CN109816742B - 基于全连接卷积神经网络的锥束ct几何伪影去除方法 - Google Patents
基于全连接卷积神经网络的锥束ct几何伪影去除方法 Download PDFInfo
- Publication number
- CN109816742B CN109816742B CN201811530214.4A CN201811530214A CN109816742B CN 109816742 B CN109816742 B CN 109816742B CN 201811530214 A CN201811530214 A CN 201811530214A CN 109816742 B CN109816742 B CN 109816742B
- Authority
- CN
- China
- Prior art keywords
- geometric
- reconstructed image
- neural network
- artifact
- convolutional neural
- 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 50
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000012937 correction Methods 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 3
- 238000002591 computed tomography Methods 0.000 description 28
- 238000012360 testing method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000005658 nuclear physics Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于全连接卷积神经网络的锥束CT几何伪影去除方法。该方法包括：步骤1、在真实的实验数据中采集重建图像，将所述重建图像作为训练数据，所述重建图像包括：存在几何伪影的重建图像和无几何伪影的重建图像；步骤2、将所述训练数据输入设定的全连接卷积神经网络进行迭代训练，得到几何伪影校正网络模型；步骤3、将待去除几何伪影的重建图像输入所述几何伪影校正网络模型，得到去除几何伪影的新重建图像。本发明对图像域上的几何伪影去除具有较高的准确性和较广泛的适用性。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于全连接卷积神经网络的锥束CT几何伪影去除方法。
背景技术
X射线计算机断层成像(Computed Tomography，CT)是一种由物体的X射线投影来反求其衰减分布的技术，涵盖核物理、数学、计算机、精密仪器等多个学科。由于CT可以在非接触、不破坏的条件下得到物体内部的高精度三维结构信息，因此自Hounsfield成功研制第一台CT以来，CT已在无损检测、医学诊断、材料分析等领域得到广泛应用。CT系统由X射线源、探测器、精密机械和计算机等组成，工作流程包括数据采集、数据校正、图像重建及后续图像处理与分析等，其中图像重建是核心。CT图像重建需要准确的空间几何关系，但实际CT系统受机械加工和装配精度的影响，几何参数可能存在偏差。若采用不准确的几何参数进行图像重建，重建图像将受几何伪影的干扰。几何伪影表现为双结构、明显的不锐利边缘、点状物变得模糊或变成圆环等。几何伪影会降低CT的空间分辨率，因此几何校正是CT成像的首要问题。
特别是对于无损检测方面，X射线CT系统是一种不可替代的技术，它是以一种非侵入性的方式获取高分辨率的物体内部结构信息。目前，CT系统成像质量严重依赖于系统几何关系的稳定性，特别是在高分辨率的CT系统中。未校准几何参数的CT系统将严重降低重建的图像质量，包括图像分辨率的损失和价值细节信息丢失。不仅如此，随着CT技术在各领域的应用，成像的种类和条件需求得到了快速的延伸和发展，同时也突显出了有必要实现更智能化的数据处理方式的急迫性，即以最少的人工介入进行自动化的数据处理操作。实际上，在CT系统几何校正中实现更有效的智能化方法仍然是一个难点和研究重点。而深度学习的快速发展和应用为此提供了一种全新的思路。对于深度学习中常见的深度人工神经网络，如图9所示，在深层网络中有多层结构并具有层间连接的神经元。
近年来，作为深度学习中有效方法之一的卷积神经网络(CNN)被应用于许多领域，包括图像分类和特征识别等。CNN网络显示出了更好的自动化和可靠性。它可以从训练数据中学习数据之间的非线性映射关系，并可将不同的特征图像以类似人类视觉表现的方式进行识别区分。同时，CNN能够分析处理诸如CT系统几何伪影校正这类多维度的复杂问题。
CNN网络为CT系统的几何校正提供了一种更为智能的解决方式。最近几年，深度学习与几何伪影校正相结合的研究工作已经开展了初步的研究。例如2017年Yang等人利用一种分类卷积神经网络(CNN)实现了对CT重建图像中由于旋转中心偏移所导致的几何伪影与没有几何伪影图像的二分类。该方法可以高精度地对数据集中的正确结果进行分类提取。然而，该方法对于其他存在几何伪影的重建图像该如何进行校正没有具体的表现，而这些几何伪影重建图像的校正算法研究工作是非常有必要继续深入下去的。
发明内容
为解决现有技术中存在的上述不足，本发明提供一种基于全连接卷积神经网络的锥束CT几何伪影去除方法。
本发明提供的基于全连接卷积神经网络的锥束CT几何伪影去除方法，包括以下步骤：
步骤1、在真实的实验数据中采集重建图像，将所述重建图像作为训练数据，所述重建图像包括：存在几何伪影的重建图像和无几何伪影的重建图像；
步骤2、将所述训练数据输入设定的全连接卷积神经网络进行迭代训练，得到几何伪影校正网络模型；
步骤3、将待去除几何伪影的重建图像输入所述几何伪影校正网络模型，得到去除几何伪影的新重建图像。
进一步地，在所述步骤2之前还包括：
将所述存在几何伪影的重建图像进行分类；相应地，所述步骤2为：
针对不同类别的所述存在几何伪影的重建图像分别输入设定的全连接卷积神经网络进行迭代训练，得到几何伪影校正网络模型。
进一步地，所述步骤2具体为：
步骤2.1、将所述无几何伪影的重建图像作为训练标签，将所述存在几何伪影的重建图像作为所述设定的全连接卷积神经网络的输入进行迭代训练；
步骤2.2、在所述迭代训练过程中，将所述设定的全连接卷积神经网络的输出与所述训练标签之间的均方根误差作为损失曲线的收敛条件，不断计算所述均方根误差直到所述损失曲线收敛为止；
步骤2.3、当所述损失曲线收敛时，将此时的全连接卷积神经网络作为几何伪影校正网络模型。
进一步地，所述几何伪影校正网络模型不含有池化层。
进一步地，在所述步骤2.1中，每次输入的所述存在几何伪影的重建图像的数据量大小为50张图像。
进一步地，所述设定的全连接卷积神经网络包括十层中间层，所述十层中间层分为五层卷积层和五层反卷积层；每一个所述中间层包括32个卷积核，卷积核大小为3×3，补充像素为1，滑动像素为2×2。
本发明的有益效果：
本发明提供的基于全连接卷积神经网络的锥束CT几何伪影去除方法，在图像域，通过数据驱动的方式直接对锥束CT几何伪影实现去除。本发明利用了具有不同特征的存在几何伪影的重建图像数据评估测试了本发明网络模型的性能，实验结果本发明具有较高的准确性和较广泛的适用性。更重要的是，本发明结合人工神经网络进行数据处理的方式为X射线计算机断层扫描技术更加智能化的发展提供了更大的发展潜力。
附图说明
图1为本发明实施例提供的基于全连接卷积神经网络的锥束CT几何伪影去除方法的流程示意图；
图2为本发明实施例提供的全连接卷积神经网络模型的架构示意图；
图3为本发明实施例提供的Shepplogan数据测试结果示意图；
图4为本发明实施例提供的渐变特征数据测试结果示意图；
图5为本发明实施例提供的口腔模型测试结果示意图；
图6为本发明实施例提供的调制传递函数结果曲线示意图；
图7为本发明实施例提供的碳复合材料测试结果示意图；
图8为本发明实施例提供的碳复合材料测试的损失曲线收敛示意图；
图9为现有技术提供的深度人工神经网络的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的基于全连接卷积神经网络的锥束CT几何伪影去除方法的流程示意图。如图1所示，该方法包括以下步骤：
S101、在真实的实验数据中采集重建图像，将所述重建图像作为训练数据，所述重建图像包括：存在几何伪影的重建图像和无几何伪影的重建图像；
S102、将所述训练数据输入设定的全连接卷积神经网络进行迭代训练，得到几何伪影校正网络模型；
S103、将待去除几何伪影的重建图像输入所述几何伪影校正网络模型，得到去除几何伪影的新重建图像。
具体地，本发明实施例主要分为训练数据准备阶段、网络模型训练阶段和几何伪影去除阶段。结合人工神经网络进行数据处理，通过利用训练数据和设定的全连接卷积神经网络进行迭代训练得到网络模型，从而利用该网络模型输出去除几何伪影的重建图像，具有较高的准确性和较广泛的适用性。
在上述实施例的基础上，本发明提供另一种实施例，具体流程如下：
S201、同步骤S101；
S202、将存在几何伪影的重建图像进行分类，生成具有不同特征和不同程度几何伪影的若干类重建图像；
例如，将重建图像分为标准的Shepplogan体模重建图像和具有渐变特征的CS体模重建图像；然后，分别针对上述两种不同体模重建图像，生成具有不同程度几何伪影的重建图像。
本发明实施例所述的重建图像是依据X射线衰减系数重建出的灰度值图像。因此，重建图像中的几何伪影特征总是反映在某些特定方面，例如图像的模糊，空间分辨率的下降。对于具有同一类特征重建图像，其图像的几何伪影特征通常反映在某些相同的方面。在将重建图像输入到全连接卷积神经网络中之前，为了保证图像特征的完备性，以及为了确保不同重建图像能够在同一尺度进行训练和测试，在训练网络模型之前需要对重建图像的灰度值进行归一化。归一化公式(1)如下所示：
其中，Pij是每一像素点的归一化输出，P0是初始辐射像素最大值，w，h分别是像素宽度和像素长度。在经过归一化过程之后，所有图像像素点的值都被限制在0和1之间，这有利于降低复杂度的同时有效的进行特征要素的提取。
S203、针对不同类别的所述存在几何伪影的重建图像分别输入设定的全连接卷积神经网络进行迭代训练，得到几何伪影校正网络模型；
具体地，本步骤具体包括：
步骤2031、将所述无几何伪影的重建图像作为训练标签，将所述存在几何伪影的重建图像作为所述设定的全连接卷积神经网络的输入进行迭代训练。
所述设定的全连接卷积神经网络包括十层中间层，所述十层中间层分为五层卷积层和五层反卷积层；每一个所述中间层包括32个卷积核，卷积核大小为3×3，补充像素为1，滑动像素为2×2。每次输入的所述存在几何伪影的重建图像的数据量大小为50张图像。
步骤2032、在所述迭代训练过程中，将所述设定的全连接卷积神经网络的输出与所述训练标签之间的均方根误差作为损失曲线的收敛条件，不断计算所述均方根误差直到所述损失曲线收敛为止。
步骤2033、当所述损失曲线收敛时，将此时的全连接卷积神经网络作为几何伪影校正网络模型。考虑到对训练图像中最大细节的保留以便能够提取准确的几何伪影特征，该网络模型去除了池化层以减少训练中对图像细节信息的损失。
S204、将待去除几何伪影的重建图像输入所述几何伪影校正网络模型，得到去除几何伪影的新重建图像。
如图2所示，输入图像(尺寸为256×256)在卷积层通过训练卷积核加上偏置量进行卷积运算提取特征，卷积核大小为3×3，补充像素为1，滑动像素为2×2，每一中间层卷积核有32个，对应提取32类特征。
卷积运算如下公式(2)所示：
Yi＝ReLU(∑Xi-1*Wi+bi) (2)
其中，*是卷积的运算，b是偏置量，W是可调节的卷积权重。ReLU是用于去线性化的激活函数，i是卷积层的数量。网络经过训练后，权重W可以调整至能匹配对应输入和输出的值。经过多次的卷积层的卷积运算，可以提取输入(即伪影图像)中的多维度特征，这有助于权重值调整与训练的网络模型实现更加准确的匹配。
对应的反卷积层通过训练卷积核加上偏置量进行反卷积运算实现对五层卷积层提取的256类特征的重构，卷积核大小为3×3，补充像素为1，滑动像素为2×2，每一中间层卷积核有32个。
反卷积运算如下公式(3)所示：
其中，
是反卷积的运算，b是偏置量，j是反卷积层的数量，W是反卷积权重值，ReLU是卷积运算中所用的激活函数。即利用从卷积层中提取到的特征，通过反卷积运算来重新构建与输入图像相对应的输出图像。经过五层反卷积层，最终输出与输入图像相匹配的去除几何伪影的图像。
由上述内容可知，经过多次对全连接卷积神经网络的训练，直到网络的参数配置可以与所要求的全连接卷积神经网络模型匹配。一旦网络模型完成训练，就可以应用该网络模型来自动校正具有相同特征重建图像中的几何伪影。全连接卷积神经网络可以实现端到端的问题处理方式，能够以数据驱动的方式直接实现输出结果。整个过程只需利用训练好的连接卷积神经网络而无需人工介入，在对几何伪影校正这类问题的处理上表现出了现有其他方法所不具有的优势。
为了评估本发明所训练得到的网络模型的有效性和性能，利用具有不同特征的两种类型的仿真重建图像进行实验验证。两类仿真数据分别是标准的Shepplogan体模重建图像和一种具有渐变特征的CS体模重建图像。图像的尺寸为256×256，样本数量为200。本实验使用两类仿真数据分别进行了对该网络模型的训练和测试。
对于Shepplogan体模，生成具有不同程度几何伪影的重建图像，如图3所示。图3中：图(a1)和图(a2)分别为不同程度几何伪影的重建图像；图(b1)和图(b2)分别为对应的输出图像；图(c1)和图(c2)分别为对应的训练标签；图d为损失曲线的收敛示意图。
由图3可知，输入的重建图像中具有明显的几何伪影，在通过网络模型进行几何伪影校正后，输出图像中的几何伪影已经明显减少。通过该实验验证了用于几何伪影校正的该网络模型是一种有效的方法。
为了进一步评估该网络模型在几何伪影校正上的适用性，利用具有渐变特征的CS体模数据来训练和测试该网络模型。测试的输出结果如图4所示。图4中：图(a)为输入图像；图(b)为输出图像；图(c)为训练标签；图(d)为损失曲线的收敛示意图。
通过比较输出和输入，在重建图像中标注出的渐变部分的暗淡伪影得到了很好地校正，获得的训练损失曲线也几乎是理想的收敛曲线。总体而言，这些显示出各种不同特征的仿真数据能够通过该网络模型对几何伪影进行很好的校正。
为了进一步评估该网络模型在校正几何伪影上的性能，从真实的锥束CT系统中获得了两种类型的实验数据。第一类数据是医学口腔模型，其重建图像包含有牙齿和骨骼的特征。本实验使用存在几何伪影的重建图像训练设定的全连接卷积神经网络，并通过传统几何校正方法来收集无几何伪影的重建图像。然后，将该网络模型的测试结果与传统的定标方法结果进行对比。在训练过程中，从不同的重建数据和切片中选择了1000个样本来完成对网络模型的训练。然后，利用训练后的网络模型测试从真实实验中获取的其他同种带有几何伪影的重建图像。对比结果如图5所示，该网络模型对几何伪影的校正有很好的效果，能够达到与传统定标方法相当的水平。图5中：图(a)为输入图像；图(b)为输出图像；图(c)为传统定标方法得到的无伪影图像。
为了进一步客观地评估得到的实验测试结果，利用调制传递函数(MTF)作为测量空间分辨率的标准来评估该网络模型的校正效果。MTF是对成像系统空间频率传输特性的定量刻画。MTF的取值范围在0到1之间。当MTF的值等于0时，则表示经过该成像系统的输出结果无法获取被成像物体的任何信息；当MTF的值为1时，表示经过该成像系统的输出结果能完全重现被成像物体的信息。而在实际中，MTF取值为0.1时对应的空间频率定义为该成像系统的最高空间分辨率。
本发明方法得到的MTF曲线结果如图6所示，网络输入的带有几何伪影重建图像的空间分辨率严重降低。在经过该网络模型的几何校正后，输出结果的空间分辨率明显得到了提升，并且与传统定标方法相比，本发明方法能够达到与传统方法相同的最高空间分辨率水平。
进一步地，本实验还利用了碳复合材料这类具有丰富细节特征的真实数据进行了实验以测试该网络模型用于几何伪影校正的适用范围。
利用不同切片的重建图像对该网络模型进行训练并测试，其测试的输出结果如图7所示，输入的切片重建图像具有明显的几何伪影(如图(a)和图(c))，严重模糊了图像细节。经过该网络模型的几何伪影校正后，输出的结果图像恢复了清晰的图像细节信息(如图(b)和图(d))。需要说明的是，对于这类具有丰富细节信息的复合材料，网络模型需要更多的训练时间和迭代轮数来使得损失曲线收敛。此次实验准备了1000个样本，其收敛过程如图8所示。
综上所述，本发明所提供的全卷积网络模型能够对几何伪影校正达到可靠的精度和满意的结果。通过与传统方法的分析比较，网络校正结果图像的最高空间分辨率也能达到与传统方法相当的水平。并且，所提出的全卷积网络模型能够实现校正过程无需人工干预的自动化水平，这有利于对大批量数据的高效处理。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (4)
1.基于全连接卷积神经网络的锥束CT几何伪影去除方法，其特征在于，包括：
步骤1、在真实的实验数据中采集重建图像，将所述重建图像作为训练数据，所述重建图像包括：存在几何伪影的重建图像和无几何伪影的重建图像；
步骤2、将所述存在几何伪影的重建图像进行分类，针对不同类别的所述存在几何伪影的重建图像分别输入设定的全连接卷积神经网络进行迭代训练，得到几何伪影校正网络模型；具体包括：
步骤2.1、将所述无几何伪影的重建图像作为训练标签，将所述存在几何伪影的重建图像作为所述设定的全连接卷积神经网络的输入进行迭代训练；
步骤2.2、在所述迭代训练过程中，将所述设定的全连接卷积神经网络的输出与所述训练标签之间的均方根误差作为损失曲线的收敛条件，不断计算所述均方根误差直到所述损失曲线收敛为止；
步骤2.3、当所述损失曲线收敛时，将此时的全连接卷积神经网络作为几何伪影校正网络模型；
步骤3、将待去除几何伪影的重建图像输入所述几何伪影校正网络模型，得到去除几何伪影的新重建图像。
2.根据权利要求1所述的方法，其特征在于，所述几何伪影校正网络模型不含有池化层。
3.根据权利要求1所述的方法，其特征在于，在所述步骤2.1中，每次输入的所述存在几何伪影的重建图像的数据量大小为50张图像。
4.根据权利要求1所述的方法，其特征在于，所述设定的全连接卷积神经网络包括十层中间层，所述十层中间层分为五层卷积层和五层反卷积层；每一个所述中间层包括32个卷积核，卷积核大小为3×3，补充像素为1，滑动像素为2×2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811530214.4A CN109816742B (zh) | 2018-12-14 | 2018-12-14 | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811530214.4A CN109816742B (zh) | 2018-12-14 | 2018-12-14 | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109816742A CN109816742A (zh) | 2019-05-28 |
| CN109816742B true CN109816742B (zh) | 2022-10-28 |
Family
ID=66601746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811530214.4A Active CN109816742B (zh) | 2018-12-14 | 2018-12-14 | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816742B (zh) |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110378982B (zh) * | 2019-07-23 | 2023-09-12 | 上海联影医疗科技股份有限公司 | 重建图像处理方法、装置、设备及存储介质 |
| US11257191B2 (en) * | 2019-08-16 | 2022-02-22 | GE Precision Healthcare LLC | Systems and methods for deblurring medical images using deep neural network |
| CN110570492B (zh) * | 2019-09-11 | 2021-09-03 | 清华大学 | 一种基于神经网络的ct伪影抑制方法、设备以及介质 |
| CN111091603B (zh) * | 2019-11-04 | 2023-04-07 | 深圳先进技术研究院 | 一种超声成像方法、装置、可读存储介质及终端设备 |
| CN112233030B (zh) * | 2020-10-15 | 2023-01-03 | 上海优医基医疗器械技术有限公司 | 一种基于深度学习的ct投影几何校正方法 |
| CN112508808B (zh) * | 2020-11-26 | 2023-08-01 | 中国人民解放军战略支援部队信息工程大学 | 基于生成对抗网络的ct双域联合金属伪影校正方法 |
| US11890124B2 (en) | 2021-02-01 | 2024-02-06 | Medtronic Navigation, Inc. | Systems and methods for low-dose AI-based imaging |
| CN112819726A (zh) * | 2021-02-09 | 2021-05-18 | 嘉兴丰鸟科技有限公司 | 一种光场渲染伪影去除方法 |
| CN112862728B (zh) * | 2021-03-22 | 2023-06-27 | 上海壁仞智能科技有限公司 | 伪影去除方法、装置、电子设备和存储介质 |
| CN113554570B (zh) * | 2021-08-04 | 2023-12-19 | 西安交通大学 | 一种基于深度学习的双域ct图像环状伪影去除方法 |
| CN113947642B (zh) * | 2021-10-18 | 2024-06-04 | 北京航空航天大学 | 一种x空间磁粒子成像解卷积方法 |
| CN115690255B (zh) * | 2023-01-04 | 2023-05-09 | 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 |
| CN118365740B (zh) * | 2024-06-20 | 2024-08-20 | 杭州励影光电成像有限责任公司 | 一种基于深度学习消除光声层析图像中伪影的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107369189A (zh) * | 2017-07-21 | 2017-11-21 | 成都信息工程大学 | 基于特征损失的医学图像超分辨率重建方法 |
| KR101871098B1 (ko) * | 2017-01-12 | 2018-06-25 | 포항공과대학교 산학협력단 | 이미지 처리 방법 및 장치 |
-
2018
- 2018-12-14 CN CN201811530214.4A patent/CN109816742B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101871098B1 (ko) * | 2017-01-12 | 2018-06-25 | 포항공과대학교 산학협력단 | 이미지 처리 방법 및 장치 |
| CN107369189A (zh) * | 2017-07-21 | 2017-11-21 | 成都信息工程大学 | 基于特征损失的医学图像超分辨率重建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于残差学习的CT稀疏重建伪影校正;张鹏程等;《计算机工程与设计》;20180816(第08期);全文 * |
| 基于特征损失的医学图像超分辨率重建;邢晓羊等;《计算机工程与应用》;20180206(第20期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109816742A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816742B (zh) | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 | |
| CN109146988B (zh) | 基于vaegan的非完全投影ct图像重建方法 | |
| RU2709437C1 (ru) | Способ обработки изображений, устройство обработки изображений и носитель данных | |
| Hu et al. | Artifact correction in low‐dose dental CT imaging using Wasserstein generative adversarial networks | |
| Heinrich et al. | Residual U-net convolutional neural network architecture for low-dose CT denoising | |
| US11039805B2 (en) | Deep learning based estimation of data for use in tomographic reconstruction | |
| Yang et al. | Low-dose CT denoising via sinogram inner-structure transformer | |
| CN107481297B (zh) | 一种基于卷积神经网络的ct图像重建方法 | |
| US11872070B2 (en) | Deep neural network for CT metal artifact reduction | |
| CN110570492A (zh) | 神经网络训练方法和设备、图像处理方法和设备以及介质 | |
| Zhu et al. | Metal artifact reduction for X-ray computed tomography using U-net in image domain | |
| Xu et al. | Deep residual learning in CT physics: scatter correction for spectral CT | |
| Xu et al. | Efficient low‐dose CT artifact mitigation using an artifact‐matched prior scan | |
| CN111292386A (zh) | 一种基于U-net的CT投影金属迹线补全金属伪影校正方法 | |
| CN107862665B (zh) | Ct图像序列的增强方法及装置 | |
| Hayes et al. | Low‐dose cone‐beam CT via raw counts domain low‐signal correction schemes: Performance assessment and task‐based parameter optimization (Part I: Assessment of spatial resolution and noise performance) | |
| Wang et al. | An effective sinogram inpainting for complementary limited-angle dual-energy computed tomography imaging using generative adversarial networks | |
| CN111161182A (zh) | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 | |
| JP2017221339A (ja) | Ｘ線ｃｔ画像再構成方法およびコンピュータプログラム | |
| CN117876519A (zh) | 一种基于扩散模型的弦图恢复方法及系统 | |
| CN116503506B (zh) | 一种图像重建方法、系统、装置及存储介质 | |
| Klinder et al. | Lobar fissure detection using line enhancing filters | |
| CN116485925A (zh) | 一种ct图像环状伪影抑制方法、装置、设备和存储介质 | |
| 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 | |
| Zhu et al. | CT metal artifact correction assisted by the deep learning-based metal segmentation on the projection domain |
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 |