CN110211194A - 一种基于深度学习去除稀疏角度ct成像伪影的方法 - Google Patents
一种基于深度学习去除稀疏角度ct成像伪影的方法 Download PDFInfo
- Publication number
- CN110211194A CN110211194A CN201910426263.1A CN201910426263A CN110211194A CN 110211194 A CN110211194 A CN 110211194A CN 201910426263 A CN201910426263 A CN 201910426263A CN 110211194 A CN110211194 A CN 110211194A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- sino
- convolution
- size
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 10
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000001537 neural effect Effects 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000009877 rendering Methods 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000003780 insertion Methods 0.000 claims description 3
- 230000037431 insertion Effects 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 abstract description 6
- 230000000007 visual effect Effects 0.000 abstract 1
- 238000005070 sampling Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000000711 cancerogenic effect Effects 0.000 description 1
- 231100000315 carcinogenic Toxicity 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- 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
- G06T2207/20—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]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明属于X射线CT成像技术领域,提供一种基于深度学习去除稀疏角度CT成像伪影的方法,包括(1)生成神经网络训练数据:首先将全角度CT图像做全角度采集,得到Full_Sino图像,然后每隔一段固定的行间距进行抽取,生成Spare_Sino图像;(2)将生成好的Spare_Sino图像按3张或多张为一组生成3D图像作为训练数据,将全角度CT图像作为标签数据,一起送入到神经网络中进行训练;(3)在真实情况下采集一周共45个角度的Spare_Sino图像;(4)将采集到的Spare_Sino图像3张或多张为一组数据送入到训练好的神经网络当中,神经网络处理后输出去除伪影的CT图像。本发明方法可以有效的去除由于采样稀疏而导致的伪影,提升了图像的视觉质量。
Description
技术领域
本发明属于X射线CT成像技术领域,具体涉及一种基于深度学习去除稀疏角度CT成像伪影的方法。
背景技术
X射线计算机断层成像技术是一种利用了物体对X射线吸收的特性,使用单一轴面的X射线对检测物体进行旋转扫描,由探测器接收穿过检测物体的X射线,转变成电信号,再经过模拟/数字转换元件转换成数字信号(正弦图),使用计算机对采集到的数字信号进行重建获取物体内部信息的一种技术。这种技术被广泛应用于医学成像领域对病人进行扫描诊断。
由于X射线是一种波长短、能量大的电磁波,当x射线照射到生物体时,可以使机体内部细胞受到抑制、破坏,并可导致机体发生病变。经过研究发现x射线照射的越多,致癌的风险也就越大,其能穿透细胞破坏DNA,甚至诱发癌变。为了减少病人受到的伤害,目前使用最广泛的两种方法就是降低x射线的照射剂量和减少x射线的照射角度。由傅里叶切片定理可知,采样角度的不充分会造成傅里叶频谱外围的欠采样,从而导致了CT重建后的图像带有明显的伪影。
已有的降低CT稀疏角度重建伪影的方法为迭代法,其基本原理为: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式上探测器获得的可能的计数(即正弦图),再利用稀疏优化模型来迭代求解这些未知的“像素”进行重建优化,从而达到获取高质量图像的目的。
迭代重建算法的缺点:重建时间长,计算复杂在临床过程当中无法及时的获取数据,另外迭代会改变图像噪声的功率谱,导致了图像观察上的塑胶感。
发明内容
本发明的目的在于克服上述现有技术中的不足,提供一种基于深度学习去除稀疏角度CT成像伪影的方法,可以有效的去除由于采样稀疏而导致的伪影,提升了图像的视觉质量。
本发明阐述中用到的术语、英文以及英文简写解释:
正弦图(Sino图):CT成像领域由X射线探测器采集到的原始2维数据,其中一维为采集角度,一维为探测器单元读数(既投影数据),因其图像随角度维变化呈现正弦相似形状,故称作:正弦图,英文为Sinogram。
正投影:X射线沿光路穿过检测物体后投射在探测器上的一串数值。
反投影:与正投影相反的操作,在原投影路径上,把当前投影值,均匀的回抹。
反投影域:所有反投影图像构成的域。
全角度采集:CT扫描一周360度采集360个投影,每旋转1度采集一幅投影。也有一周采集720个投影的情况,只要一周采集的投影足够多,不产生明显的伪影,即可认为是全角度采集。
少角度采集:CT扫描一周360度采集的投影不足360幅,通常此种情况下,直接重建,存在严重的伪影。
特征图像:卷积神经网络某一层的卷积核Ki(i=1,2,..N)对上一层输入的数据进行卷积后得到的相应的图像,叫做本层的第i个特征图。
本发明的发明目的是通过以下技术方案实现的。
一种基于深度学习去除稀疏角度CT成像伪影的方法,包括以下步骤:
(1)生成神经网络训练数据:首先将全角度CT图像做全角度采集,得到Full_Sino图像,然后每隔一段固定的行间距进行抽取,生成Spare_Sino图像,其中,行间距设置为3~8行;
(2)训练神经网络:将生成好的Spare_Sino图像按3张或多张为一组生成3D图像作为训练数据,将全角度CT图像作为标签数据,一起送入到神经网络中进行训练;
(3)采集数据:在真实情况下采集一周共45个角度的Spare_Sino图像;
(4)输出最终图像:将采集到的Spare_Sino图像3张或多张为一组数据送入到训练好的神经网络当中,神经网络处理后输出去除伪影的CT图像。
在实际使用条件下因卷积神经网络已经提前训练完成,所以可以直接运用,降伪影的过程非常迅速。现详细描述本发明的卷积神经网络结构。
在本发明的神经网络中自定义了OP(即解析域变换模块)函数,用来将投影域和反投影域联系起来,主要目的是使神经网络在反投影域和投影域上联合降噪从而达到更好的成像效果。
在上述技术方案中,步骤(1)的神经网络的具体结构如下:
投影域网络的滤波过程说明:第一层卷积神经网络的输入图像尺寸与网络的输入图像尺寸相同,输入图像的尺寸记为[900×848×3],因为卷积时采用stride=1模式等采样卷积,所以各部分卷积层的图像大小都为[900×848×3]。
网络的CT重建过程说明:网络通过嵌入FBP重建算法来达到连接反投影域图像和投影域图像的效果,输入重建所需要的参数后网络可以自动的对训练数据进行重建计算,重建出的图像尺寸定为[512×512×3]。
反投影域的降伪影过程说明:网络在卷积时同样适用stride=1模式等采样卷积,卷积函数采用三维卷积核进行卷积,输出图像尺寸为[512×512×3]。
由于正投影域和反投影域图像结构的差别,两种域的网络分别使用不同大小的卷积核,正投影域网络结构中各个卷积层采用的卷积核大小,可以选取为(1x30)、(1x50)、(1x70)等,卷积核大小不限以上所列大小,但卷积核的形状(a x b)必须满足b>>a以保障在降噪的同时对投影域图像达到滤波的效果。反投影域网络结构中各个卷积层采用的卷积核大小,可以选取(3x3x3)、(5x5x5)、(7x7x7)等。各个卷积模块以及模块内部卷积层的输入输出特征图像数目,可以选取8、16、32、64等。各个卷积模块以及模块内部卷积层的激活函数选取leaky_relu。
本发明技术方案与现有技术相比,具有下列有益效果:
1.本发明采用投影域和反投影域结合的卷积神经网络,可以迅速降低稀疏采集角度下的成像伪影和图像噪声,整个过程简单、快速。
2.本发明采用投影域和反投影域结合的卷积神经网络具有灵活的可配置扩展的结构。
3.本发明使用的深度卷积神经网络可以针对不同稀疏角度的数据进行降伪影训练,可以应用于去除不同稀疏角度的噪声。
附图说明
图1为本发明中生成训练数据及稀疏角度CT图像的流程图。
图2为本发明中全角度(左)和稀疏角度(右)采集后的正弦图反投影生成的CT图像。
图3为本发明中卷积神经网络结构图。
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白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1
本实施例全角度采集360个角度,稀疏角度为45个采集角度,抽取行间距360÷45=8行。
(1)生成神经网络训练数据: 训练数据按图1所示生成,首先将全角度CT图像做全角度采集,得到Full_Sino图像,然后每隔8行抽取一行生成Spare_Sino图像用于模拟稀疏角度下的数据采集效果;
其中,Full_Sino和隔8行抽取后的Spare_Sino反投影生成的CT图像如图2所示。
(2)训练神经网络:将全角度CT图像和Spare_Sino图像分别作为标签图像和训练图像并各以3张为一组送入到神经网络中进行训练。
(3)采集实验数据:在真实情况下采集一周共45个角度的Spare_Sino图像。
(4)输出最终图像:将实验采集到的Spaer_Sino图像3张为一组送入到训练好的神经网络当中,神经网络处理后输出去除伪影的CT图像。
在本实施例的神经网络中自定义了OP(即解析域变换模块)函数,用来将投影域和反投影域联系起来,主要目的就是可以使神经网络可以联合反投影域图像和投影域图像联合降噪、滤波从而达到更好的成像效果。
如图3所示,卷积神经网络结构如下。
投影域网络的滤波过程说明:第一层卷积神经网络的输入图像尺寸与网络的输入图像尺寸相同,输入图像的尺寸记为[900×848×3],因为卷积时采用stride=1模式等采样卷积,所以各部分卷积层的图像大小都为[900×848×3]。
网络的CT重建过程说明:网络通过嵌入FBP重建算法来达到连接反投影域图像和投影域图像的效果,输入重建所需要的参数后网络可以自动的对训练数据进行重建计算,重建出的图像尺寸定为[512×512×3]。
反投影域的降伪影过程说明:网络在卷积时同样适用stride=1模式等采样卷积,卷积函数采用三维卷积核进行卷积,输出图像尺寸为[512×512×3]。
由于正投影域和反投影域图像结构的差别,两种域的网络分别使用不同大小的卷积核,正投影域网络结构中各个卷积层采用的卷积核大小,可以选取为(1x30)、(1x50)、(1x70)等,卷积核大小不限以上所列大小,但卷积核的形状(a x b)必须满足b>>a以保障在降噪的同时对投影域图像达到滤波的效果。反投影域网络结构中各个卷积层采用的卷积核大小,可以选取(3x3x3)、(5x5x5)、(7x7x7)等。各个卷积模块以及模块内部卷积层的输入输出特征图像数目,可以选取8、16、32、64等。各个卷积模块以及模块内部卷积层的激活函数选取leaky_relu。
本发明已经通过实验,并已在实验室的服务器上成功验证,效果理想。
本说明书中未作详细描述的内容,属于本专业技术人员公知的现有技术。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于深度学习去除稀疏角度CT成像伪影的方法,其特征在于该方法包括以下步骤:
(1)生成神经网络训练数据:首先将全角度CT图像做全角度采集,得到Full_Sino图像,然后每隔一段固定的行间距进行抽取,生成Spare_Sino图像;
(2)训练神经网络:将生成好的Spare_Sino图像按3张或多张为一组生成3D图像作为训练数据,将全角度CT图像作为标签数据,一起送入到神经网络中进行训练;
(3)采集数据:在真实情况下采集一周共45个角度的Spare_Sino图像;
(4)输出最终图像:将采集到的Spare_Sino图像3张或多张为一组数据送入到训练好的神经网络当中,神经网络处理后输出去除伪影的CT图像。
2.根据权利要求1所述的基于深度学习去除稀疏角度CT成像伪影的方法,其特征在于:步骤(1)的行间距设置为3~8行。
3.根据权利要求1所述的基于深度学习去除稀疏角度CT成像伪影的方法,其特征在于:步骤(1)的神经网络中自定义了解析域变换模块函数,用来将投影域和反投影域联系起来。
4.根据权利要求1所述的基于深度学习去除稀疏角度CT成像伪影的方法,其特征在于步骤(1)的神经网络的具体结构如下:
投影域网络的滤波过程:第一层卷积神经网络的输入图像尺寸与网络的输入图像尺寸相同,输入图像的尺寸记为[900×848×3],卷积时采用stride=1模式,所以各部分卷积层的图像大小都为[900×848×3];
网络的CT重建过程:网络通过嵌入FBP重建算法来达到连接反投影域图像和投影域图像的效果,输入重建所需要的参数后网络可以自动的对训练数据进行重建计算,重建出的图像尺寸定为[512×512×3];
反投影域的降伪影过程:网络在卷积时同样适用stride=1模式,卷积函数采用三维卷积核进行卷积,输出图像尺寸为[512×512×3];
由于正投影域和反投影域图像结构的差别,两种域的网络分别使用不同大小的卷积核,正投影域网络结构中各个卷积层采用的卷积核大小,选取为(1x30)、(1x50)、或(1x70),卷积核大小不限以上所列大小,但卷积核的形状(a x b)必须满足b>>a以保障在降噪的同时对投影域图像达到滤波的效果;反投影域网络结构中各个卷积层采用的卷积核大小,选取(3x3x3)、(5x5x5)、或(7x7x7),各个卷积模块以及模块内部卷积层的输入输出特征图像数目,选取8、16、32、或64,各个卷积模块以及模块内部卷积层的激活函数选取leaky_relu。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910426263.1A CN110211194A (zh) | 2019-05-21 | 2019-05-21 | 一种基于深度学习去除稀疏角度ct成像伪影的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910426263.1A CN110211194A (zh) | 2019-05-21 | 2019-05-21 | 一种基于深度学习去除稀疏角度ct成像伪影的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110211194A true CN110211194A (zh) | 2019-09-06 |
Family
ID=67788198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910426263.1A Pending CN110211194A (zh) | 2019-05-21 | 2019-05-21 | 一种基于深度学习去除稀疏角度ct成像伪影的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110211194A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110751701A (zh) * | 2019-10-18 | 2020-02-04 | 北京航空航天大学 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
CN111009019A (zh) * | 2019-09-27 | 2020-04-14 | 北京航空航天大学 | 基于深度学习的微分相衬ct不完备数据重建方法 |
CN111223161A (zh) * | 2020-01-02 | 2020-06-02 | 京东数字科技控股有限公司 | 一种图像重建方法、装置及存储介质 |
CN112581554A (zh) * | 2019-09-30 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 一种ct成像方法、装置、存储设备及医学成像系统 |
CN112669401A (zh) * | 2020-12-22 | 2021-04-16 | 中北大学 | 基于卷积神经网络的ct图像重建方法及系统 |
CN113554570A (zh) * | 2021-08-04 | 2021-10-26 | 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 |
WO2022032445A1 (zh) * | 2020-08-10 | 2022-02-17 | 深圳高性能医疗器械国家研究院有限公司 | 一种重建神经网络及其应用 |
CN114723842A (zh) * | 2022-05-24 | 2022-07-08 | 之江实验室 | 基于深度融合神经网络的稀疏视角ct成像方法和设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221392A (zh) * | 2011-03-31 | 2011-10-19 | 武汉理工大学 | 基于磁耦合和光纤对阵列的液位测量方法 |
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 |
CN105488826A (zh) * | 2015-12-17 | 2016-04-13 | 首都师范大学 | 一种基于fbp的能谱ct迭代成像方法和成像系统 |
CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
US20190035116A1 (en) * | 2017-07-25 | 2019-01-31 | Tsinghua University | Method and device for reconstructing ct image and storage medium |
CN109509235A (zh) * | 2018-11-12 | 2019-03-22 | 深圳先进技术研究院 | Ct图像的重建方法、装置、设备及存储介质 |
CN109559359A (zh) * | 2018-09-27 | 2019-04-02 | 东南大学 | 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法 |
-
2019
- 2019-05-21 CN CN201910426263.1A patent/CN110211194A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221392A (zh) * | 2011-03-31 | 2011-10-19 | 武汉理工大学 | 基于磁耦合和光纤对阵列的液位测量方法 |
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 |
CN105488826A (zh) * | 2015-12-17 | 2016-04-13 | 首都师范大学 | 一种基于fbp的能谱ct迭代成像方法和成像系统 |
US20190035116A1 (en) * | 2017-07-25 | 2019-01-31 | Tsinghua University | Method and device for reconstructing ct image and storage medium |
CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
CN108898642A (zh) * | 2018-06-01 | 2018-11-27 | 安徽工程大学 | 一种基于卷积神经网络的稀疏角度ct成像方法 |
CN109559359A (zh) * | 2018-09-27 | 2019-04-02 | 东南大学 | 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法 |
CN109509235A (zh) * | 2018-11-12 | 2019-03-22 | 深圳先进技术研究院 | Ct图像的重建方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
石本义等: "CT断层重建中滤波函数设计的新方法", 《CT 理论与应用研究》, pages 35 - 42 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111009019A (zh) * | 2019-09-27 | 2020-04-14 | 北京航空航天大学 | 基于深度学习的微分相衬ct不完备数据重建方法 |
CN111009019B (zh) * | 2019-09-27 | 2021-07-16 | 北京航空航天大学 | 基于深度学习的微分相衬ct不完备数据重建方法 |
CN112581554A (zh) * | 2019-09-30 | 2021-03-30 | 中国科学院深圳先进技术研究院 | 一种ct成像方法、装置、存储设备及医学成像系统 |
CN112581554B (zh) * | 2019-09-30 | 2024-02-27 | 中国科学院深圳先进技术研究院 | 一种ct成像方法、装置、存储设备及医学成像系统 |
CN110751701A (zh) * | 2019-10-18 | 2020-02-04 | 北京航空航天大学 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
CN111223161A (zh) * | 2020-01-02 | 2020-06-02 | 京东数字科技控股有限公司 | 一种图像重建方法、装置及存储介质 |
CN111223161B (zh) * | 2020-01-02 | 2024-04-12 | 京东科技控股股份有限公司 | 一种图像重建方法、装置及存储介质 |
WO2022032445A1 (zh) * | 2020-08-10 | 2022-02-17 | 深圳高性能医疗器械国家研究院有限公司 | 一种重建神经网络及其应用 |
CN112669401B (zh) * | 2020-12-22 | 2022-08-19 | 中北大学 | 基于卷积神经网络的ct图像重建方法及系统 |
CN112669401A (zh) * | 2020-12-22 | 2021-04-16 | 中北大学 | 基于卷积神经网络的ct图像重建方法及系统 |
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 |
CN113554570A (zh) * | 2021-08-04 | 2021-10-26 | 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 |
CN114723842A (zh) * | 2022-05-24 | 2022-07-08 | 之江实验室 | 基于深度融合神经网络的稀疏视角ct成像方法和设备 |
CN114723842B (zh) * | 2022-05-24 | 2022-08-23 | 之江实验室 | 基于深度融合神经网络的稀疏视角ct成像方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110211194A (zh) | 一种基于深度学习去除稀疏角度ct成像伪影的方法 | |
Hu et al. | Artifact correction in low‐dose dental CT imaging using Wasserstein generative adversarial networks | |
Zhang et al. | Image prediction for limited-angle tomography via deep learning with convolutional neural network | |
CN111627082B (zh) | 基于滤波反投影算法和神经网络的pet图像重建方法 | |
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 | |
Niu et al. | Noise suppression with similarity-based self-supervised deep learning | |
Xie et al. | Deep efficient end-to-end reconstruction (DEER) network for few-view breast CT image reconstruction | |
CN112085829A (zh) | 基于神经网络的螺旋ct图像重建方法和设备及存储介质 | |
De Man et al. | A two‐dimensional feasibility study of deep learning‐based feature detection and characterization directly from CT sinograms | |
Han et al. | A dual-encoder-single-decoder based low-dose CT denoising network | |
Xue et al. | LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks | |
Zhu et al. | Metal artifact reduction for X-ray computed tomography using U-net in image domain | |
Gong et al. | Image reconstruction model for limited-angle CT based on prior image induced relative total variation | |
Tao et al. | Learning to reconstruct CT images from the VVBP-tensor | |
Zhang et al. | PET image reconstruction using a cascading back-projection neural network | |
Green et al. | 3-D Neural denoising for low-dose Coronary CT Angiography (CCTA) | |
CN110310244A (zh) | 一种基于残差编码解码的医学图像降噪方法 | |
CN114387236A (zh) | 基于卷积神经网络的低剂量Sinogram去噪与PET图像重建方法 | |
CN114358285A (zh) | 一种基于流模型的pet系统衰减校正方法 | |
Yang et al. | Transfer learning framework for low‐dose CT reconstruction based on marginal distribution adaptation in multiscale | |
Chen et al. | Low-dose dental CT image enhancement using a multiscale feature sensing network | |
Ma et al. | Low dose CT reconstruction assisted by an image manifold prior | |
Arya et al. | Regularization based modified SART iterative method for CT image reconstruction | |
Colmeiro et al. | Whole body positron emission tomography attenuation correction map synthesizing using 3D deep generative adversarial networks | |
Wang et al. | Helical ct reconstruction from sparse-view data through exploiting the 3d anatomical structure sparsity |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20240315 |
|
AD01 | Patent right deemed abandoned |