函数Ω3,得到目标函数Ω。
4.如权利要求2所述的一种基于压缩X射线断层合成的联合优化方法,其特征在于,如果第u个光源状态为亮,则步骤S102中所述第u个光源的传输函数Πu为全1矩阵,否则为全0矩阵;
第u个光源入射角度的传输函数Λu在编码孔径上表征为一个圆形窗口,且所述圆形窗口表示编码孔径上的曝光区域,在圆形区域以内的像素为1,否则为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031344.1A CN109512452B (zh) | 2019-01-14 | 2019-01-14 | 一种基于压缩x射线断层合成的联合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910031344.1A CN109512452B (zh) | 2019-01-14 | 2019-01-14 | 一种基于压缩x射线断层合成的联合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109512452A CN109512452A (zh) | 2019-03-26 |
CN109512452B true CN109512452B (zh) | 2020-07-10 |
Family
ID=65798847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910031344.1A Active CN109512452B (zh) | 2019-01-14 | 2019-01-14 | 一种基于压缩x射线断层合成的联合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109512452B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110706297B (zh) * | 2019-07-30 | 2021-07-27 | 北京理工大学 | 一种自由感知几何框架下的低辐射度cxt方法 |
CN111652950B (zh) * | 2020-04-17 | 2022-09-09 | 北京理工大学 | 一种多光源快照的压缩x射线断层合成方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2024902A4 (en) * | 2006-02-13 | 2012-06-13 | Univ Chicago | IMAGE RECONSTRUCTION FROM INCOMPLETE OR LIMITED NUMBERS |
US20110142316A1 (en) * | 2009-10-29 | 2011-06-16 | Ge Wang | Tomography-Based and MRI-Based Imaging Systems |
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 |
CN105307571B (zh) * | 2013-06-18 | 2018-10-26 | 佳能株式会社 | 控制装置、摄像装置、摄像系统和控制方法 |
US10096106B2 (en) * | 2016-11-10 | 2018-10-09 | General Electric Company | Combined medical imaging |
CN109087262B (zh) * | 2018-08-04 | 2022-07-22 | 郑州大学 | 一种多视图光谱图像的重建方法、存储介质 |
-
2019
- 2019-01-14 CN CN201910031344.1A patent/CN109512452B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109512452A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807737B (zh) | 迭代图像重建框架 | |
EP3435334B1 (en) | Method and device for reconstructing ct image and storage medium | |
US9036885B2 (en) | Image reconstruction in computed tomography | |
Jia et al. | GPU-based fast low-dose cone beam CT reconstruction via total variation | |
Tian et al. | Low-dose CT reconstruction via edge-preserving total variation regularization | |
US8971599B2 (en) | Tomographic iterative reconstruction | |
CN110047113A (zh) | 神经网络训练方法和设备、图像处理方法和设备和存储介质 | |
Huang et al. | Restoration of missing data in limited angle tomography based on Helgason–Ludwig consistency conditions | |
CN109512452B (zh) | 一种基于压缩x射线断层合成的联合优化方法 | |
US9704223B2 (en) | Method and system for substantially reducing cone beam artifacts based upon adaptive scaling factor in circular computer tomography (CT) | |
Huang et al. | Field of view extension in computed tomography using deep learning prior | |
Sunnegårdh et al. | Regularized iterative weighted filtered backprojection for helical cone‐beam CT | |
Abascal et al. | A novel prior-and motion-based compressed sensing method for small-animal respiratory gated CT | |
Liu et al. | Singular value decomposition-based 2D image reconstruction for computed tomography | |
Ketola et al. | Generative adversarial networks improve interior computed tomography angiography reconstruction | |
Wu et al. | Unsupervised polychromatic neural representation for ct metal artifact reduction | |
EP2731078B1 (en) | Shape extraction method and shape extraction system | |
Yang et al. | Cycle-consistent learning-based hybrid iterative reconstruction for whole-body PET imaging | |
KR102137765B1 (ko) | 사전 영상을 이용하는 고품질의 4차원 콘빔 전산화 단층 촬영 시스템 | |
Xu et al. | Sparse angle CBCT reconstruction based on guided image filtering | |
US9558569B2 (en) | Method and system for substantially reducing cone beam artifacts based upon image domain differentiation in circular computer tomography (CT) | |
CN114270401A (zh) | 一种x射线断层扫描系统和方法 | |
TWI613998B (zh) | 斷層合成影像邊緣假影抑制方法 | |
Choi et al. | Statistical image restoration for low-dose CT using convolutional neural networks | |
Yang et al. | Learned multi-layer residual sparsifying transform model for low-dose CT reconstruction |
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 |