CN109978769B - 一种ct扫描图像数据插值方法及其系统 - Google Patents
一种ct扫描图像数据插值方法及其系统 Download PDFInfo
- Publication number
- CN109978769B CN109978769B CN201910271248.4A CN201910271248A CN109978769B CN 109978769 B CN109978769 B CN 109978769B CN 201910271248 A CN201910271248 A CN 201910271248A CN 109978769 B CN109978769 B CN 109978769B
- Authority
- CN
- China
- Prior art keywords
- neural network
- image data
- network model
- scanning image
- data set
- 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
- 238000002591 computed tomography Methods 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000003042 antagnostic effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000000873 masking effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims 2
- 230000001788 irregular Effects 0.000 abstract description 6
- 230000008439 repair process Effects 0.000 description 11
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010304 firing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- 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
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种CT扫描图像数据插值方法及其系统。所述方法包括骤：获取CT扫描图像数据，得到第一数据集；对所述CT扫描图像数据进行掩膜处理，得到第二数据集；将所述第一数据集输入预先设定的神经网络模型中，利用损失函数对所述神经网络模型进行训练，将第二数据集输入到所述训练后的神经网络模型中进行测试，根据测试结果调整神经网络的学习参数；当训练后的神经网络模型的loss趋于收敛时，停止训练，得到训练好的神经网络模型；将待修复的CT扫描图像数据，输入训练好的神经网络模型，进行插值计算，得到修复CT扫描图像。本发明所提供的方法有比较通用的用途，比现有的技术精度更高，尤其是针对不规则的区域和物体有非常大的优势。
Description
技术领域
本发明涉及医学成像技术领域，尤其涉及的是一种CT扫描图像数据插值方法及其系统。
背景技术
CT医学成像系统中，随着扫描的剂量越来越低，很多时候探测器端收到的信号很微弱，或者几乎没有，这就需要插值或者信号处理技术来预测这些信号。或者当人体中存在金属的时候，X射线的光子很难穿透这些很大的金属物体，探测器收不到任何信号，这也需要信号处理技术来估计这部分信号。或者当扫描过程中，X射线球管发生小打火短暂时间内，会造成几个甚至10个角度的投影数据的丢失，为了能够正常重建图像，必须要应用数据插值的方法来恢复丢失的投影数据。
目前，普遍采用方法的是一维或高维度的线性或者多项式插值来填补这些缺失区域的信号。上述方法能够对简单的结构达到比较好的效果，但是对于稍微复杂一些的结构比如不规则区域的插值如图2a，不规则的结构如2b中所示，1表示插值区域，则会带来很多误差，难以满足临床的应用。
因此，现有技术还有待于进一步地改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种CT扫描图像数据插值方法及其系统，旨在解决现有针对不规则结构的CT扫描图像数据插值结果误差大，修复结果不能满足临床需求的问题。
本发明解决技术问题所采用的技术方案如下：
一种CT扫描图像数据插值方法，其中，包括步骤：
获取CT扫描图像数据，得到第一数据集；
对所述CT扫描图像数据进行掩膜处理，得到第二数据集；
将所述第一数据集输入预先设定的神经网络模型中，利用损失函数对所述神经网络模型进行训练，得到训练后的神经网络模型；
将第二数据集输入到所述训练后的神经网络模型中进行测试，根据测试结果调整所述神经网络的学习参数；当训练后的神经网络模型的Loss值趋于收敛时，停止训练，得到训练好的神经网络模型；
将带插值或修复的CT扫描图像数据，输入训练好的神经网络模型，进行插值计算，得到修复后的CT扫描图像。
所述CT扫描图像数据插值方法，其中，所述损失函数为：
所述CT扫描图像数据插值方法，其中，所述神经网络为对抗神经网络模型采用对抗神经网络的方法或卷积神经网络的方法进行训练。
所述CT扫描图像数据插值方法，其中，所述步骤获取CT扫描图像数据，得到第一数据集，具体包括：
获取CT扫描图像数据，对所述扫描数据进行校正和预处理，得到第一数据集。
所述CT扫描图像数据插值方法，其中，所述掩膜处理为手动绘制或计算机随机产生。
一种CT扫描图像数据插值系统，其中，包括：处理器，以及与所述处理器连接的存储器，
所述存储器存储有CT扫描图像数据插值程序，所述CT扫描图像数据插值程序被所述处理器执行时实现以下步骤：
获取CT扫描图像数据，得到第一数据集；
对所述CT扫描图像数据进行掩膜处理，得到第二数据集；
将所述第一数据集输入预先设定的神经网络模型中，利用损失函数对所述神经网络模型进行训练，得到训练后的神经网络模型；
将第二数据集输入到所述训练后的神经网络模型中进行测试，根据测试结果调整所述神经网络的学习参数；当训练后的神经网络模型的Loss值趋于收敛时，停止训练，得到训练好的神经网络模型；
将带插值或修复的CT扫描图像数据，输入训练好的神经网络模型，进行插值计算，得到修复后的CT图像。
所述CT扫描图像数据插值系统，其中，所述神经网络采用对抗神经网络的方法或卷积神经网络的方法进行训练。
所述CT扫描图像数据插值系统，其中，所述损失函数为：
所述CT扫描图像数据插值系统，其中，所述CT扫描图像数据插值程序被所述处理器执行时，还实现以下步骤：
获取CT扫描图像数据，对所述扫描数据进行校正和预处理，得到第一数据集。
所述CT扫描图像数据插值方法，其中，所述掩膜处理为手动绘制或计算机随机产生。
有益效果：通过借助训练好的深度神经网络模型，将带插值或修复的CT扫描图像数据输入训练好的深度神经网络模型中，对CT扫描图像中有问题的区域进行处理，填补有问题的数据。该方法具有修补精度高，不受待修补区域形状的限制，通用性强的特点。
附图说明
图1是本发明中CT扫描图像数据插值方法较佳实施例的流程图。
图2a、2b是不规则结构和不规则区域的CT扫描图。
图3是具有经掩膜处理后非连通的待插值区域CT扫描图。
图4a是待修复CT扫描图、4b是修复后的CT扫描图、4c是正常的CT扫描图三者的对比图。
图5本发明中CT扫描图像数据插值系统较佳实施例的功能原理框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请同时参阅图1，本发明提供了一种CT扫描图像数据插值方法的一些实施例。
如图1所示，本发明的CT扫描图像数据插值方法，包括以下步骤：
S100、获取CT扫描图像数据，得到第一数据集。
具体地，利用目标图像采集设备采集待识别的目标图像，如采用CT扫描，得到CT扫描图像（Computed Tomography，电子计算机断层扫描），根据扫描图像生成图像的扫描数据。其中，图像的获取可以是实时采集获取，也可以是在预先设置的存储设备中读取待识别的目标图像。所述CT扫描数据包括但不限于，头部，胸部，腹部，心脏，脊柱，四肢等肢体区域数据。
在一种或多种实施方式中，所述步骤S100具体包括，获取CT扫描图像数据，对所述扫描数据进行校正和预处理，得到第一数据集。即对所获得的扫描数据进行包括但不限于校正，降噪等处理，以尽量消除干扰数据，提高所获取到的数据的准确性，以保证后续训练结果的正确性。将处理好的数据作为神经网络模型训练用的标签，即作为训练数据训练深度神经网络模型。
S200、对所述CT扫描图像数据进行掩膜处理，得到第二数据集。
具体来说，对步骤S100所获得的数据进行随机掩膜处理，来模拟非正常信号区域，掩膜处理后的区域为0，插值区域可以是连通的，也可以是非连通的如图3所示。其中，所述的掩膜处理可以手动绘制也可以计算机随机产生，在此不做限制。本发明中选用的计算机随机产生的方式，用以模拟真实的使用环境。
所述步骤S300、将所述第一数据集输入预先设定的神经网络模型中，利用Loss对所述神经网络模型进行训练，得到训练后的神经网络模型。
具体来说，是将所述第一数据集（训练数据集）输入到预先设定的深度神经网络模型中，其中所用到的神经网络模型可以通过包括但不限于，对抗神经网络的方法或卷积神经网络的方法来进行训练，得到训练后的深度神经网络模型。其中，针对深度神经网络模型的具体训练步骤，为现有的常规步骤，本申请中主要是在利用现有的神经网络模型训练步骤来对所设置的神经网络模型进行训练，即具体的训练操作步骤不是本发明所要保护的重点。
在一些实施方式中，所述损失函数为：
训练损失函数可以是输出图像和目标图像的差异的加权平均。所述损失函数增加了对非正常和正常区域的交接部分的处理，保证了数据的连续性。减少了系统误差。
S400、将第二数据集输入到所述训练后的神经网络模型中进行测试，根据测试结果调整所述神经网络的学习参数；当训练后的神经网络模型的Loss值趋于收敛时（即Loss值小于设定值0.01或者达到最大迭代次数），停止训练，得到训练好的神经网络模型。
具体来说，将第二数据集（测试数据）输入训练后的深度神经网络模型中，对训练结果进行检测，根据测试结果调整训练参数。重复上述训练步骤，直至深度神经网络模型的Loss值趋于收敛时，停止训练，得到优化的深度神经网络模型和权重。
S500、将带插值或修复的CT扫描图像数据，输入训练好的神经网络模型，进行插值计算，得到修复后的CT扫描图像，如图4b所示。
通过图4a-4b对比可以看出，经过本发明所提供的方法所修复的CT扫描图像和正常的CT扫描图像十分的接近。
本发明还提供了一种CT扫描图像数据插值系统的较佳实施例：
如图5所示，本发明实施例的CT扫描图像数据插值系统，包括：处理器10，以及与所述处理器10连接的存储器20，
所述存储器20存储有CT扫描图像数据插值程序，所述CT扫描图像数据插值程序被所述处理器10执行时实现以下步骤：
获取CT扫描图像数据，得到第一数据集；
对所述CT扫描图像数据进行掩膜处理，得到第二数据集；
将所述第一数据集输入预先设定的神经网络模型中，利用损失函数对所述神经网络模型进行训练，得到训练后的神经网络模型；
将第二数据集输入到所述训练后的神经网络模型中进行测试，根据测试结果调整所述神经网络的学习参数；当训练后的神经网络模型的Loss值趋于收敛时，停止训练，得到训练好的神经网络模型；
将带插值或修复的CT扫描图像数据，输入训练好的神经网络模型，进行插值计算，得到修复后的CT扫描图像。
所述CT扫描图像数据插值程序被所述处理器10执行时，还实现以下步骤：
获取CT扫描图像数据，对所述扫描数据进行校正和预处理，得到第一数据集。
在一个或多个实施方式中，所述损失函数为：
在一些实施方式中，所述神经网络模型采用对抗神经网络的方法或卷积神经网络的方法来进行训练。
综上所述，本发明所提供的一种CT扫描图像数据插值方法及其系统，所述方法包括步骤：获取CT扫描图像数据，得到第一数据集；对所述CT扫描图像数据进行掩膜处理，得到第二数据集；将所述第一数据集输入预先设定的神经网络模型中，利用损失函数对所述神经网络模型进行训练，得到训练后的神经网络模型；将第二数据集输入到所述训练后的神经网络模型中进行测试，根据测试结果调整所述神经网络的学习参数；当训练后的神经网络模型的Loss值趋于收敛时，停止训练，得到训练好的神经网络模型；将带插值或修复的CT扫描图像数据，输入训练好的神经网络模型，进行插值计算，得到修复后的CT扫描图像。所述系统包括：处理器，以及与所述处理器连接的存储器，所述存储器存储有CT扫描图像数据插值程序，所述CT扫描图像数据插值程序被所述处理器执行时实现上述方法的步骤。
本发明通过借助训练好的深度神经网络模型，将所获取得到的待插值或修复的CT扫描图像数据，输入上述已训练好的深度神经网络模型中，对CT图像中有问题的区域进行插值处理，填补有问题的（缺失的）数据，即对有问题的图像进行图像修复，对图像修复过程类似于电影制作中所经常用到的 “抠图”技术，和自然图像相比，CT投影的精度要高10倍左右，通过神经网络的方法获得精度高的修复数据。该方法具有修补精度高，不受待修补结构的形状以及待修补区域形状的限制，具有通用性强的特点。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (8)
1.一种CT扫描图像数据插值方法，其特征在于，包括步骤：
获取CT扫描图像数据，得到第一数据集；
对所述CT扫描图像数据进行掩膜处理，得到第二数据集；
将所述第一数据集输入预先设定的神经网络模型中，利用损失函数对所述神经网络模型进行训练，得到训练后的神经网络模型；
将第二数据集输入到所述训练后的神经网络模型中进行测试，根据测试结果调整所述神经网络的学习参数；当训练后的神经网络模型的Loss值趋于收敛时，停止训练，得到训练好的神经网络模型；
将待修复的CT扫描图像数据，输入训练好的神经网络模型，进行插值计算，得到修复后的CT扫描图像；
所述损失函数为：
训练损失函数是输出图像和目标图像的差异的加权平均；所述训练损失函数增加了对非正常区域和正常区域的交接部分的处理。
2.根据权利要求1所述CT扫描图像数据插值方法，其特征在于，所述神经网络模型采用对抗神经网络或卷积神经网络进行训练。
3.根据权利要求1所述CT扫描图像数据插值方法，其特征在于，所述获取CT扫描图像数据，得到第一数据集，具体包括：
获取CT扫描图像数据，对所述CT扫描图像数据进行校正和预处理，得到第一数据集。
4.根据权利要求1所述CT扫描图像数据插值方法，其特征在于，所述掩膜处理为手动绘制或计算机随机产生。
5.一种CT扫描图像数据插值系统，其特征在于，包括：处理器，以及与所述处理器连接的存储器；
所述存储器存储有CT扫描图像数据插值程序，所述CT扫描图像数据插值程序被所述处理器执行时实现以下步骤：
获取CT扫描图像数据，得到第一数据集；
对所述CT扫描图像数据进行掩膜处理，得到第二数据集；
将所述第一数据集输入预先设定的神经网络模型中，利用损失函数对所述神经网络模型进行训练，得到训练后的神经网络模型；
将第二数据集输入到所述训练后的神经网络模型中进行测试，根据测试结果调整所述神经网络的学习参数；当训练后的神经网络模型的Loss值趋于收敛时，停止训练，得到训练好的神经网络模型；
将待插值或修复的CT扫描图像数据，输入训练好的神经网络模型，进行插值计算，得到修复后的CT扫描图像；
所述损失函数为：
训练损失函数是输出图像和目标图像的差异的加权平均；所述训练损失函数增加了对非正常区域和正常区域的交接部分的处理。
6.根据权利要求5所述CT扫描图像数据插值系统，其特征在于，所述神经网络模型采用对抗神经网络或卷积神经网络进行训练。
7.根据权利要求5所述CT扫描图像数据插值系统，其特征在于，所述CT扫描图像数据插值程序被所述处理器执行时，还实现以下步骤：
获取CT扫描图像数据，对所述CT扫描图像数据进行校正和预处理，得到第一数据集。
8.根据权利要求5所述CT扫描图像数据插值系统，其特征在于，所述掩膜处理为手动绘制或计算机随机产生。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910271248.4A CN109978769B (zh) | 2019-04-04 | 2019-04-04 | 一种ct扫描图像数据插值方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910271248.4A CN109978769B (zh) | 2019-04-04 | 2019-04-04 | 一种ct扫描图像数据插值方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109978769A CN109978769A (zh) | 2019-07-05 |
| CN109978769B true CN109978769B (zh) | 2023-06-20 |
Family
ID=67083023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910271248.4A Active CN109978769B (zh) | 2019-04-04 | 2019-04-04 | 一种ct扫描图像数据插值方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109978769B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105006018A (zh) * | 2015-06-30 | 2015-10-28 | 四川大学 | 三维ct岩心图像超分辨率重建方法 |
| CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
| CN109124669A (zh) * | 2018-08-30 | 2019-01-04 | 沈阳柏敖生信生物科技有限公司 | 一种整形前ct数据测量方法 |
| CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和系统 |
| CN109272472A (zh) * | 2018-10-15 | 2019-01-25 | 天津大学 | 面向医用能谱ct图像的噪声及伪影消除方法 |
| CN109360151A (zh) * | 2018-09-30 | 2019-02-19 | 京东方科技集团股份有限公司 | 图像处理方法及系统、分辨率提升方法、可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10387765B2 (en) * | 2016-06-23 | 2019-08-20 | Siemens Healthcare Gmbh | Image correction using a deep generative machine-learning model |
| US10977843B2 (en) * | 2017-06-28 | 2021-04-13 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for determining parameters for medical image processing |
-
2019
- 2019-04-04 CN CN201910271248.4A patent/CN109978769B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105006018A (zh) * | 2015-06-30 | 2015-10-28 | 四川大学 | 三维ct岩心图像超分辨率重建方法 |
| CN107330949A (zh) * | 2017-06-28 | 2017-11-07 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
| CN109124669A (zh) * | 2018-08-30 | 2019-01-04 | 沈阳柏敖生信生物科技有限公司 | 一种整形前ct数据测量方法 |
| CN109191402A (zh) * | 2018-09-03 | 2019-01-11 | 武汉大学 | 基于对抗生成神经网络的图像修复方法和系统 |
| CN109360151A (zh) * | 2018-09-30 | 2019-02-19 | 京东方科技集团股份有限公司 | 图像处理方法及系统、分辨率提升方法、可读存储介质 |
| CN109272472A (zh) * | 2018-10-15 | 2019-01-25 | 天津大学 | 面向医用能谱ct图像的噪声及伪影消除方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种学习向量神经网络的图像插值算法;贾超等;《电子技术》;20090325(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109978769A (zh) | 2019-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11727569B2 (en) | Training a CNN with pseudo ground truth for CT artifact reduction | |
| US7391844B2 (en) | Method and apparatus for correcting for beam hardening in CT images | |
| 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 | |
| EP1531426B1 (en) | Iterative CT reconstruction method using multi-modal edge information | |
| US7747057B2 (en) | Methods and apparatus for BIS correction | |
| JP2020506742A (ja) | 断層撮影再構成に使用するためのデータのディープラーニングに基づく推定 | |
| JP2010527741A (ja) | 画像再構成において利得変動の補正を容易にする方法及びシステム | |
| CN111192228B (zh) | 图像处理方法、装置、ct设备及ct系统 | |
| US20070116343A1 (en) | Methods and systems for improving quality of an image | |
| CN110335325B (zh) | 一种ct图像重建方法及其系统 | |
| CN105225208A (zh) | 一种计算机断层成像金属伪影校正方法及装置 | |
| CN108876730B (zh) | 校正运动伪影的方法、装置及设备和存储介质 | |
| CN110349234B (zh) | 一种ct锥形束图像重建方法及其系统 | |
| CN111223156A (zh) | 一种用于牙科锥束ct系统的金属伪影消除方法 | |
| WO2019173452A1 (en) | Deep neural network for ct metal artifact reduction | |
| CN112017131B (zh) | Ct图像金属伪影去除方法、装置及计算机可读存储介质 | |
| JP6446361B2 (ja) | Ｘ線ｃｔ装置および補正処理装置 | |
| CN112927315A (zh) | 用于x射线成像中的金属伪影避免的方法 | |
| CN110599530B (zh) | 基于双正则约束的mvct图像纹理增强方法 | |
| JP2001309915A (ja) | Ｃｔイメージング・システムの検出器のための高次主減衰補正 | |
| CN118648025A (zh) | 一种使用计算机断层扫描图像重建三维口腔扫描数据的装置和方法 | |
| CN117522747A (zh) | 一种用于ct图像的金属伪影校正方法与系统 | |
| US20200240934A1 (en) | Tomography apparatus and controlling method for the same | |
| CN109978769B (zh) | 一种ct扫描图像数据插值方法及其系统 | |
| KR102382602B1 (ko) | 3d 인공신경망 네트워크 기반 콘빔 아티팩트 보정 시스템 및 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 |