CN110176047A - 一种提高ct图像质量的方法和系统 - Google Patents
一种提高ct图像质量的方法和系统 Download PDFInfo
- Publication number
- CN110176047A CN110176047A CN201910476005.4A CN201910476005A CN110176047A CN 110176047 A CN110176047 A CN 110176047A CN 201910476005 A CN201910476005 A CN 201910476005A CN 110176047 A CN110176047 A CN 110176047A
- Authority
- CN
- China
- Prior art keywords
- image
- single focus
- data
- focus
- optimization
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 claims abstract description 98
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 52
- 239000000523 sample Substances 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 10
- 239000002609 medium Substances 0.000 description 10
- 238000001914 filtration Methods 0.000 description 9
- 230000003190 augmentative effect Effects 0.000 description 6
- 239000000571 coke Substances 0.000 description 6
- 238000010894 electron beam technology Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000712 assembly Effects 0.000 description 3
- 238000000429 assembly Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 210000001519 tissue Anatomy 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 102000006822 Agouti Signaling Protein Human genes 0.000 description 1
- 108010072151 Agouti Signaling Protein Proteins 0.000 description 1
- 241001062009 Indigofera Species 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000012120 mounting media Substances 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
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
- 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
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
-
- 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]
-
- 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
- G06T2207/10112—Digital tomosynthesis [DTS]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2210/00—Indexing scheme for image generation or computer graphics
- G06T2210/41—Medical
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请实施例公开了一种提高CT图像质量的方法。所述提高CT图像质量的方法包括:获取单焦点输入数据,所述单焦点输入数据包括单焦点扫描数据或单焦点图像;所述单焦点扫描数据为CT设备在单焦点状态下采集得到;所述单焦点图像为CT设备在单焦点状态下扫描获得的扫描数据重建得到的图像;基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像;所述优化模型为机器学习模型。本申请采用深度神经网络模型,将单焦点图像模拟为飞焦点图像,可以提高单焦点图像的分辨率,减少图像中的伪影。
Description
技术领域
本申请涉及图像处理领域,特别涉及一种提高CT图像质量的方法和系统。
背景技术
X射线球管是电子计算机断层扫描仪(Computed Tomography,CT)的射线产生源。X射线球管可分为单焦点X射线球管和飞焦点X射线球管。飞焦点X射线球管可以提高CT探测器的数据采集数量,并且聚焦区域处的成像质量也优于非聚焦区的成像质量,所以飞焦点X射线球管能提高CT图像的成像质量。但是飞焦点X射线球管成本很高,同时增加了数据的传输量,还会增加CT设备的不稳定性。并且,目前仍有很多CT设备采用单焦点X射线球管。因此如果能够提高单焦点X射线球管的成像质量,使单焦点图像的成像质量达到飞焦点图像的成像质量,就可以大大提高单焦点图像的质量同时减少CT设备的成本。
发明内容
本申请实施例之一提供一种提高CT图像质量的方法。所述提高CT图像质量的方法包括:获取单焦点输入数据,所述单焦点输入数据包括单焦点扫描数据或单焦点图像;所述单焦点扫描数据为CT设备在单焦点状态下采集得到;所述单焦点图像为CT设备在单焦点状态下扫描获得的扫描数据重建得到的图像;基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像;所述优化模型为机器学习模型。
在一些实施例中,所述图像质量优化模型通过样本数据训练获得,所述样本数据包括飞焦点扫描数据或飞焦点图像;所述飞焦点扫描数据为CT设备在飞焦点状态下采集得到;所述飞焦点图像为CT设备在飞焦点状态下扫描获得的扫描数据重建得到的图像。
在一些实施例中,所述图像质量优化模型为残差神经网络模型。
在一些实施例中,述基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像包括:获取所述单焦点图像;基于图像质量优化模型处理所述单焦点图像以获得对应的优化图像。
在一些实施例中,所述基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像;所述方法还包括:获取单焦点扫描数据;基于图像质量优化模型处理所述单焦点扫描数据以获得对应的优化扫描数据;基于所述优化扫描数据重建生成优化后的图像。
在一些实施例中,对所述单焦点图像数据进行处理得到高频图像数据及低频图像数据。
在一些实施例中,所述基于所述图像质量优化模型确定所述单焦点图像对应的优化图像,包括:基于所述图像质量优化模型处理所述单焦点图像的高频图像数据以获得优化后的高频图像数据;将所述优化后的高频图像数据与所述单焦点图像的低频图像数据叠加得到所述优化图像数据。
本申请实施例之一提供一种提高CT图像质量的系统,包括:获取模块,用于获取单焦点输入数据,所述单焦点输入数据包括单焦点扫描数据或单焦点图像;所述单焦点扫描数据为CT设备在单焦点状态下采集得到;所述单焦点图像为CT设备在单焦点状态下扫描获得的扫描数据重建得到的图像;图像优化模块,用于基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像;所述优化模型为机器学习模型。
本申请实施例之一提供一种提高CT图像质量的装置,所述装置至少包括一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如前所述的提高CT图像质量的方法。
本申请实施例之一提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如前所述的提高CT图像质量的方法。
附图说明
本申请将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本申请一些实施例所示的图像处理系统的应用场景示意图;
图2是根据本申请一些实施例所示的计算设备的框图。
图3是根据本申请一些实施例所示的提高CT图像质量系统的模块图;
图4是根据本申请一些实施例所示的飞焦点技术的说明性示意图;
图5是根据本申请一些实施例所示的提高CT图像质量的方法的示例性流程图;
图6是根据本申请一些实施例所示的图像质量优化模型的训练方法的示例性流程图;以及
图7是根据本申请一些实施例所示的另一种提高CT图像质量的方法的示例性流程图;
图8为飞焦点图像、优化后图像及单焦点图像的对比图。
具体实施方式
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本申请的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本申请应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模组”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
图1为根据本申请一些实施例所示的图像处理系统的应用场景图。如图1所示,该图像处理系统100可以包括扫描仪110、网络120、终端130、处理设备140和存储设备150。
扫描仪110可以对检测区域内的对象进行扫描,得到该对象的扫描数据。被扫描对象可以是人体的部分器官或组织,如头部等。在一些实施例中,扫描仪110可以是X射线电子计算机断层扫描设备(X-CT)。CT设备可以包括X射线球管、探测器和扫描机架。在一些实施例中,X射线球管可以产生射线,射线穿过人体由探测器接收投影数据。在一些实施例中,CT设备为单焦点CT设备,具有单焦点X射线球管。在一些实施例中,CT设备可以为飞焦点CT设备,具有飞焦点X射线球管。关于飞焦点CT设备的更多描述,可以参见文中其他地方。在一些实施例中,CT设备可以为既具有单焦点状态有具有飞焦点状态的CT设备,CT设备可以实现在单焦点状态和飞焦点状态进行切换。
网络120可以包括有助于图像处理系统100交换信息和/或数据的任何适合的网络。在一些实施例中,图像处理系统100的一个或多个其他组件(例如,扫描仪110、终端130、处理设备140、存储设备150等)可以通过网络120相互交换信息和/或数据。例如,处理设备140可以通过网络120从扫描仪110获取图像数据。又例如,处理设备140可以通过网络120获取来自终端130的用户指令。网络120可以是和/或包括公共网络(例如,互联网)、专用网络(例如,局域网(LAN)、广域网(WAN)等)、有线网络(例如,以太网)、无线网络(例如,802.11网络、Wi-Fi网络等)、蜂窝网络(例如,LTE网络)、帧中继网络、虚拟专用网络(“VPN”)、卫星网络、电话网络、路由器、集线器、转换器、服务器计算机和/或其中的一种或多种的组合。例如,网络120可以包括电缆网络、有线网络、光纤网络、电信网络、局域网、无线局域网(WLAN)、城域网(MAN)、公用电话交换网(PSTN)、蓝牙TM网络、ZigBeeTM网络、近场通信网络(NFC)等中的一种或多种的组合。在一些实施例中,网络120可以包括一个或多个网络接入点。例如,网络120可以包括有线和/或无线网络接入点,如基站和/或网络交换点,系统100的一个或多个组件可以通过其接入到网络120以进行数据和/或信息交换。
在一些实施例中,用户可以通过终端130操作图像处理系统100。终端130可以包括移动设备131、平板电脑132、笔记本电脑133等中的一种或多种的组合。在一些实施例中,移动设备131可以包括智能家庭设备、可穿戴设备、移动设备、虚拟现实设备、增强现实设备等中的一种或多种的组合。在一些实施例中,智能家用设备可以包括智能照明装置、智能电器控制装置、智能监控装置、智能电视、智能摄像机、对讲机等中的一种或多种的组合。在一些实施例中,可穿戴设备可以包括手镯、鞋袜、眼镜、头盔、手表、服装、背包、智能配件等一种或多种的组合。在一些实施例中,移动设备可以包括移动电话、个人数字助理(PDA)、游戏设备、导航设备、销售点(POS)设备、笔记本电脑、平板电脑、台式机等中的一种或多种的组合。在一些实施例中,虚拟现实设备和/或增强现实装置可以包括虚拟现实头盔、虚拟现实眼镜、虚拟现实眼罩、增强现实头盔、增强现实眼镜、增强现实眼罩等中的一种或多种的组合。例如,虚拟现实设备和/或增强现实设备可以包括Google GlassTM、Oculus RiftTM、HololensTM、Gear VRTM等。在一些实施例中,终端130可以是处理设备140的一部分。
处理设备140可以处理从扫描仪110、终端130和/或存储设备150中获得的数据和/或信息。例如,处理设备140可以处理射束投影数据,对投影数据进行优化,以提高扫描图像的成像质量。在一些实施例中,处理设备140可以是一个服务器或一个服务器群组。服务器群组可以是集中式的或者分布式的。在一些实施例中,处理设备140可以是本地的或远程的。例如,处理设备140可以通过网络120访问存储在扫描仪110、终端130和/或存储设备150的信息和/或数据。例如,处理设备140可以直接与扫描仪110、终端130和/或存储设备150连接从而访问其存储的信息和/或数据。在一些实施例中,处理设备140可以在云平台上被执行。例如,云平台可以包括私有云、公有云、混合云、社区云、分布式云、互联云、多重云等种的一种或多种的组合。在一些实施例中,处理设备140可以由具有一个或多个组件的计算设备200(如图2所述)执行。
存储设备150可以存储数据、指令和/或其他信息。在一些实施例中,存储设备150可以存储从终端130和/或处理设备140中获得的数据。在一些实施例中,存储设备150可以存储处理设备140为执行本申请中描述的示例性方法所执行或使用的数据和/或指令。在一些实施例中,存储设备150可以包括大容量存储器、可移动存储器、易失读写存储器、只读存储器(ROM)等中的一种或多种的组合。示例性的大容量存储器可包括磁盘、光盘、固态驱动器等。示例性的可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、拉链盘、磁带等。示例性的易失读写存储器可以包括随机存取存储器(RAM)。示例性的随机存取存储器RAM可以包括动态随机存储器(DRAM)、双数据率同步动态随机存取存储器(DDR SDRAM)、静态随机存取存储器(SRAM)、晶闸管随机存取存储器(T-RAM)和零电容随机存取存储器(Z-RAM)等。示例性的只读存储器(ROM)可以包括掩模只读存储器(MROM)、可编程只读存储器(PROM)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM),光盘只读存储器(CD-ROM)和数字多用途光盘等。在一些实施例中,存储设备150可以在云平台上被执行。例如,云平台可以包括私有云、公共云、混合云、社区云、分布式云、互联云、多重云等种的一种或多种的组合。
在一些实施例中,存储设备150可以连接到网络120以与系统100中的一个或多个其他组件(例如,处理设备140、终端130等)进行通信。图像处理系统100中的一个或多个组件可以通过网络120访问存储在存储设备150中的数据或指令。在一些实施例中,存储设备150可以直接与系统100中的一种或多个其他组件(例如,处理设备140、终端130等)连接或通信。在一些实施例中,存储设备150可以是处理设备140的一部分。
图2是用于实现本申请技术方案的专用系统的示例性计算设备的框图。如图2所示,计算设备200可以包括处理器210、存储器220、输入/输出接口230和通信端口240。
处理器210可以执行计算指令(程序代码)并执行本申请描述的按需服务系统100的功能。所述计算指令可以包括程序、对象、组件、数据结构、过程、模块和功能(所述功能指本申请中描述的特定功能)。例如,处理器210可以处理从图像处理系统100的任何组件获得的图像数据。在一些实施例中,处理器210可以包括微控制器、微处理器、精简指令集计算机(RISC)、专用集成电路(ASIC)、应用特定指令集处理器(ASIP)、中央处理器(CPU)、图形处理单元(GPU)、物理处理单元(PPU)、微控制器单元、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、高级RISC机(ARM)、可编程逻辑器件以及能够执行一个或多个功能的任何电路和处理器等,或其任意组合。仅为了说明,图2中的计算设备200只描述了一个处理器,但需要注意的是本申请中的计算设备200还可以包括多个处理器。
存储器220可以存储从图像处理系统100的任何其他组件获得的数据/信息。在一些实施例中,存储器220可以包括大容量存储器、可移动存储器、易失性读取和写入存储器和只读存储器(ROM)等,或其任意组合。示例性大容量存储器可以包括磁盘、光盘和固态驱动器等。可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘和磁带等。易失性读取和写入存储器可以包括随机存取存储器(RAM)。RAM可以包括动态RAM(DRAM)、双倍速率同步动态RAM(DDR SDRAM)、静态RAM(SRAM)、晶闸管RAM(T-RAM)和零电容(Z-RAM)等。ROM可以包括掩模ROM(MROM)、可编程ROM(PROM)、可擦除可编程ROM(PEROM)、电可擦除可编程ROM(EEPROM)、光盘ROM(CD-ROM)和数字通用盘ROM等。
输入/输出接口230可以用于输入或输出信号、数据或信息。在一些实施例中,输入/输出接口230可以使用户与图像处理系统100进行联系。在一些实施例中,输入/输出接口230可以包括输入装置和输出装置。示例性输入装置可以包括键盘、鼠标、触摸屏和麦克风等中的一种或以上任意组合。示例性输出设备可以包括显示设备、扬声器、打印机、投影仪等,或其任意组合。示例性显示装置可以包括液晶显示器(LCD)、基于发光二极管(LED)的显示器、平板显示器、曲面显示器、电视设备、阴极射线管(CRT)等中的一种或以上任意组合。通信端口240可以连接到网络以便数据通信。所述连接可以是有线连接、无线连接或两者的组合。有线连接可以包括电缆、光缆或电话线等,或其任意组合。无线连接可以包括蓝牙、Wi-Fi、WiMax、WLAN、ZigBee、移动网络(例如,3G、4G或5G等)等中的一种或以上任意组合。在一些实施例中,通信端口240可以是标准化端口,如RS232、RS485等。在一些实施例中,通信端口240可以是专门设计的端口。例如,通信端口240可以根据数字成像和医学通信协议(DICOM)进行设计。
图3是根据本申请一些实施例所示的提高CT图像质量系统的模块图。如图3所示,该提高CT图像质量系统可以包括获取模块310、训练模块320和图像优化模块330。
获取模块310可以用于获取单焦点输入数据。在一些实施例中,单焦点输入数据包括单焦点扫描数据或单焦点图像。在一些实施例中,所述单焦点扫描数据为CT设备在单焦点状态下采集得到。单焦点状态是指X射线球管中阴极发射的电子聚焦后在阳极靶面上的实际焦点是单一固定的。在一些实施例中,单焦点图像数据可以是单焦点状态CT设备获取的是投影数据。例如,可以获取单焦点的投影数据,将单焦点的投影数据处理为优化的投影数据,然后将优化的投影数据进行重建,从而得到优化的断层图像。在一些实施例中,单焦点图像所述单焦点图像为CT设备在单焦点状态下扫描获得的扫描数据重建得到的图像。例如,可以获取单焦点维投影数据生成的断层图像,将单焦点的断层图像数据进行处理,得到优化的断层图像。
训练模块320可以用于通过样本图像训练图像质量优化模型。在一些实施例中,图像质量优化模型可以是经过训练后得到的机器学习模型。在一些实施例中,图像质量优化模型可以是神经网络模型。神经网络模型包括但不限于卷积神经网络(CNN,Convolutionalneural networks)、深度卷积神经网络(DCNN,deep convolutional neural networks)、循环神经网络(RNN,Recurrent neural networks)、反向传播(Back Propagation,BP)神经网络、径向基函数(Radial Basis Function,RBF)神经网络、残差神经网络(Residual neuralnetworks)等。在一些实施例中,分辨率优化模型可以是残差神经网络(Residual neuralnetworks),由若干个卷积块和若干个残差块组成。在一些实施例中,可以将单焦点图像作为训练样本的输入数据集,飞焦点图像作为训练样本的目标数据集,对模型进行训练,得到图像质量模型。在一些实施例中,可以将单焦点扫描数据作为训练样本的输入数据集,飞焦点扫描数据作为训练样本的目标数据集,对模型进行训练,得到图像质量模型。
图像优化模块330可以用于基于图像质量优化模型处理所述单焦点图像数据以获得对应的优化图像。在一些实施例中,图像优化模块330可以将单焦点图像经图像质量模型处理为模拟的飞焦点图像,以达到提高扫描图像质量的目的。飞焦点状态CT设备可以采用飞焦点的X射线球管产生多个焦点的射束,以提高探测器的数据采集量,从而提高CT图像的分辨率。图4为一种飞焦点X射线球管的原理说明图,如图4所示,飞焦点技术就是通过利用磁场使得阴极产生的电子束在阳极靶面上的实际焦点发生偏移,焦点在阳极靶面上不断变化,从而使得探测器在相同的时间内获得的数据量更多。例如,在双焦点CT中,飞跃一次产生两个焦点(A焦点和B焦点),相当于两个探测器的数据量的集合。在一些实施例中,单焦点图像可以为图像质量优化模型的输入,经模型计算后输出优化后的飞焦点模拟图像,达到将单焦点图像优化,提高单焦点图像质量的目的。
应当理解,图3所示的系统及其模块可以利用各种方式来实现。例如,在一些实施例中,系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中,硬件部分可以利用专用逻辑来实现;软件部分则可以存储在存储器中,由适当的指令执行系统,例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现,例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现,也可以用例如由各种类型的处理器所执行的软件实现,还可以由上述硬件电路和软件的结合(例如,固件)来实现。
需要注意的是,以上对于候选项显示、确定系统及其模块的描述,仅为描述方便,并不能把本申请限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。例如,在一些实施例中,例如,图3中披露的获取模块310、训练模块320和图像优化模块330可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,训练模块320和图像优化模块330可以是两个模块,也可以是一个模块同时具有发送和接收功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本申请的保护范围之内。在一些实施例中,可以省略训练模块320,或者将训练模块320移至其他处理设备上实现。
图5所示为根据本申请一些实施例所示的提高CT图像质量的方法示例性流程图。
流程500可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。如图5所示,提高CT图像质量的方法可以包括:
步骤510,可以获取单焦点输入数据。在一些实施例中,步骤510可以由获取模块310执行。在一些实施例中,所述单焦点输入数据包括单焦点扫描数据或单焦点图像。单焦点扫描数据为CT设备在单焦点状态下采集得到。所述单焦点图像为CT设备在单焦点状态下扫描获得的扫描数据重建得到的图像。CT设备的单焦点状态是指X射线球管中阴极发射的电子聚焦后在阳极靶面上的实际焦点是单一固定的。X射线球管产生的射线穿透人体后,被探测器吸收,采集到单焦点扫描数据。将采集到的单焦点扫描数据进行重建(滤波反投影重建算法或迭代重建算法等算法)得到单焦点图像。与CT设备的单焦点状态相对的是飞焦点状态,CT设备的飞焦点状态可以采用飞焦点的X射线球管产生多个焦点的射束,以提高探测器的数据采集量,从而提高CT图像的分辨率。图4为一种飞焦点X射线球管的原理说明图。如图4所示,飞焦点技术就是通过利用磁场使得阴极产生的电子束在阳极靶面上的实际焦点发生偏移,焦点在阳极靶面上不断变化,从而使得探测器在相同的时间内获得的数据量更多。例如,CT设备的飞焦点状态可以是双焦点状态,在X射线球管中电子束飞跃一次产生两个焦点(如图4中的A焦点和B焦点),相当于两个探测器的数据量的集合。在双焦点状态的CT设备中采集单焦点扫描数据可以采集奇数次或偶数次的投影数据。CT设备的飞焦点状态还可以是CT设备的多焦点状态(如四焦点状态),X射线球管中的电子束可以在阳极靶面上产生多个焦点,探测器可以依次采集到多个焦点的扫描数据集。获取其中某一个焦点的数据集可以作为单焦点扫描数据的样本数据。或是以单焦点扫描数据重建得到的单焦点图像为样本数据。本申请的目的就是将CT设备的单焦点状态得到的单焦点扫描数据或图像经过优化处理后,达到飞焦点图像的效果,以提高单焦点图像的图像的分辨率,并减少图像中的伪影,达到提高图像质量的目的。
在一些实施例中,单焦点图像可以是CT设备单焦点状态下获取的单焦点投影数据。例如,可以获取单焦点的投影数据,将单焦点的投影数据处理为优化的投影数据,然后将优化的投影数据进行重建,从而得到优化的断层图像。在一些实施例中,单焦点图像可以是基于通过CT设备单焦点状态下获取的单焦点投影数据重建生成的断层图像。例如,可以获取单焦点投影数据生成的断层图像,将单焦点的断层图像进行处理,得到优化的断层图像。又例如,可以获取多组单焦点的投影数据,重建得到三维的断层图像,将三维的断层图像进行处理,得到优化的三维断层图像。
在步骤520中,可以基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像。在一些实施例中,步骤520可以由图像优化模块330执行。在一些实施例中,图像优化模块330可以将单焦点图像经图像质量优化模型处理模拟为飞焦点图像,以达到提高扫描图像质量的目的。在一些实施例中,图像质量优化模型可以是经过训练后得到的机器学习模型。在一些实施例中,分辨率优化模型可以是是神经网络模型。神经网络模型包括但不限于卷积神经网络(CNN,Convolutional neural networks)、深度卷积神经网络(DCNN,deep convolutional neural networks)、循环神经网络(RNN,Recurrent neuralnetworks)、反向传播(Back Propagation,BP)神经网络、径向基函数(Radial BasisFunction,RBF)神经网络、残差神经网络(Residual neural networks)等。在一些实施例中,图像质量优化模型可以是残差神经网络(Residual neural networks),由若干个卷积块和若干个残差块组成。
在一些实施例中,图像质量优化模型的输入为单焦点图像。模型的输出为优化后的飞焦点模拟图像。在一些实施例中,模型的输入可以是单焦点投影数据,对应的模型的输出可以是模拟的飞焦点投影数据。在一些实施例中,单焦点图像可以是单焦点图像的各个像素点的像素值。在一些实施例中,可以根据经验和计算要求对图像质量优化模型中的超参数进行预先设置。例如,图像质量优化模型可以将输入的图像或扫描数据进行分块处理,对每一块图像或扫描数据进行分别计算,分块的数量可以根据经验和输入数据数量进行设置。
图6所示为根据本申请一些实施例所示的图像质量优化模型的训练方法示例性流程图。
流程600可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。如图6所示,分辨率优化模型的训练方法可以包括:
步骤610,可以获取多个飞焦点图像或飞焦点扫描数据作为训练样本。在一些实施例中,步骤610可以由训练模块320执行。在一些实施例中,训练样本可以包括飞焦点扫描数据以及对应的单焦点扫描数据。所述飞焦点扫描数据为CT设备在飞焦点状态下采集得到。在一些实施例中,训练样本可以包括飞焦点图像以及对应的单焦点图像。在一些实施例中,所述飞焦点图像为CT设备在飞焦点状态下扫描获得的扫描数据重建得到的图像。在一些实施例中,可以将飞焦点图像中的某个焦点的图像作为训练样本中的单焦点图像。例如,在双焦点状态的CT设备中,单焦点图像可以是探测器奇数次或偶数次采集的投影数据重建得到的单焦点图像。在多焦点状态的CT设备中,可以获取其中某一个焦点的扫描数据重建为单焦点图像。
步骤620中,可以基于所述训练样本对机器模型进行训练,确定所述图像质量优化模型。在一些实施例中,步骤620可以由训练模块320执行。在一些实施例中,可以将单焦点图像作为训练样本的输入数据集,飞焦点图像作为训练样本的目标数据集,对模型进行训练,得到图像质量优化模型。在一些实施例中,训练样本可以是飞焦点的投影数据和单焦点的投影数据,训练好的模型可以用于优化单焦点投影数据。再基于优化后投影数据重建生成优化的断层图像。
在一些实施例中,训练样本可以是多个某特定方向的飞焦点数据和多个所述单焦点数据。在一些实施例中,某特定方向的飞焦点数据是指球管中电子束的焦点在靶材上沿着某一方向来回运动。例如,X方向飞焦点可以是焦点在靶材上沿着垂直于断层的方向上来回移动。Z方向飞焦点可以是焦点在靶材上沿着平行于移动床的Z方向(参见图4中的坐标方向)来回移动。在一些实施例中,可以将单焦点数据作为输入数据集,将某特定方向的飞焦点断层图像数据做为目标数据集,对模型进行训练得到可以优化该特定方向图像数据的优化模型,提高断层图像中该特定方向上的图像质量。例如,如图4所示,Y方向可以是球管与探测器中心位置的连线方向,X方向可以是探测器通道的延伸方向,Z方向可以是床移动方向。如果想优化Z方向上的断层图像,可以获取Z方向的飞焦点断层图像(由多张Z方向飞焦点投影数据重建得到)和单焦点断层图像,对模型进行训练,得到Z方向图像质量优化模型。在应用时,可以将单焦点断层图像输入到Z方向图像质量优化模型中,输出得到Z方向优化后的断层图像。
图7所示为根据本申请一些实施例所示的另一种图像质量优化的方法示例性流程图。
流程700可以通过处理逻辑来执行,该处理逻辑可以包括硬件(例如,电路、专用逻辑、可编程逻辑、微代码等)、软件(运行在处理设备上以执行硬件模拟的指令)等或其任意组合。如图7所示,另一种图像质量优化的方法可以包括:
步骤710,可以对所述单焦点图像进行处理得到高频图像数据及低频图像数据。在一些实施例中,步骤710可以由图像优化模块330执行。由于射线穿过人体后,不同密度的组织的射线衰减系数不同,导致CT值不同(例如,骨头的CT值较高)。为了避免模型对CT值较大的数据关注度较高,而使CT值较低的组织表现不足,可以先将输入的单焦点图像进行滤波处理,得到图像中的高频图像数据及低频图像数据,只对高频图像数据进行优化。在一些实施例中,滤波处理可以包括低通滤波、平滑滤波、高通滤波(可直接提取高频图像数据)、噪声滤波、带阻滤波等方式中的一种或几种的组合。例如,可以采用低通滤波器得到单焦点图像的低频图像数据,再将原始单焦点图像与低频图像数据进行减法运算,得到原始单焦点图像的高频图像数据。或是,可以采用高通滤波器得到单焦点图像的高频图像数据,再将原始单焦点图像数据与高频图像数据进行减法运算,得到原始单焦点图像的低频图像数据。
步骤720,可以基于所述图像质量优化模型处理所述单焦点图像的高频图像数据以获得优化后的高频图像数据。在一些实施例中,步骤720可以由图像优化模块330执行。在一些实施例中,分辨率优化模型可以是训练好的机器学习模型。训练样本可以是一定数量的飞焦点图像的高频图像数据,以及单焦点图像的高频图像数据。在一些实施例中,飞焦点图像的高频图像数据可以由飞焦点状态采集的飞焦点图像数据经过滤波处理后,得到的飞焦点图像的高频图像数据。单焦点图像的高频图像数据可以是飞焦点状态设备采集的某一个焦点的图像作为单焦点图像,再将该单焦点图像经过滤波处理后得到的单焦点高频图像数据。在一些实施例中,应用训练好的图像质量优化模型优化原始图像的高频图像数据时,可以获取单焦点状态设备采集的单焦点图像数据,将单焦点图像经过滤波处理得到的高频图像数据作为模型输入,经图像质量优化模型处理输出得到优化的高频图像数据。
步骤730,可以将所述优化后的高频图像数据与所述单焦点图像的低频图像数据叠加得到所述优化图像。在一些实施例中,步骤720可以由图像优化模块330执行。
图8为飞焦点图像、优化后图像及单焦点图像的对比图。其中,最右侧图像为飞焦点状态得到的飞焦点图像,最左侧图像为某单一焦点状态得到的单焦点图像,中间图像为左侧单焦点图像优化处理后得到的优化图像。对比可见,优化后图像(中间图像)条形伪影明显减少(如箭头所指部分),骨头结构的分辨率明显提高,噪声颗粒度变得更细腻(如圆圈中部分)。如图,单焦点图像中像素标准差SD=65.22,优化后图像像素标准差SD=72.3,飞焦点图像像素标准差SD=81.78,优化后图像像素标准差SD值明显大于单焦点的SD值,优化后的SD值与飞焦点图像的SD值接近。较大的SD值在一定程度上意味着图像中的高频信息更丰富,图像分辨率更大,细节表现更佳。
应当注意的是,上述有关流程700的描述仅仅是为了示例和说明,而不限定本申请的适用范围。对于本领域技术人员来说,在本申请的指导下可以对流程700进行各种修正和改变。然而,这些修正和改变仍在本申请的范围之内。
本申请实施例可能带来的有益效果包括但不限于:(1)提高单焦点图像的图像质量,同时不增加设备成本;(2)可对单焦点图像中的高频图像数据进行优化处理,有利于提高骨骼结构的成像质量。需要说明的是,不同实施例可能产生的有益效果不同,在不同的实施例里,可能产生的有益效果可以是以上任意一种或几种的组合,也可以是其他任何可能获得的有益效果。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本申请的限定。虽然此处并没有明确说明,本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议,所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。
同时,本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号,例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式,包括电磁形式、光形式等,或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质,该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播,包括无线电、电缆、光纤电缆、RF、或类似介质,或任何上述介质的组合。
本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写,包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等,常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP,动态编程语言如Python、Ruby和Groovy,或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下,远程计算机可以通过任何网络形式与用户计算机连接,比如局域网(LAN)或广域网(WAN),或连接至外部计算机(例如通过因特网),或在云计算环境中,或作为服务使用如软件即服务(SaaS)。
此外,除非权利要求中明确说明,本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本申请披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本申请实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外,对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是,如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方,以本申请的描述、定义和/或术语的使用为准。
最后,应当理解的是,本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此,作为示例而非限制,本申请实施例的替代配置可视为与本申请的教导一致。相应地,本申请的实施例不仅限于本申请明确介绍和描述的实施例。
Claims (10)
1.一种提高CT图像质量的方法,其特征在于,包括:
获取单焦点输入数据,所述单焦点输入数据包括单焦点扫描数据或单焦点图像;所述单焦点扫描数据为CT设备在单焦点状态下采集得到;所述单焦点图像为CT设备在单焦点状态下扫描获得的扫描数据重建得到的图像;
基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像;所述优化模型为机器学习模型。
2.如权利要求1所述的方法,其特征在于,所述图像质量优化模型通过样本数据训练获得,所述样本数据包括飞焦点扫描数据或飞焦点图像;所述飞焦点扫描数据为CT设备在飞焦点状态下采集得到;所述飞焦点图像为CT设备在飞焦点状态下扫描获得的扫描数据重建得到的图像。
3.如权利要求1所述的方法,其特征在于,
所述图像质量模型为残差神经网络模型。
4.如权利要求1所述的方法,其特征在于,所述基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像包括:
获取所述单焦点图像;
基于图像质量优化模型处理所述单焦点图像以获得对应的优化图像。
5.如权利要求1所述的方法,其特征在于,所述基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像;
所述方法还包括:
获取单焦点扫描数据;
基于图像质量优化模型处理所述单焦点扫描数据以获得对应的优化扫描数据;
基于所述优化扫描数据重建生成优化后的图像。
6.如权利要求1所述的方法,其特征在于,还包括:
对所述单焦点图像进行处理得到高频图像数据及低频图像数据。
7.如权利要求6所述的方法,其特征在于,所述基于所述图像质量模型确定所述单焦点图像对应的优化图像,包括:
基于所述图像质量模型处理所述单焦点图像的高频图像数据以获得优化后的高频图像数据;
将所述优化后的高频图像数据与所述单焦点图像的低频图像数据叠加得到所述优化图像。
8.一种提高CT图像质量的系统,其特征在于,包括:
获取模块,用于获取单焦点输入数据,所述单焦点输入数据包括单焦点扫描数据或单焦点图像;所述单焦点扫描数据为CT设备在单焦点状态下采集得到;所述单焦点图像为CT设备在单焦点状态下扫描获得的扫描数据重建得到的图像;
图像优化模块,用于基于图像质量优化模型处理所述单焦点输入数据以获得对应的优化图像;所述优化模型为机器学习模型。
9.一种提高CT图像质量的装置,其特征在于,所述装置至少包括一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1~7中任一项所述的提高CT图像质量的方法。
10.一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1~7任一项所述的提高CT图像质量的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476005.4A CN110176047B (zh) | 2019-06-03 | 2019-06-03 | 一种提高ct图像质量的方法和系统 |
US16/891,084 US11410351B2 (en) | 2019-06-03 | 2020-06-03 | Method and system for improving CT image quality |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910476005.4A CN110176047B (zh) | 2019-06-03 | 2019-06-03 | 一种提高ct图像质量的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110176047A true CN110176047A (zh) | 2019-08-27 |
CN110176047B CN110176047B (zh) | 2022-12-06 |
Family
ID=67697639
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910476005.4A Active CN110176047B (zh) | 2019-06-03 | 2019-06-03 | 一种提高ct图像质量的方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11410351B2 (zh) |
CN (1) | CN110176047B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145279A (zh) * | 2019-12-02 | 2020-05-12 | 东软医疗系统股份有限公司 | 数据处理方法、装置及设备 |
CN113689342A (zh) * | 2020-05-18 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 一种图像质量优化的方法及系统 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023117447A1 (en) * | 2021-12-20 | 2023-06-29 | Koninklijke Philips N.V. | Processing projection data produced by a computed tomography scanner |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
CN109685877A (zh) * | 2018-12-27 | 2019-04-26 | 重庆大学 | 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 |
CN109712208A (zh) * | 2018-12-13 | 2019-05-03 | 深圳先进技术研究院 | 基于深度学习的大视野磁共振扫描图像重建方法和装置 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060217782A1 (en) * | 1998-10-26 | 2006-09-28 | Boveja Birinder R | Method and system for cortical stimulation to provide adjunct (ADD-ON) therapy for stroke, tinnitus and other medical disorders using implantable and external components |
US7852979B2 (en) * | 2007-04-05 | 2010-12-14 | General Electric Company | Dual-focus X-ray tube for resolution enhancement and energy sensitive CT |
JP5727277B2 (ja) * | 2010-04-06 | 2015-06-03 | 株式会社東芝 | X線ct装置 |
KR20130073727A (ko) * | 2011-12-23 | 2013-07-03 | 삼성전자주식회사 | 복수개의 엑스레이의 초점을 획득하기 위한 방법 및 장치 |
US20150363904A1 (en) * | 2013-01-30 | 2015-12-17 | Japan Science And Technology Agency | Digital filter for image processing, image processing apparatus, printing medium, recording medium, image processing method, and program |
CN104978717A (zh) * | 2015-06-11 | 2015-10-14 | 沈阳东软医疗系统有限公司 | Ct重建图像的处理方法、装置及设备 |
US10702221B2 (en) * | 2015-12-25 | 2020-07-07 | Shanghai United Imaging Healthcare Co., Ltd. | Methods and systems for CT balance measurement and adjustment |
CN110337673B (zh) * | 2017-01-05 | 2023-10-20 | 通用电气公司 | 基于深度学习的在断层摄影重建中估计数据的方法和系统 |
US10602993B2 (en) * | 2018-05-18 | 2020-03-31 | FMI Medical Systems Co., Ltd. | Image reconstruction for Z-flying focal spot tomography |
-
2019
- 2019-06-03 CN CN201910476005.4A patent/CN110176047B/zh active Active
-
2020
- 2020-06-03 US US16/891,084 patent/US11410351B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019019199A1 (en) * | 2017-07-28 | 2019-01-31 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR IMAGE CONVERSION |
CN109712208A (zh) * | 2018-12-13 | 2019-05-03 | 深圳先进技术研究院 | 基于深度学习的大视野磁共振扫描图像重建方法和装置 |
CN109685877A (zh) * | 2018-12-27 | 2019-04-26 | 重庆大学 | 一种基于自适应投影图像特征区域匹配的微纳ct焦点漂移校正方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111145279A (zh) * | 2019-12-02 | 2020-05-12 | 东软医疗系统股份有限公司 | 数据处理方法、装置及设备 |
CN111145279B (zh) * | 2019-12-02 | 2023-04-07 | 东软医疗系统股份有限公司 | 数据处理方法、装置及设备 |
CN113689342A (zh) * | 2020-05-18 | 2021-11-23 | 上海联影医疗科技股份有限公司 | 一种图像质量优化的方法及系统 |
CN113689342B (zh) * | 2020-05-18 | 2024-04-02 | 上海联影医疗科技股份有限公司 | 一种图像质量优化的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110176047B (zh) | 2022-12-06 |
US11410351B2 (en) | 2022-08-09 |
US20200380737A1 (en) | 2020-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110060313A (zh) | 一种图像伪影校正方法和系统 | |
CN109727663A (zh) | 生成用于图像处理的神经网络模型的系统和方法 | |
CN110176047A (zh) | 一种提高ct图像质量的方法和系统 | |
CN107992817A (zh) | 自动成像方法和系统 | |
CN108030502A (zh) | 用于空气校正的系统和方法 | |
CN109271992A (zh) | 一种医学图像处理方法、系统、装置和计算机可读存储介质 | |
US20210049795A1 (en) | Systems and methods for medical imaging | |
CN112368738B (zh) | 用于图像优化的系统和方法 | |
CN109009199A (zh) | 用于正电子发射断层扫描中的图像数据处理的系统和方法 | |
CN107844800A (zh) | 一种全脊椎最佳矢状位的确定系统、方法及装置 | |
CN106691486A (zh) | 医学成像系统及方法 | |
CN107330951B (zh) | 图像重建系统及方法 | |
CN109215094B (zh) | 相位衬度图像生成方法及系统 | |
CN111462020A (zh) | 心脏图像的运动伪影校正方法、系统、存储介质和设备 | |
CN107886553A (zh) | 图像重建系统和方法 | |
CN109712217A (zh) | 一种医学图像可视化方法和系统 | |
US11842465B2 (en) | Systems and methods for motion correction in medical imaging | |
CN108389242A (zh) | 投影图像的校正方法及装置 | |
CN109998578A (zh) | 预测计算机断层成像的空气校正表的方法和装置 | |
CN108921913A (zh) | 图像重建的系统及方法 | |
CN109658470A (zh) | 生成图像的系统和方法 | |
CN109671033A (zh) | 一种图像暗场校正方法和系统 | |
Su et al. | A deep learning method for eliminating head motion artifacts in computed tomography | |
CN108022216A (zh) | 一种降低mpr伪影的系统和方法 | |
US20240037762A1 (en) | Systems and methods for image processing |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant after: Shanghai Lianying Medical Technology Co.,Ltd. Address before: 201807 Shanghai City, north of the city of Jiading District Road No. 2258 Applicant before: SHANGHAI UNITED IMAGING HEALTHCARE Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |