CN110264421A - 一种ct坏通道校正方法 - Google Patents

一种ct坏通道校正方法 Download PDF

Info

Publication number
CN110264421A
CN110264421A CN201910509859.8A CN201910509859A CN110264421A CN 110264421 A CN110264421 A CN 110264421A CN 201910509859 A CN201910509859 A CN 201910509859A CN 110264421 A CN110264421 A CN 110264421A
Authority
CN
China
Prior art keywords
repaired
bad channel
data
area
views
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
Application number
CN201910509859.8A
Other languages
English (en)
Other versions
CN110264421B (zh
Inventor
阿泽子·伊赫莱夫
褚政
王瑶法
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FMI Technologies Inc
Original Assignee
FMI Technologies Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FMI Technologies Inc filed Critical FMI Technologies Inc
Priority to CN201910509859.8A priority Critical patent/CN110264421B/zh
Priority to US16/520,354 priority patent/US11504085B2/en
Publication of CN110264421A publication Critical patent/CN110264421A/zh
Application granted granted Critical
Publication of CN110264421B publication Critical patent/CN110264421B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T7/00—Details of radiation-measuring instruments
    • G01T7/005—Details of radiation-measuring instruments calibration techniques
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/42—Arrangements for detecting radiation specially adapted for radiation diagnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/58—Testing, adjusting or calibrating thereof
    • A61B6/582—Calibration
    • A61B6/585—Calibration of detector units
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/58—Testing, adjusting or calibrating thereof
    • A61B6/586—Detection of faults or malfunction of the device
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01T—MEASUREMENT OF NUCLEAR OR X-RADIATION
    • G01T1/00—Measuring X-radiation, gamma radiation, corpuscular radiation, or cosmic radiation
    • G01T1/29—Measurement performed on radiation beams, e.g. position or section of the beam; Measurement of spatial distribution of radiation
    • G01T1/2914—Measurement of spatial distribution of radiation
    • G01T1/2985—In depth localisation, e.g. using positron emitters; Tomographic imaging (longitudinal and transverse section imaging; apparatus for radiation diagnosis sequentially in different planes, steroscopic radiation diagnosis)
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • 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
    • G06T5/00—Image enhancement or restoration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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]
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Medical Informatics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了医疗技术领域的一种CT坏通道校正方法，包括如下步骤：步骤S10、获取CT采集的原始数据；步骤S20、截取原始数据中包含坏通道的待修复区域；步骤S30、将待修复区域的数据输入神经网络进行训练生成训练结果；步骤S40、利用训练结果对待修复区域进行修复。本发明的优点在于：消除了坏通道所产生的伪影对重建图像的影响，尤其是面积较大的坏通道集群所产生的伪影对重建图像的影响，进而保证临床诊断的质量。

Description

一种CT坏通道校正方法
技术领域
本发明涉及医疗技术领域，特别指一种CT坏通道校正方法。
背景技术
CT(Computed Tomography)，即电子计算机断层扫描，它是利用精确准直的X线束、γ射线、超声波等，与灵敏度极高的检测器一同围绕人体的某一部位作一个接一个的断面扫描，通过对不同角度下射线(X线束、γ射线、超声波等)的投射率推算出扫描的物体的形态、结构和可能的材质，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查。常规的多排CT通常有数万到数十万的通道(检测器)，且每个通道的性能存在差异，其中一部分无法响应入射的射线成为坏通道，坏通道的存在使重建图像的出现环状伪影，导致临床诊断质量下降。
为了保证临床诊断的质量，需要去除坏通道对重建图像的影响，同时不带来额外的伪影。因此，需要计算出坏通道所在位置的实际的射线衰减值，传统的方法是在单一通道损坏后，通过获取损坏的通道周围可用通道的测量值，进行插值或者取平均值来估算坏通道实际的射线衰减值。但是，传统的方法存在有如下缺点：
其一是对于高频信息无法进行准确的估计，往往在特定的角度估计不准进而造成条状伪影；其二是对于多个连续检测器同时损坏的情况，误差很大，容易出现较为暗淡的环状伪影。
因此，如何提供一种CT坏通道校正方法，消除坏通道所产生的伪影对重建图像的影响，进而保证临床诊断的质量，成为一个亟待解决的问题。
发明内容
本发明要解决的技术问题，在于提供一种CT坏通道校正方法，实现消除坏通道所产生的伪影对重建图像的影响，尤其是面积较大的坏通道集群所产生的伪影对重建图像的影响，进而保证临床诊断的质量。
本发明是这样实现的：一种CT坏通道校正方法，所述方法包括如下步骤：
步骤S10、获取CT采集的原始数据；
步骤S20、截取原始数据中包含坏通道的待修复区域；
步骤S30、将待修复区域的数据输入神经网络进行训练生成训练结果；
步骤S40、利用训练结果对待修复区域进行修复。
进一步地，所述步骤S10具体为：
获取CT采集的三维原始数据A0(Channels，Rows，Views)，其中Channels表示检测器的通道方向，Rows表示检测器的排方向，Views表示检测器的旋转角度方向，各旋转角度方向均包括N个坏通道。
进一步地，所述步骤S20具体包括：
步骤S21、读取坏通道的坐标index＝(Channels,Rows)；
步骤S22、以坏通道的坐标为中心，截取大小为Wd*Wd的待修复区域Map，总的待修复区域的维度为Wd*Wd*N*Views，其中Wd为整数，且Wd≥1；
步骤S23、对待修复区域Map进行归一化处理；
步骤S24、在归一化后的数据中标记出需要神经网络训练的区域。
进一步地，所述步骤S23具体为：
定义一算子Norm(N,Views)＝maximum(Map(:,:,N,Views))，表示求出各大小为Wd*Wd的待修复区域Map的最大值；
将待修复区域Map归一化到[0,1]：MapNorm＝Map/Norm或者将待修复区域Map归一化到[-1,1]：MapNorm＝Map/Norm*2-1，其中MapNorm表示归一化后的数据。
进一步地，所述步骤S24具体为：
需要神经网络训练的区域标记为MapMask，且其中C表示任意标记的mask值；h表示mask的宽度；算符| |表示计算二阶范数；i表示检测器的通道方向数，且i＞0；j表示检测器的排方向数，且j＞0。
进一步地，所述步骤S30具体包括：
步骤S31、通过一第一神经网络以及一第二神经网络构建一对抗神经网络；
步骤S32、将MapNorm和MapMask输入所述对抗神经网络进行训练，并生成和MapNorm具有相同尺寸的训练结果MapAI。
进一步地，所述步骤S40具体包括：
步骤S41、对训练结果MapAI进行强度恢复处理；
步骤S42、计算训练结果MapAI的数据偏差offset；
步骤S43、依据强度恢复后的训练结果MapAI、数据偏差offset以及原始数据A0对待修复区域进行修复。
进一步地，所述步骤S41具体为：
对训练结果MapAI进行强度恢复处理，定义各旋转角度方向强度恢复后的数据MapRec(:,:,N,Views)＝(MapAI(:,:,N,Views)+1)*Norm(N,Views)/2。
进一步地，所述步骤S42具体为：
定义大小为Wd*Wd的矩阵模板且L2-L1＞h；
定义数据偏差offset＝(A0-MapRec)*RefMask/sum(RefMask)，其中sum(RefMask)表示将RefMask中所有的元素加和。
进一步地，所述步骤S43具体包括：
步骤S431、复制原始数据A0为数据A1；
步骤S432、依据数据偏差offset以及原始的坏通道的坐标index＝(Channels,Rows)重置各坏通道的坐标为CorrVal，且CorrVal＝offset(N,Views)+Map Rec(i,j,N,Views)；
步骤S433、依据重置后的坐标CorrVal将强度恢复后的训练结果MapAI更新至数据A1。
本发明的优点在于：通过采用神经网络对待修复区域的数据进行训练，实现对待修复区域的纹理进行补充，而不是单纯的插值，使得计算出坏通道所在位置的射线衰减值与实际值更为接近，极大的提升了重建图像的质量，进而保证了临床诊断的质量。因为是对待修复区域的纹理进行补充，即使有多个连续的坏通道，也能精确的计算出实际的射线衰减值。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1是本发明一种CT坏通道校正方法的流程图。
图2是本发明截取待修复区域Map的示意图。
图3是本发明神经网络训练示意图。
图4是本发明一种CT坏通道校正方法的示意图。
图5是本发明神经网络使用示意图。
具体实施方式
请参照图1至图5所示，本发明一种CT坏通道校正方法的较佳实施例，包括如下步骤：
步骤S10、获取CT采集的原始数据；
步骤S20、截取原始数据中包含坏通道的待修复区域；所述待修复区域可以是单个坏通道，也可以是多个坏通道组成的坏通道集群。
步骤S30、将待修复区域的数据输入神经网络进行训练生成训练结果；
步骤S40、利用训练结果对待修复区域进行修复。
所述步骤S10具体为：
获取CT采集的三维原始数据A0(Channels，Rows，Views)，其中Channels表示检测器的通道方向，Rows表示检测器的排方向，Views表示检测器的旋转角度方向，各旋转角度方向均包括N个坏通道，N≥1；所述原始数据A0为通过校正的正弦数据。
所述步骤S20具体包括：
步骤S21、读取坏通道的坐标index＝(Channels,Rows)，即以检测器的通道方向为横坐标，以检测器的排方向为纵坐标；
步骤S22、以坏通道的坐标为中心，截取大小为Wd*Wd的待修复区域Map，因为各旋转角度方向均包括N个坏通道，所以总的待修复区域的维度为Wd*Wd*N*Views，其中Wd为整数，且Wd≥1；
步骤S23、对待修复区域Map进行归一化处理；归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。
步骤S24、在归一化后的数据中标记出需要神经网络训练的区域。
所述步骤S23具体为：
定义一算子Norm(N,Views)＝maximum(Map(:,:,N,Views))，表示求出各大小为Wd*Wd的待修复区域Map的最大值；
将待修复区域Map归一化到[0,1]：MapNorm＝Map/Norm，或者将待修复区域Map归一化到[-1,1]：MapNorm＝Map/Norm*2-1，其中MapNorm表示归一化后的数据。
所述步骤S24具体为：
需要神经网络训练的区域标记为MapMask，且其中C表示任意标记的mask值；h表示mask的宽度；算符| |表示计算二阶范数；i表示检测器的通道方向数，且i＞0；j表示检测器的排方向数，且j＞0。二阶范数指矩阵A的2范数，就是A的转置共轭矩阵与矩阵A的积的最大特征根的平方根值，是指空间上两个向量矩阵的直线距离。类似于求棋盘上两点间的直线距离。
所述步骤S30具体包括：
步骤S31、通过一第一神经网络以及一第二神经网络构建一对抗神经网络；所述第一神经网络优选为U-Net；所述第二神经网络优选为多层卷积神经网络；
步骤S32、将MapNorm和MapMask输入所述对抗神经网络进行训练，并生成和MapNorm具有相同尺寸的训练结果MapAI。
所述对抗神经网络是第一神经网络与第二神经网络进行相互博弈的一个网络。
例如G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片，记做G(z)；D是一个判别网络，判别一张图片是不是“真实的”，它的输入参数是x，x代表一张图片，输出D(x)代表x为真实图片的概率，如果为1，就代表100％是真实的图片，而输出为0，就代表不可能是真实的图片。在训练过程中，生成网络G的目标就是尽量生成真实的图片去欺骗判别网络D，而D的目标就是尽量把G生成的图片和真实的图片分别开来。这样，G和D构成了一个动态的“博弈过程”。博弈的理想结果是G可以生成足以“以假乱真”的图片G(z)。对于D来说，它难以判定G生成的图片究竟是不是真实的。这样我们得到了一个生成式的模型G，它可以用来生成图片。
所述步骤S40具体包括：
步骤S41、对训练结果MapAI进行强度恢复处理；
步骤S42、计算训练结果MapAI的数据偏差offset；计算数据偏差offset为了对神经网络的训练结果进行修正，若训练结果的实际数据偏差offset很小或者offset＝0，可以跳过利用数据偏差offset对训练结果进行修正的步骤。
步骤S43、依据强度恢复后的训练结果MapAI、数据偏差offset以及原始数据A0对待修复区域进行修复。
所述步骤S41具体为：
对训练结果MapAI进行强度恢复处理，定义各旋转角度方向强度恢复后的数据MapRec(:,:,N,Views)＝(MapAI(:,:,N,Views)+1)*Norm(N,Views)/2。
所述步骤S42具体为：
定义大小为Wd*Wd的矩阵模板且L2-L1＞h；
定义数据偏差offset＝(A0-MapRec)*RefMask/sum(RefMask)，其中sum(RefMask)表示将RefMask中所有的元素加和。
所述步骤S43具体包括：
步骤S431、复制原始数据A0为数据A1；
步骤S432、依据数据偏差offset以及原始的坏通道的坐标index＝(Channels,Rows)重置各坏通道的坐标为CorrVal，且CorrVal＝offset(N,Views)+Map Rec(i,j,N,Views)；
步骤S433、依据重置后的坐标CorrVal将强度恢复后的训练结果MapAI更新至数据A1。
综上所述，本发明的优点在于：通过采用神经网络对待修复区域的数据进行训练，实现对待修复区域的纹理进行补充，而不是单纯的插值，使得计算出坏通道所在位置的射线衰减值与实际值更为接近，极大的提升了重建图像的质量，进而保证了临床诊断的质量。因为是对待修复区域的纹理进行补充，即使有多个连续的坏通道，也能精确的计算出实际的射线衰减值。
虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。

Claims (10)

1.一种CT坏通道校正方法，其特征在于：所述方法包括如下步骤：
步骤S10、获取CT采集的原始数据；
步骤S20、截取原始数据中包含坏通道的待修复区域；
步骤S30、将待修复区域的数据输入神经网络进行训练生成训练结果；
步骤S40、利用训练结果对待修复区域进行修复。
2.如权利要求1所述的一种CT坏通道校正方法，其特征在于：所述步骤S10具体为：
获取CT采集的三维原始数据A0(Channels，Rows，Views)，其中Channels表示检测器的通道方向，Rows表示检测器的排方向，Views表示检测器的旋转角度方向，各旋转角度方向均包括N个坏通道。
3.如权利要求2所述的一种CT坏通道校正方法，其特征在于：所述步骤S20具体包括：
步骤S21、读取坏通道的坐标index＝(Channels,Rows)；
步骤S22、以坏通道的坐标为中心，截取大小为Wd*Wd的待修复区域Map，总的待修复区域的维度为Wd*Wd*N*Views，其中Wd为整数，且Wd≥1；
步骤S23、对待修复区域Map进行归一化处理；
步骤S24、在归一化后的数据中标记出需要神经网络训练的区域。
4.如权利要求3所述的一种CT坏通道校正方法，其特征在于：所述步骤S23具体为：
定义一算子Norm(N,Views)＝maximum(Map(:,:,N,Views))，表示求出各大小为Wd*Wd的待修复区域Map的最大值；
将待修复区域Map归一化到[0,1]：MapNorm＝Map/Norm或者将待修复区域Map归一化到[-1,1]：MapNorm＝Map/Norm*2-1，其中MapNorm表示归一化后的数据。
5.如权利要求4所述的一种CT坏通道校正方法，其特征在于：所述步骤S24具体为：
需要神经网络训练的区域标记为MapMask，且
其中C表示任意标记的mask值；h表示mask的宽度；算符| |表示计算二阶范数；i表示检测器的通道方向数，且i＞0；j表示检测器的排方向数，且j＞0。
6.如权利要求5所述的一种CT坏通道校正方法，其特征在于：所述步骤S30具体包括：
步骤S31、通过一第一神经网络以及一第二神经网络构建一对抗神经网络；
步骤S32、将MapNorm和MapMask输入所述对抗神经网络进行训练，并生成和MapNorm具有相同尺寸的训练结果MapAI。
7.如权利要求6所述的一种CT坏通道校正方法，其特征在于：所述步骤S40具体包括：
步骤S41、对训练结果MapAI进行强度恢复处理；
步骤S42、计算训练结果MapAI的数据偏差offset；
步骤S43、依据强度恢复后的训练结果MapAI、数据偏差offset以及原始数据A0对待修复区域进行修复。
8.如权利要求7所述的一种CT坏通道校正方法，其特征在于：所述步骤S41具体为：
对训练结果MapAI进行强度恢复处理，定义各旋转角度方向强度恢复后的数据MapRec(:,:,N,Views)＝(MapAI(:,:,N,Views)+1)*Norm(N,Views)/2。
9.如权利要求8所述的一种CT坏通道校正方法，其特征在于：所述步骤S42具体为：
定义大小为Wd*Wd的矩阵模板且L2-L1＞h；
定义数据偏差offset＝(A0-MapRec)*RefMask/sum(RefMask)，其中sum(RefMask)表示将RefMask中所有的元素加和。
10.如权利要求9所述的一种CT坏通道校正方法，其特征在于：所述步骤S43具体包括：
步骤S431、复制原始数据A0为数据A1；
步骤S432、依据数据偏差offset以及原始的坏通道的坐标index＝(Channels,Rows)重置各坏通道的坐标为CorrVal，且
CorrVal＝offset(N,Views)+Map Rec(i,j,N,Views)；
步骤S433、依据重置后的坐标CorrVal将强度恢复后的训练结果MapAI更新至数据A1。
CN201910509859.8A 2019-06-13 2019-06-13 一种ct坏通道校正方法 Active CN110264421B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201910509859.8A CN110264421B (zh) 2019-06-13 2019-06-13 一种ct坏通道校正方法
US16/520,354 US11504085B2 (en) 2019-06-13 2019-07-24 Method for calibrating defective channels of a CT device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910509859.8A CN110264421B (zh) 2019-06-13 2019-06-13 一种ct坏通道校正方法

Publications (2)

Publication Number Publication Date
CN110264421A true CN110264421A (zh) 2019-09-20
CN110264421B CN110264421B (zh) 2022-07-12

Family

ID=67917971

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910509859.8A Active CN110264421B (zh) 2019-06-13 2019-06-13 一种ct坏通道校正方法

Country Status (2)

Country Link
US (1) US11504085B2 (zh)
CN (1) CN110264421B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111053568A (zh) * 2019-12-30 2020-04-24 苏州瑞派宁科技有限公司 Ct图像中环形伪影的校正方法、装置及计算机存储介质
CN112037146A (zh) * 2020-09-02 2020-12-04 广州海兆印丰信息科技有限公司 医学图像伪影自动校正方法、装置和计算机设备
CN117100304A (zh) * 2023-10-31 2023-11-24 北京富通康影科技有限公司 一种多源ct系统的坏通道数据校正方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210070029A (ko) * 2019-12-04 2021-06-14 삼성전자주식회사 반복적 생성을 통해 출력 콘텐트를 향상시키기 위한 디바이스, 방법, 및 프로그램
US11823354B2 (en) 2021-04-08 2023-11-21 GE Precision Healthcare LLC System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102274040A (zh) * 2010-06-10 2011-12-14 东软飞利浦医疗设备系统有限责任公司 一种去除ct图像中环状伪影的后处理方法
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
CN107958471A (zh) * 2017-10-30 2018-04-24 深圳先进技术研究院 基于欠采样数据的ct成像方法、装置、ct设备及存储介质
CN109448070A (zh) * 2018-11-06 2019-03-08 明峰医疗系统股份有限公司 一种ct宽展视野的重建方法
US20190139202A1 (en) * 2016-05-04 2019-05-09 Tel Hashomer Medical Research, Infrastructure And Services Ltd. Method and system for providing a locally-consistent enhancement of a low-quality image

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4717511B2 (ja) * 2005-05-20 2011-07-06 ジーイー・メディカル・システムズ・グローバル・テクノロジー・カンパニー・エルエルシー Ｘ線ｃｔ画像再構成方法およびｘ線ｃｔ装置
AU2017420781B2 (en) * 2017-06-26 2020-12-17 Elekta, Inc. Method for improving cone-beam CT image quality using a deep convolutional neural network
US10922855B2 (en) * 2017-11-30 2021-02-16 Shanghai United Imaging Healthcare Co., Ltd. Systems and methods for determining at least one artifact calibration coefficient
US11026642B2 (en) * 2019-03-29 2021-06-08 Canon Medical Systems Corporation Apparatuses and a method for artifact reduction in medical images using a neural network

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102274040A (zh) * 2010-06-10 2011-12-14 东软飞利浦医疗设备系统有限责任公司 一种去除ct图像中环状伪影的后处理方法
US20190139202A1 (en) * 2016-05-04 2019-05-09 Tel Hashomer Medical Research, Infrastructure And Services Ltd. Method and system for providing a locally-consistent enhancement of a low-quality image
CN107958471A (zh) * 2017-10-30 2018-04-24 深圳先进技术研究院 基于欠采样数据的ct成像方法、装置、ct设备及存储介质
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
CN109448070A (zh) * 2018-11-06 2019-03-08 明峰医疗系统股份有限公司 一种ct宽展视野的重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YANG LEI，ET AL: "《MRI-only based synthetic CT generation using dense cysle consistent generative adversarial networks》", 《MEDICAL PHYSICS》 *
方伟，等: "《神经网络在CT重建方面应用的最新进展》", 《中国体视学与图像分析》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111053568A (zh) * 2019-12-30 2020-04-24 苏州瑞派宁科技有限公司 Ct图像中环形伪影的校正方法、装置及计算机存储介质
CN111053568B (zh) * 2019-12-30 2021-10-08 苏州瑞派宁科技有限公司 Ct图像中环形伪影的校正方法、装置及计算机存储介质
CN112037146A (zh) * 2020-09-02 2020-12-04 广州海兆印丰信息科技有限公司 医学图像伪影自动校正方法、装置和计算机设备
CN112037146B (zh) * 2020-09-02 2023-12-22 广州海兆印丰信息科技有限公司 医学图像伪影自动校正方法、装置和计算机设备
CN117100304A (zh) * 2023-10-31 2023-11-24 北京富通康影科技有限公司 一种多源ct系统的坏通道数据校正方法
CN117100304B (zh) * 2023-10-31 2024-06-21 北京富通康影科技有限公司 一种多源ct系统的坏通道数据校正方法

Also Published As

Publication number Publication date
CN110264421B (zh) 2022-07-12
US20200390414A1 (en) 2020-12-17
US11504085B2 (en) 2022-11-22

Similar Documents

Publication Publication Date Title
CN110264421A (zh) 一种ct坏通道校正方法
CN111448590B (zh) 基于深度学习的散射校正
Yang et al. A geometric calibration method for cone beam CT systems
CN107330949A (zh) 一种伪影校正方法及系统
Plautz et al. An evaluation of spatial resolution of a prototype proton CT scanner
CN107837090A (zh) 计算机断层成像中基于正弦图的散射射线校正
EA015959B1 (ru) Способ определения уровня яркости в зоне интереса цифрового медицинского рентгеновского изображения
CN108511043B (zh) 基于数值模拟的x-ct虚拟数据采集及图像重建方法及系统
Kratz et al. A fully 3D approach for metal artifact reduction in computed tomography
CN106725565A (zh) 一种稀疏投影下的锥束xct成像质量评估方法
Nguyen et al. A low-cost geometry calibration procedure for a modular cone-beam X-ray CT system
CN109166103B (zh) 基于多层感知网络的激发荧光断层成像方法
Li et al. X-ray photon-counting data correction through deep learning
Cassetta et al. Accuracy of low‐dose proton CT image registration for pretreatment alignment verification in reference to planning proton CT
Niebler et al. Projection‐based improvement of 3D reconstructions from motion‐impaired dental cone beam CT data
CN102488528B (zh) 一种层析成像几何参数的校准方法
Duan et al. Knowledge-based self-calibration method of calibration phantom by and for accurate robot-based CT imaging systems
CN113729747A (zh) 一种球形金属标记的锥束ct金属伪影去除系统及去除方法
CN113344876A (zh) 一种ct和cbct间可变形配准方法
Zeng et al. A data‐efficient method for local noise power spectrum (NPS) estimation in FDK‐reconstructed 3D cone‐beam CT
Kim et al. CNN-based CT denoising with an accurate image domain noise insertion technique
US7385200B2 (en) Re-binning method for nuclear medicine imaging devices
CN116188615A (zh) 一种基于正弦域和图像域的稀疏角度ct重建方法
CN111340127B (zh) 基于材料聚类的能谱ct迭代材料分解方法和装置
Qiu et al. New iterative cone beam CT reconstruction software: parameter optimisation and convergence study

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