CN109523458A - 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法 - Google Patents
一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法 Download PDFInfo
- Publication number
- CN109523458A CN109523458A CN201810507458.4A CN201810507458A CN109523458A CN 109523458 A CN109523458 A CN 109523458A CN 201810507458 A CN201810507458 A CN 201810507458A CN 109523458 A CN109523458 A CN 109523458A
- Authority
- CN
- China
- Prior art keywords
- image
- sparse
- filtering
- guiding filtering
- input picture
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 85
- 230000006698 induction Effects 0.000 title claims abstract description 18
- 238000002247 constant time method Methods 0.000 title claims abstract description 8
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 8
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 3
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 5
- 238000003384 imaging method Methods 0.000 description 5
- 239000000243 solution Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 3
- 210000000056 organ Anatomy 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 208000012661 Dyskinesia Diseases 0.000 description 1
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 1
- 235000011613 Pinus brutia Nutrition 0.000 description 1
- 241000018646 Pinus brutia Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 210000004204 blood vessel Anatomy 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000017311 musculoskeletal movement, spinal reflex action Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/08—Projecting images onto non-planar surfaces, e.g. geodetic screens
-
- 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
- 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)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本发明提供结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,属于医学影像的图像处理技术领域。该结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法包括如下步骤:S1:通过对采集的投影数据进行解析重建得到的图像作为初始化图像并进行POCS(凸集投影)得到滤波输入图像;S2:通过对滤波输入图像进行图像梯度稀疏正则化约束得到引导图像;S3:将引导图像和滤波输入图像融合得到引导滤波图像;S4:将引导滤波图像进行迭代重建。本发明中首先分别得到滤波输入图像和引导图像,然后将引导图像和滤波输入图像融合就可以得到引导滤波图像,将引导滤波图像作为初始图像进行迭代重建,在降噪和边缘保持和块状伪影抑制具有显著的效果。
Description
技术领域
本发明属于医学影像的图像处理技术领域,涉及一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法。
背景技术
X射线CT扫描已经广泛应用于临床医学影像诊断,但是CT扫描过程中过高的X射线辐射剂量会存在致癌风险。为了降低对使用者的损害,如何最大限度地降低X射线使用剂量已经成为医学CT成像领域研究的关键技术之一。
为了降低X射线辐射剂量,可以通过各种硬件技术及软件技术降低CT扫描中的X射线使用剂量。常见的方法有降低管电流、降低X射线曝光时间以及减少投影数据,其中减少投影数据即稀疏角度CT扫描。
由于稀疏角度CT扫描存在投影数据缺失,为了获得良好的图像需要进行图像重建。针对稀疏角度重建,由于投影数据的缺失,若采用常见的滤波反投影重建方法会导致重建图像质量大幅度降低。Donoho在2006年提出的压缩感知的方法被广泛应用于稀疏信号的精确重构。在该方法的基础上,Sidky和Pan等人提出一种基于全变分最小的凸集投影(TV-POCS)方法,并成功用于稀疏角度CT图像重建。2008年Pan等人又提出了基于全变分最小的自适应最速下降方法(Adaptive steepest-descent POCS,ASD-POCS)用于稀疏角度CT图像重建。
通常临床上会对目标进行多次扫描时,先前扫描的CT图像可以作为先验信息来引导稀疏角度CT图像重建,例如Chen等人提出的一种稀疏角度CT图像重建方法(PICCS),通过引入先前扫描的CT图像作为先验信息,可以大幅度提高重建图像质量。
PICCS方法假设先前扫描的CT图像和当前重建的CT图像在成像器官的位置上一致。若成像位置不一致时,PICCS方法将会在最终重建的图像中引入运动伪影。而通常在临床上,成像器官的位置会随着病人的自主和不自主的运动而不断地变化,同时血管或组织密度也可能因为造影剂的注射不断变化。PICCS方法通过构建的目标函数直接将先前扫描的CT图像不加处理地直接当前图像的重建中,使得成像位置不一致的地方存在明显的伪影,且若只通过简单的配准方法消除伪影,成像结果不能精确反映成像器官的特征,不利于临床上做出准确判断。
发明内容
本发明针对现有的技术存在的上述问题,提供一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,本发明所要解决的技术问题是:如何通过稀疏角度采样重建出高精度CT图像。
本发明的目的可通过下列技术方案来实现:
一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,包括如下步骤:
S1:通过利用滤波反投影方法对采集的投影数据进行解析重建得到的图像作为初始化图像并进行POCS(凸集投影)得到滤波输入图像;
S2:通过对所述滤波输入图像进行图像梯度稀疏正则化约束得到引导图像;
S3:将所述引导图像和所述滤波输入图像融合得到引导滤波图像;
S4:将所述引导滤波图像作为初始化图像进行迭代重建。
优选的,步骤S1之前包括:将X射线进行扫描得到投影数据;采集所述投影数据。
优选的,步骤S1中具体包括:
S11:通过利用滤波反投影方法对采集的投影数据进行解析重建得到的图像作为初始化图像;
S12:通过对第一处理图像进行非负约束得到滤波输入图像。
优选的,步骤S11中数据一致性利用公式实现,其中是正松
弛参数,是迭代指数。
优选的,步骤S12中非负约束利用公式得到滤波输入图
像。
优选的,步骤S2中具体包括:
S21:通过对滤波输入图像进行图像梯度稀疏正则化约束得到正则化图像;
S22:将得到的对正则化图像进行稀疏约束得到作为引导图像。
优选的,步骤S22中根据公式和,表示软阈值滤波的参数,通过滤波
输入图像计算引导图像,其中,。
优选的,步骤S12筛选出第一处理图像中像素灰度值小于零的值置为零,确保滤波输入图像像素灰度值均大于或等于零。
优选的,步骤S3中引导滤波图像通过公式求出,其中,,,,是窗口中的像素总数,是滤波输入图像的
平均值,是引导图像的平均值,是引导图像的方差。
优选的,步骤S4中设有预设重复步骤次数,当重复的步骤次数超过预设重复步骤次数时则不论引导滤波图像是否满足预设终止值均输出引导滤波图像。
本发明首先通过利用滤波反投影方法对采集的投影数据进行解析重建得到的图像作为初始化图像并进行POCS(凸集投影)得到滤波输入图像,接着通过对滤波输入图像进行图像梯度稀疏正则化约束得到引导图像,然后将引导图像和滤波输入图像融合就可以得到引导滤波图像,判断引导滤波图像是否满足预设值,如果满足则将之输出,如果不满足则将引导滤波图像作为初始化图像进行下一轮迭代重建,由于图像梯度稀疏正则化约束的结果在CT重建的迭代过程中被更新,因此引导滤波图像随着引导图像的改变而动态地改变,在降噪和边缘保持和块状伪影抑制具有显著的效果,精度较高。
具体实施方式
以下是本发明的具体实施例,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
本实施例中的结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,包括如下步骤:
S1:通过利用滤波反投影方法对采集的投影数据进行解析重建得到的图像作为初始化图像并进行POCS(凸集投影)得到滤波输入图像;
S2:通过对滤波输入图像进行图像梯度稀疏正则化约束得到引导图像;
S3:将引导图像和滤波输入图像融合得到引导滤波图像;
S4:将引导滤波图像作为初始化图像进行迭代重建。
此处,首先通过利用滤波反投影方法对采集的投影数据进行解析重建得到的图像作为初始化图像并进行POCS(凸集投影)得到滤波输入图像,其中初始化图像可以设定为0的图像,接着通过对滤波输入图像进行图像梯度稀疏正则化约束得到引导图像,然后将引导图像和滤波输入图像融合就可以得到引导滤波图像,判断引导滤波图像是否满足预设值,如果满足则将之输出,如果不满足则将引导滤波图像作为初始化图像进行迭代重建,重复步骤S1至S4,由于正则化约束的结果在CT重建的迭代过程中被更新,因此引导滤波图像随着引导图像的改变而动态地改变,在降噪和边缘保持和块状伪影抑制具有显著的效果,精度较高。滤波反投影方法采用先修正、后投影的做法,可以得到原始的密度函数,在某一投影角下取得投影函数(一维函数)后,对此一维函数作滤波处理,得到一个经过修正的投影函数,然后再将此修正后的投影函数作反投影运算,得到需要的密度函数。
迭代重建主要包括如下步骤:(1)计算估计图像的投影值;(2)计算投影数据的差值,用于更新当前的迭代解。首先对X射线光子分布进行原始估计,在此基础上估算每个投影方向上探测器获得的正投影,再将正投影数据与探测器实际采集的投影数据进行比较,用于更新原始估计数据;不断重复这个过程,直至下一次迭代结果无限接近实际采集的投影数据。
步骤S1之前包括:将X射线进行扫描采样样本得到投影数据;采集投影数据,为了降低扫描时间或减少辐射剂量,采用半扫描180度范围内稀疏角扫描方式,即在M个旋转分度下对物体扫描且每个分度下采集N个投影数据,M个旋转分度稀疏分布在180度,这样就可以将投影数据作为初始化图像,方便后续步骤的进行。
步骤S1中具体包括:
S11:通过利用滤波反投影方法对采集的投影数据进行解析重建得到的图像作为初始化图像并进行数据一致性得到第一处理图像;
S12:通过对第一处理图像进行非负约束得到滤波输入图像。
此处,步骤S11中通过同步代数重建技术对初始化图像实现数据一致性。步骤S12中通过对第一处理图像进行包括每个图像像素灰度值小于零的值置为零,确保滤波输入图像像素灰度值均大于或等于零。
步骤S11中数据一致性利用公式
实现,其中是正松弛参数,是迭代指数,这样保证通过对初始化图像进行的数
据一致性而得到的第一处理图像的精度较高。
步骤S12中非负约束利用公式得到滤波输入图像。
步骤S2中具体包括:
S21:通过对滤波输入图像进行图像梯度稀疏正则化得到正则化图像;
S22:将得到的正则化图像作为引导图像。
此处,由于正则化约束的结果在CT重建的迭代过程中被更新,因此引导滤波图像随着引导图像的改变而动态地改变,正则化办法主要使用一簇与原问题相“邻近”的适定问题的解去逼近原问题的解。正则化方法将重建问题转化成为求解一个具有约束条件的最优化问题,可以在一定程度上使得重建过程变得稳定,能够在一定程度上抑制伪影和噪声,保证得到的正则化图像的精度较高。
步骤S22中根据公式和,表示软阈值滤波的参数,通过滤波输入图像计算引导图像,其中,,这样保证计算出
的引导图像的精度较高。
步骤S12筛选出第一处理图像中像素灰度值小于零的值置为零以实现非负约束得到滤波输入图像,这样就可以得到由像素值为非负值的图像组成的滤波输入图像,精度较高。
步骤S3中引导滤波图像通过公式求出,其中,,,,是窗口
中的像素总数,是滤波输入图像的平均值,是引导图像的平均值,是引导图像的方差,使得迭代的结果准确度较高,保证经过CT重建的图像的高
质量。
步骤S4中设有预设重复步骤次数,当重复的步骤次数超过预设重复步骤次数时则不论引导滤波图像是否满足预设终止值均输出引导滤波图像,这样就避免过度的占用资源迭代部分数据导致多数的数据无法进行迭代,影响迭代的效率。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于,包括如下步骤:
S1:通过利用滤波反投影方法对采集的投影数据进行解析重建得到的图像作为初始化图像并进行POCS(凸集投影)得到滤波输入图像;
S2:通过对所述滤波输入图像进行图像梯度稀疏正则化约束得到引导图像;
S3:将所述引导图像和所述滤波输入图像融合得到引导滤波图像;
S4:将所述引导滤波图像作为初始化图像进行迭代重建。
2.如权利要求1所述的一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于,步骤S1之前包括:将X射线进行扫描得到投影数据;采集所述投影数据。
3.如权利要求1或2所述的一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于,步骤S1中具体包括:
S11:通过利用滤波反投影方法对采集的投影数据进行解析重建得到的图像作为初始化图像并进行数据一致性得到第一处理图像;
S12:通过对第一处理图像进行非负约束得到滤波输入图像。
4.如权利要求3所述的一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于:步骤S11中数据一致性利用公式实现,其中是正松弛参数,是迭代指数。
5.如权利要求3所述的一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于:步骤S12中非负约束利用公式得到滤波输入图像。
6.如权利要求1或2所述的一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于,步骤S2中具体包括:
S21:通过对滤波输入图像进行图像梯度稀疏约束得到正则化图像;
S22:将得到的正则化图像作为引导图像。
7.如权利要求6所述的一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于:步骤S22中根据公式和,表示软阈值滤波的参数,通过滤波输入图像计算引导图像,其中,。
8.如权利要求3所述的一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于:步骤S12筛选出第一处理图像中像素灰度值小于零的值置为零,确保滤波输入图像像素灰度值均大于或等于零。
9.如权利要求1或2所述的一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于:步骤S3中引导滤波图像通过公式求出,其中,,,,是窗口中的像素总数,是滤波输入图像的平均值,是引导图像的平均值,是引导图像的方差。
10.如权利要求1或2所述的一种结合稀疏诱导动态引导滤波的高精度稀疏角度CT重建方法,其特征在于:步骤S4中设有预设重复步骤次数,当重复的步骤次数超过预设重复步骤次数时则不论引导滤波图像是否满足预设终止值均输出引导滤波图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810507458.4A CN109523458B (zh) | 2018-05-24 | 2018-05-24 | 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810507458.4A CN109523458B (zh) | 2018-05-24 | 2018-05-24 | 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109523458A true CN109523458A (zh) | 2019-03-26 |
CN109523458B CN109523458B (zh) | 2022-12-02 |
Family
ID=65769656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810507458.4A Active CN109523458B (zh) | 2018-05-24 | 2018-05-24 | 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109523458B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717959A (zh) * | 2019-10-16 | 2020-01-21 | 首都师范大学 | 基于曲率约束的x射线有限角ct图像重建方法和装置 |
CN111047659A (zh) * | 2019-11-08 | 2020-04-21 | 湖北科技学院 | 结合滤波方法的ct环形伪影的校正方法 |
CN113838161A (zh) * | 2021-11-25 | 2021-12-24 | 之江实验室 | 一种基于图学习的稀疏投影重建方法 |
CN115065761A (zh) * | 2022-06-13 | 2022-09-16 | 中亿启航数码科技(北京)有限公司 | 一种多镜头扫描装置及其扫描方法 |
CN116228590A (zh) * | 2023-03-22 | 2023-06-06 | 新创碳谷集团有限公司 | 一种火焰视觉检测噪声点消除方法、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230569A1 (en) * | 2011-03-08 | 2012-09-13 | Cyril Riddell | Tomographic processing method with a small number of projections of a contrasted object |
CN103136773A (zh) * | 2013-02-05 | 2013-06-05 | 南方医科大学 | 一种稀疏角度x射线ct成像方法 |
US20140119628A1 (en) * | 2012-10-28 | 2014-05-01 | Technion Research & Development Foundation Limited | Image reconstruction in computed tomography |
CN104240210A (zh) * | 2014-07-21 | 2014-12-24 | 南京邮电大学 | 基于压缩感知的ct图像迭代重建方法 |
-
2018
- 2018-05-24 CN CN201810507458.4A patent/CN109523458B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230569A1 (en) * | 2011-03-08 | 2012-09-13 | Cyril Riddell | Tomographic processing method with a small number of projections of a contrasted object |
US20140119628A1 (en) * | 2012-10-28 | 2014-05-01 | Technion Research & Development Foundation Limited | Image reconstruction in computed tomography |
CN103136773A (zh) * | 2013-02-05 | 2013-06-05 | 南方医科大学 | 一种稀疏角度x射线ct成像方法 |
CN104240210A (zh) * | 2014-07-21 | 2014-12-24 | 南京邮电大学 | 基于压缩感知的ct图像迭代重建方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717959A (zh) * | 2019-10-16 | 2020-01-21 | 首都师范大学 | 基于曲率约束的x射线有限角ct图像重建方法和装置 |
CN110717959B (zh) * | 2019-10-16 | 2022-07-08 | 首都师范大学 | 基于曲率约束的x射线有限角ct图像重建方法和装置 |
CN111047659A (zh) * | 2019-11-08 | 2020-04-21 | 湖北科技学院 | 结合滤波方法的ct环形伪影的校正方法 |
CN113838161A (zh) * | 2021-11-25 | 2021-12-24 | 之江实验室 | 一种基于图学习的稀疏投影重建方法 |
CN115065761A (zh) * | 2022-06-13 | 2022-09-16 | 中亿启航数码科技(北京)有限公司 | 一种多镜头扫描装置及其扫描方法 |
CN115065761B (zh) * | 2022-06-13 | 2023-09-12 | 中亿启航数码科技(北京)有限公司 | 一种多镜头扫描装置及其扫描方法 |
CN116228590A (zh) * | 2023-03-22 | 2023-06-06 | 新创碳谷集团有限公司 | 一种火焰视觉检测噪声点消除方法、设备及存储介质 |
CN116228590B (zh) * | 2023-03-22 | 2024-01-26 | 新创碳谷集团有限公司 | 一种火焰视觉检测噪声点消除方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109523458B (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109523458A (zh) | 一种结合稀疏诱导动态引导滤波的高精度稀疏角度ct重建方法 | |
Meilinger et al. | Metal artifact reduction in cone beam computed tomography using forward projected reconstruction information | |
CN103136773B (zh) | 一种稀疏角度x射线ct成像方法 | |
US8565502B2 (en) | Method and system for reconstruction of tomographic images | |
JP2019051315A (ja) | 医用画像処理装置、医用画像撮像装置及び医用画像処理プログラム | |
CN102270350B (zh) | 结合四维噪声滤波器的迭代ct图像重建 | |
CN102270349B (zh) | 在没有调节项的情况下对ct 图像的迭代重建 | |
US8805037B2 (en) | Method and system for reconstruction of tomographic images | |
CN106651986B (zh) | 计算机断层成像伪影校正方法 | |
CN102024251B (zh) | 用于双源ct的基于多图像虚拟非对比图像增强的系统和方法 | |
EP2149284A1 (en) | Methods and systems to facilitate correcting gain fluctuations in image | |
IL158197A (en) | Methods and Compensation Device for Cutting | |
CN111915696A (zh) | 三维图像数据辅助的低剂量扫描数据重建方法及电子介质 | |
CN105225208A (zh) | 一种计算机断层成像金属伪影校正方法及装置 | |
CN111223156A (zh) | 一种用于牙科锥束ct系统的金属伪影消除方法 | |
CN102232842B (zh) | 用于心脏计算机断层造影拍摄的改进的多片段图像重建 | |
US11580678B2 (en) | Systems and methods for interpolation with resolution preservation | |
Fournié et al. | CT field of view extension using combined channels extension and deep learning methods | |
US9953440B2 (en) | Method for tomographic reconstruction | |
JP2023001051A (ja) | 計算機式断層写真法画像再構成のためのシステム及び方法 | |
US20060251313A1 (en) | Method of producing a cross-sectional image | |
US20230145920A1 (en) | Systems and methods for motion detection in medical images | |
CN115731158A (zh) | 一种基于残差域迭代优化网络的低剂量ct重建方法 | |
Rodríguez-Gallo et al. | Inpainting-filtering for metal artifact reduction (IMIF-MAR) in computed tomography | |
KR102553068B1 (ko) | 다중 레벨 웨이브렛 인공지능 기반 선량 저 감화를 위한 컴퓨터 단층영상 재구성 방법 |
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 |