CN110264535A - 一种去除ct锥束伪影的重建方法 - Google Patents

一种去除ct锥束伪影的重建方法 Download PDF

Info

Publication number
CN110264535A
CN110264535A CN201910509858.3A CN201910509858A CN110264535A CN 110264535 A CN110264535 A CN 110264535A CN 201910509858 A CN201910509858 A CN 201910509858A CN 110264535 A CN110264535 A CN 110264535A
Authority
CN
China
Prior art keywords
rows
rowsdown
data
alnorm
blnorm
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
Application number
CN201910509858.3A
Other languages
English (en)
Inventor
褚政
阿泽子·伊赫莱夫
王瑶法
郭洪斌
金燕南
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.)
Minfound Medical Systems Co Ltd
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 CN201910509858.3A priority Critical patent/CN110264535A/zh
Publication of CN110264535A publication Critical patent/CN110264535A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • 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
    • 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
    • G06T5/70—Denoising; Smoothing
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种去除CT锥束伪影的重建方法，包括：A1、定义原始CT数据A0；A2、降采样后得到AL；A3、数据归一化后得到ALNorm；A4、将ALNorm传入神经网络进行训练，并生成训练结果PA0；B1、定义原始CT数据B0；B2、降采样后得到BL；B3、数据归一化后得到BLNorm；B4、将BLNorm传入神经网络，并生成扩充后的生成结果PB0；B5、根据数据归一化的逆运算对PB0进行强度恢复，得到PN；B6、根据降采样的逆运算对PN进行升采样处理，得到PU2D；B7、将B0替换到PU2D中间对应的位置上，得到BN；B8、输出结果BN继续进行CT重建，得到图像域结果。本发明能提高图像质量。

Description

一种去除CT锥束伪影的重建方法
技术领域
本发明涉及CT成像技术领域，尤其涉及一种去除CT锥束伪影的重建方法。
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，与灵敏度极高的探测器一同围绕人体的某一部位作一个接一个的断面扫描，具有扫描时间快，图像清晰等特点，可用于多种疾病的检查；根据所采用的射线不同可分为：X射线CT(X-CT)、超声CT(UCT)以及γ射线CT(γ-CT)等。
现代商用CT为了实现更加快速、准确、低剂量的扫描，检测器的排数在不断提高。近几年来，从16排、64排直到256排CT相继进入医疗应用领域。然而随着排数的增加，光源与检测器之间的夹角也随之增加，从而导致了成像区域内的部分像素点的信息不足。如图1所示，包括光源和检测器，检测器具有设定的排数，根据检测器排数形成的高度、光源到检测器之间的距离以及光源到成像区域中心的距离确定出成像区域所在的范围，所形成的成像区域有一部分位于光源与检测器之间形成的夹角内，可获得像素点的信息；另一部分位于光源与检测器之间形成的夹角外，无法获得像素点的信息，即数据不足区域。对于数据不足区域，常规方法是将第一排和最末排向外进行扩充排数，原第一排到补充后的第一排之间以及原最末排到补充后的最末排之间形成补充区域，替代缺失的光线位置，使得成像区域能完全位于光源与检测器之间形成的夹角内，这样数据从形式上得到弥补，然而，实质上由于补充排数后的光源变化和实际的光源变化不同，造成了成像区域出现部分伪影，从而导致锥束伪影的形成，如图2所示。而对于成像区域中位于补充区域内的数据不足区域，数据不足区域内的数据缺失常规的方法是将第一排或最末排的数据直接复制到数据不足区域，即数据不足区域内的数据由第一排或者最末排的数据进行替代，但由于数据不足区域内的数据有可能与第一排和最末排的数据存在差异，直接替代的方式数据获取不准确，会影响成像区域的成像效果。因此，需要更加准确地对数据不足区域内的数据进行获取。
对于重建而言，锥束伪影效应也更加显著了，尤其是数据不足区域的图像，很容易出现强度不均的现象，影响成像质量，因此需要对数据不足区域内的数据进行准确获取，对锥束伪影进行修正。
发明内容
本发明要解决的技术问题，在于提供一种去除CT锥束伪影的重建方法，利用数据尺度变换，将压缩的数据传入神经网络，使得神经网络扩展出更多的排数，从而弥补了数据在空间上的不足，达到修正伪影的目的。
本发明是这样实现的：
一种去除CT锥束伪影的重建方法，所述重建方法包括训练过程和生成过程：
所述训练过程具体包括如下步骤：
步骤A1、定义原始CT采集并通过校正的正弦数据为A0；
步骤A2、对A0进行降采样处理，得到图像序列AL；
步骤A3、对AL进行数据归一化处理，得到ALNorm；
步骤A4、提取ALNorm中间的排数据传入神经网络进行训练学习，并通过该神经网络生成器生成和ALNorm具有相同尺寸的训练结果PA0，从而完成神经网络的训练和优化；
所述生成过程具体包括如下步骤：
步骤B1、定义原始CT采集并通过校正的正弦数据为B0；
步骤B2、对B0进行降采样处理，得到图像序列BL；
步骤B3、对BL进行数据归一化处理，得到BLNorm；
步骤B4、将BLNorm的排数据传入神经网络，并通过该神经网络的生成器生成排数据发生扩充后的生成结果PB0；
步骤B5、根据数据归一化的逆运算对PB0进行强度恢复，得到PN；
步骤B6、对PN进行升采样处理，得到PU2D；
步骤B7、将B0替换到PU2D中间对应的位置上，得到BN；
步骤B8、输出结果BN继续进行CT重建，得到图像域结果。
进一步地，所述步骤A1和步骤B1中A0/B0为三维数据，是按照检测器通道方向、检测器排方向和旋转角度方向进行排列，A0表示为A0(Channels，Rows，Views)，B0表示为B0(Channels，Rows，Views)，Channels、Rows和Views分别是原始的通道数、排数和角度数。
进一步地，所述步骤A2和步骤B2具体为：
通过插值和系数采用方法对A0/B0的数据量进行降低，得到图像序列AL/BL，AL表示为AL(ChannelsDown,RowsDown,ViewsDown)，BL表示为BL(ChannelsDown,RowsInter,ViewsDown)，ChannelsDown、RowsDown/RowsInter和ViewsDown分别是降采样后的通道数、排数和角度数，同时降采样后的数据保存其原始的整体特征。
进一步地，所述步骤A3和步骤B3具体为：
定义算子Norm(N)＝maximum(AL/BL(:,:,N))，即当旋转角度方向为N时，求出图像序列AL/BL中每一张图像的最大值；归一化方法按照实际情况不同分为：ALNorm＝AL/Norm，BLNorm＝BL/Norm，归一到[0,1]之间，或者ALNorm＝AL/Norm*2-1，BLNorm＝BL/Norm*2-1，归一到[-1,1]之间，其中ALNorm表示为ALNorm(ChannelsDown,RowsDown,BLNorm表示为BLNorm(ChannelsDown,RowsInter,ViewsDown)，ChannelsDown、RowsDown/RowsInter和ViewsDown分别是降采样后的通道数、排数和角度数。
进一步地，所述步骤A4和步骤B4中的神经网络采用的是卷积神经网络或者深度层网络作为生成器，多层卷积神经网络作为鉴别器，从而构成对抗生成的神经网络。
进一步地，所述步骤A4具体为：
提取ALNorm的排数RowsDown中间的排数据RowsInter作为输入传入到神经网络进行训练，得到和ALNorm具有相同尺寸的训练结果PA0，表示PA0(ChannelsDown,RowsDown,ViewsDown)；其中RowsInter＝RowsDown*RowsDown/(RowsDown+2*Rext)，这里的Rext表示单侧额外学习产生的数据排数，是根据预先设定好的需要扩展的实际检测器排数Rextend和降采样系数Scale＝Rows/RowsDown决定的，即Rext＝Rextend/Scale；并根据PA0的排数RowsDown与RowsInter确定所述神经网络的倍率n＝RowsDown//RowsInter；训练结束后，根据ALNorm和PA0之间的差异对所述神经网络进行优化。
进一步地，所述步骤B5具体为：
当归一化方法为BLNorm＝BL/Norm时，则PN＝PB0*Norm；当归一化方法为BLNorm＝BL/Norm*2-1时，则PN＝(PB0+1)*Norm/2。
进一步地，所述步骤B6中对PN进行升采样处理，具体为：
通过等距密集插值的方式，把系数矩阵PN，保持强度分布不变地转化为PU2D，表示为PU2D(Channels,Rows+2*Rextend,Views)，排数为Rows+2*Rextend，其中，Rows为原始的排数，Rextend为后续重建所需要的单侧数据排数。
本发明具有如下优点：
本发明方法采用了机器学习，通过预先学习大量多排CT的投影图像，使机器对于需要补充排位置具有一定的推断能力，推算了原始排的数据之外的上下各补充排的数据。这样图像的CT值得到了补偿，图像质量有所提升。同时在进入神经网络前进行了数据压缩，使全局数据能够将进入神经网络训练，提升了结果的连贯性和效率。
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为现有技术中光源与检测器之间形成的成像区域存在数据不足区域时的结构示意图。
图2为现有技术中补充排数后使光源与检测器之间形成的成像区域不存在数据不足区域时的结构示意图。
图3为本发明中训练过程和生成过程中数据A0的对应物理方向定义图。
图4为本发明一种去除CT锥束伪影的重建方法中训练过程的流程示意图。
图5为本发明一种去除CT锥束伪影的重建方法中生成过程的流程示意图。
图6为本发明中训练好后的效果图。
图7为一般方法和本发明方法的边缘图像的结果对比示意图。
具体实施方式
为使得本发明更明显易懂，现以一优选实施例，并配合附图作详细说明如下。
本发明的一种去除CT锥束伪影的重建方法，所述重建方法包括训练过程和生成过程，训练过程是指对神经网络经行预先训练的方法，是获得可以使用的神经网络的基础；生成过程是调用神经网络的方法，一旦神经网络被训练完毕，可以进行对原始数据的校正，从而完成重建工作。
如图4所示，所述训练过程是用来计算神经网络中神经元的具体权重，输入起点为CT的正弦数据，具体步骤为：
步骤A1、定义原始CT采集并通过校正的正弦数据为A0，A0为三维数据，是按照检测器通道方向、检测器排方向和旋转角度方向进行排列，如图3所示，表示为A0(Channels，Rows，Views)，Channels，Rows，Views分别是原始的通道数，排数和角度数；
以256排CT的轴扫为例，采集到的数据Channels＝864，Rows＝256，Views＝1024，组成了一组3维数据，如：A0(864,256,1024)。
步骤A2、对A0进行降采样处理，得到图像序列AL；该降采样方式是通过插值和系数采用方法对A0的数据量进行降低，同时降采样后的数据保存其原始的整体特征，具体的降采样的系数，在实际情况下每个维度不同，结果为AL(ChannelsDown,RowsDown,ViewsDown)，ChannelsDown,RowsDown,ViewsDown分别是降采样后的通道数，排数和角度数；
例如：通过常规的线性插值的方式进行降采样处理，降采样后ChannelsDown＝256,RowsDown＝256,ViewsDown＝256，从而降低了通道数和角度数，如：AL(256,256,256)。
步骤A3、对AL进行数据归一化处理，得到ALNorm；定义算子Norm(N)＝maximum(AL(:,:,N))，即当旋转角度方向为N时，求出图像序列AL中每一张图像的最大值；归一化方法按照实际情况不同分为：ALNorm＝AL/Norm，归一到[0,1]之间，或者ALNorm＝AL/Norm*2-1，归一到[-1,1]之间；其中ALNorm表示为ALNorm(ChannelsDown,RowsDown,ViewsDown)，ChannelsDown、RowsDown和ViewsDown分别是降采样后的通道数、排数和角度数；如：ALNorm(256,256,256)。
步骤A4、提取ALNorm中间的排数据传入神经网络进行训练学习，并通过该神经网络生成器生成和ALNorm具有相同尺寸的训练结果PA0，从而完成神经网络的训练和优化，图6为训练好后的效果图；对于神经网络，可以是任意的神经网络，为了达到较好的重建效果，一般采用的是U-Net卷积神经网络或者深度层网络作为生成器，多层卷积神经网络作为鉴别器，从而构成对抗生成的神经网络。
提取ALNorm的排数RowsDown中间的排数据RowsInter作为输入传入到神经网络进行训练，得到和ALNorm具有相同尺寸的训练结果PA0，表示PA0(ChannelsDown,RowsDown,ViewsDown)；其中RowsInter＝RowsDown*RowsDown/(RowsDown+2*Rext)，这里的Rext表示单侧额外学习产生的数据排数，是根据预先设定好的需要扩展的实际检测器排数Rextend和降采样系数Scale＝Rows/RowsDown决定的，即Rext＝Rextend/Scale；并根据PA0的排数RowsDown与RowsInter确定所述神经网络的倍率n＝RowsDown//RowsInter，在神经网络训练好和倍率确定好之后，当下一次输入检测器排数为m1的数据时，神经网络会输出排数为m2＝m1*n的数据，从而实现从排数m1到m2的扩充；训练结束后，根据ALNorm和PA0之间的差异对所述神经网络进行优化，神经网络的优化目标是最小化ALNorm和PA0之间的差异，这里的差异是指两者在整体的差异，也可以是扩充的检测器的局部差异，包括但不限于ALNorm-PA0的一阶、二阶范数，也可以是ALNorm-PA0的方差。
例如：这里采用了tensorflow作为训练平台，输入训练的数据为20余组病人和模体数据，共计16202个角度下的不同扫描体的图像。输入训练的数据ALNorm，尺寸是ChannelsDown＝256,RowsDown＝256。当作为神经网络输入时以RowsDown会被截取中间RowsInter部分，
Rext＝Rextend(32)/Scale(1)＝32
RowsInter＝RowsDown(256)*RowsDown(256)/(RowsDown(256)+2*Rext(32))＝204。输入原始的排数204，输出补充后的排数256，从而完成扩展，对扩充的52排数据进行合理地获取，保证数据不足区域的数据的完整性，提高图像质量。
步骤A1-A4完成了对神经网络的训练学习过程，训练完后，神经网络就具有了对CT排数据进行处理和扩展的能力。训练过程是生成过程的前提，训练好后，输入排数据给神经网络，则会输出发生扩充后的排数据，从而完成对生成过程。
如图5所示，所述生成过程具体包括如下步骤：
步骤B1、定义原始CT采集并通过校正的正弦数据为B0，B0为三维数据，是按照检测器通道方向、检测器排方向和旋转角度方向进行排列，如图3所示，表示为B0(Channels，Rows，Views)，Channels，Rows，Views分别是原始的通道数，排数和角度数；
以256排CT的轴扫为例，采集到的数据Channels＝864，Rows＝256，Views＝1024，组成了一组3维数据，如：B0(864,256,1024)。
步骤B2、对B0进行降采样处理，得到图像序列BL；该降采样方式是通过插值和系数采用方法对B0的数据量进行降低，同时降采样后的数据保存其原始的整体特征，具体的降采样的系数，在实际情况下每个维度不同，结果为BL(ChannelsDown,RowsInter,ViewsDown)，ChannelsDown,RowsInter,ViewsDown分别是降采样后的通道数，排数和角度数；
例如：通过常规的线性插值的方式进行降采样处理，降采样后ChannelsDown＝256,RowsInter＝204,ViewsDown＝256，从而降低了通道数和角度数，如：BL(256,204,256)。
步骤B3、对BL进行数据归一化处理，得到BLNorm；定义算子Norm(N)＝maximum(BL(:,:,N))，即当旋转角度方向为N时，求出图像序列BL中每一张图像的最大值；归一化方法按照实际情况不同分为：BLNorm＝BL/Norm，归一到[0,1]之间，或者BLNorm＝BL/Norm*2-1，归一到[-1,1]之间；其中BLNorm表示为BLNorm(ChannelsDown,RowsInter,ViewsDown)，ChannelsDown、RowsInter和ViewsDown分别是降采样后的通道数、排数和角度数；如：BLNorm(256,204,256)。
步骤B4、将BLNorm的排数据传入神经网络，并通过该神经网络的生成器生成排数据发生扩充的生成结果PB0；对于神经网络，可以是任意的神经网络，为了达到较好的重建效果，一般采用的是U-Net卷积神经网络或者深度层网络作为生成器，多层卷积神经网络作为鉴别器，从而构成对抗生成的神经网络。
将BLNorm的排数据RowsInter作为输入传入到神经网络，得到比BLNorm的排数发生扩充后的生成结果PB0，表示PB0(ChannelsDown,RowsDown,ViewsDown)；其中RowsInter＝RowsDown*RowsDown/(RowsDown+2*Rext)，这里的Rext表示单侧额外学习产生的数据排数，是根据预先设定好的需要扩展的实际检测器排数Rextend和降采样系数Scale＝Rows/RowsDown决定的，即Rext＝Rextend/Scale；并根据PB0的排数RowsDown与RowsInter确定所述神经网络的倍率n＝RowsDown//RowsInter，由于倍率确定后，当在神经网络输入某一个排数据时，根据该倍率能输出对应的排数据。
例如：输入的数据BLNorm，尺寸是ChannelsDown＝256,RowsInter＝204。Rext＝Rextend(32)/Scale(1)＝32
RowsInter＝RowsDown(256)*RowsDown(256)/(RowsDown(256)+2*Rext(32))＝204。
如：PB0(256,256,256)
步骤B5、根据数据归一化的逆运算对PB0进行强度恢复，得到PN；当归一化方法为BLNorm＝BL/Norm时，则PN＝PB0*Norm；当归一化方法为BLNorm＝BL/Norm*2-1时，则PN＝(PB0+1)*Norm/2，如：PN(256,256,256,)。
步骤B6、对PN进行升采样处理，得到PU2D；通过等距密集插值的方式，把系数矩阵PN，保持强度分布不变地转化为PU2D，表示为PU2D(Channels,Rows+2*Rextend,Views)＝PU2D(864,320,1024)，排数为Rows+2*Rextend＝256+2*32＝320，其中，Rows为原始的排数，Rextend为后续重建所需要的单侧数据排数。
步骤B7、将B0替换到PU2D中间对应的位置上，得到BN，B1(Channels,Rows+2*Rextend,Views)＝(864,320,1024)；
步骤B8、输出结果BN继续进行CT重建，得到图像域结果，CT重建可以是滤波反投影，或者迭代方式的重建，是数据重投影域转化到图像域。
图7为一般方法和本发明方法的边缘图像的结果对比示意图，这里采用了256排CT的边缘层进行对比。众所周知，在256排的边缘层图像往往会含有各种伪影。如图7，一般方法采用直接把最外层数据据作为实际扫描位置，导致图像局部出现发暗的情况。本发明方法采用了机器学习，通过预先学习大量多排CT的投影图像，使机器对于需要补充排位置具有一定的推断能力，推算了256排之外的上下各32排的数据。这样图像的CT值得到了补偿，图像质量有所提升。同时在进入神经网络前进行了数据压缩，使全局数据能够将进入神经网络训练，提升了结果的连贯性和效率。
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 (8)

1.一种去除CT锥束伪影的重建方法，其特征在于：所述重建方法包括训练过程和生成过程：
所述训练过程具体包括如下步骤：
步骤A1、定义原始CT采集并通过校正的正弦数据为A0；
步骤A2、对A0进行降采样处理，得到图像序列AL；
步骤A3、对AL进行数据归一化处理，得到ALNorm；
步骤A4、提取ALNorm中间的排数据传入神经网络进行训练学习，并通过该神经网络生成器生成和ALNorm具有相同尺寸的训练结果PA0，从而完成神经网络的训练和优化；
所述生成过程具体包括如下步骤：
步骤B1、定义原始CT采集并通过校正的正弦数据为B0；
步骤B2、对B0进行降采样处理，得到图像序列BL；
步骤B3、对BL进行数据归一化处理，得到BLNorm；
步骤B4、将BLNorm的排数据传入神经网络，并通过该神经网络的生成器生成排数据发生扩充后的生成结果PB0；
步骤B5、根据数据归一化的逆运算对PB0进行强度恢复，得到PN；
步骤B6、对PN进行升采样处理，得到PU2D；
步骤B7、将B0替换到PU2D中间对应的位置上，得到BN；
步骤B8、输出结果BN继续进行CT重建，得到图像域结果。
2.根据权利要求1所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤A1和步骤B1中A0/B0为三维数据，是按照检测器通道方向、检测器排方向和旋转角度方向进行排列，A0表示为A0(Channels，Rows，Views)，B0表示为B0(Channels，Rows，Views)，Channels、Rows和Views分别是原始的通道数、排数和角度数。
3.根据权利要求2所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤A2和步骤B2具体为：
通过插值和系数采用方法对A0/B0的数据量进行降低，得到图像序列AL/BL，AL表示为AL(ChannelsDown,RowsDown,ViewsDown)，BL表示为AL(ChannelsDown,RowsInter,ViewsDown)，ChannelsDown、RowsDown/RowsInter和ViewsDown分别是降采样后的通道数、排数和角度数，同时降采样后的数据保存其原始的整体特征。
4.根据权利要求3所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤A3和步骤B3具体为：
定义算子Norm(N)＝maximum(AL/BL(:,:,N))，即当旋转角度方向为N时，求出图像序列AL/BL中每一张图像的最大值；归一化方法按照实际情况不同分为：ALNorm＝AL/Norm，BLNorm＝BL/Norm，归一到[0,1]之间，或者ALNorm＝AL/Norm*2-1，BLNorm＝BL/Norm*2-1，归一到[-1,1]之间，其中ALNorm表示为ALNorm(ChannelsDown,RowsDown,BLNorm表示为BLNorm(ChannelsDown,RowsInter,ViewsDown)，ChannelsDown、RowsDown/RowsInter和ViewsDown分别是降采样后的通道数、排数和角度数。
5.根据权利要求4所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤A4和步骤B4中的神经网络采用的是卷积神经网络或者深度层网络作为生成器，多层卷积神经网络作为鉴别器，从而构成对抗生成的神经网络。
6.根据权利要求5所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤A4具体为：
提取ALNorm的排数RowsDown中间的排数据RowsInter作为输入传入到神经网络进行训练，得到和ALNorm具有相同尺寸的训练结果PA0，表示PA0(ChannelsDown,RowsDown,ViewsDown)；其中RowsInter＝RowsDown*RowsDown/(RowsDown+2*Rext)，这里的Rext表示单侧额外学习产生的数据排数，是根据预先设定好的需要扩展的实际检测器排数Rextend和降采样系数Scale＝Rows/RowsDown决定的，即Rext＝Rextend/Scale；并根据PA0的排数RowsDown与RowsInter确定所述神经网络的倍率n＝RowsDown//RowsInter；训练结束后，根据ALNorm和PA0之间的差异对所述神经网络进行优化。
7.根据权利要求6所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤B5具体为：
当归一化方法为BLNorm＝BL/Norm时，则PN＝PB0*Norm；当归一化方法为BLNorm＝BL/Norm*2-1时，则PN＝(PB0+1)*Norm/2。
8.根据权利要求7所述的去除CT锥束伪影的重建方法，其特征在于：所述步骤B6中对PN进行升采样处理，具体为：
通过等距密集插值的方式，把系数矩阵PN，保持强度分布不变地转化为PU2D，表示为PU2D(Channels,Rows+2*Rextend,Views)，排数为Rows+2*Rextend，其中，Rows为原始的排数，Rextend为后续重建所需要的单侧数据排数。
CN201910509858.3A 2019-06-13 2019-06-13 一种去除ct锥束伪影的重建方法 Pending CN110264535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910509858.3A CN110264535A (zh) 2019-06-13 2019-06-13 一种去除ct锥束伪影的重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910509858.3A CN110264535A (zh) 2019-06-13 2019-06-13 一种去除ct锥束伪影的重建方法

Publications (1)

Publication Number Publication Date
CN110264535A true CN110264535A (zh) 2019-09-20

Family

ID=67918046

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910509858.3A Pending CN110264535A (zh) 2019-06-13 2019-06-13 一种去除ct锥束伪影的重建方法

Country Status (1)

Country Link
CN (1) CN110264535A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127579A (zh) * 2019-12-26 2020-05-08 南京安科医疗科技有限公司 一种基于神经网络去锥形束伪影的ct重建方法
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107274459A (zh) * 2017-05-29 2017-10-20 明峰医疗系统股份有限公司 一种用于加快锥形束ct图像迭代重建的预条件方法
CN108122265A (zh) * 2017-11-13 2018-06-05 深圳先进技术研究院 一种ct重建图像优化方法及系统
US20180268526A1 (en) * 2017-02-22 2018-09-20 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach using scan specific metadata
CN109146988A (zh) * 2018-06-27 2019-01-04 南京邮电大学 基于vaegan的非完全投影ct图像重建方法
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
CN109785243A (zh) * 2018-11-28 2019-05-21 西安电子科技大学 基于对抗生成网络未配准低剂量ct的去噪方法、计算机
CN109801343A (zh) * 2018-12-16 2019-05-24 西安电子科技大学 基于重建前后图像的环形伪影校正方法、ct控制系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268526A1 (en) * 2017-02-22 2018-09-20 Siemens Healthcare Gmbh Denoising medical images by learning sparse image representations with a deep unfolding approach using scan specific metadata
CN107274459A (zh) * 2017-05-29 2017-10-20 明峰医疗系统股份有限公司 一种用于加快锥形束ct图像迭代重建的预条件方法
CN108122265A (zh) * 2017-11-13 2018-06-05 深圳先进技术研究院 一种ct重建图像优化方法及系统
CN109146988A (zh) * 2018-06-27 2019-01-04 南京邮电大学 基于vaegan的非完全投影ct图像重建方法
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
CN109785243A (zh) * 2018-11-28 2019-05-21 西安电子科技大学 基于对抗生成网络未配准低剂量ct的去噪方法、计算机
CN109801343A (zh) * 2018-12-16 2019-05-24 西安电子科技大学 基于重建前后图像的环形伪影校正方法、ct控制系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴清江 等: "基于卷积神经网络的有限视角CT 重建", 《电脑知识与技术》 *
吴清江: "基于生成对抗性网络的低剂量CT图像重建系统开发", 《中国优秀硕士学位论文全文数据库》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111127579A (zh) * 2019-12-26 2020-05-08 南京安科医疗科技有限公司 一种基于神经网络去锥形束伪影的ct重建方法
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

Similar Documents

Publication Publication Date Title
EP3226766B1 (en) System and method for image calibration
CN105361900B (zh) 静态实时ct成像系统及其成像控制方法
CN103501702B (zh) 医用图像处理装置、医用图像处理方法
JP2020036877A (ja) 反復的画像再構成フレームワーク
JP6139092B2 (ja) Ｘ線ｃｔ装置およびシステム
JP6824633B2 (ja) Ｘ線コンピュータ断層撮影装置、逐次近似再構成方法および医用画像処理装置
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
US10475215B2 (en) CBCT image processing method
CN104700366B (zh) 一种晶体像素查找表生成的方法
US20080253502A1 (en) Method and Device for the Iterative Reconstruction of Cardiac Images
JP6176828B2 (ja) 画像再構成装置、画像再構成方法およびｘ線コンピュータ断層撮影装置
CN103479379B (zh) 一种倾斜螺旋扫描的图像重建方法及装置
US20220327662A1 (en) Medical data processing method, model generation method, medical data processing apparatus, and computer-readable non-transitory storage medium storing medical data processing program
US9704223B2 (en) Method and system for substantially reducing cone beam artifacts based upon adaptive scaling factor in circular computer tomography (CT)
CN110264535A (zh) 一种去除ct锥束伪影的重建方法
CN113167913A (zh) 针对常规成像的光子计数的能量加权
US9629602B2 (en) System and method for ultra-high resolution tomographic imaging
CN105844678A (zh) 基于全广义变分正则化的低剂量x射线ct图像重建方法
CN109658464B (zh) 基于加权核范数极小的稀疏角ct图像重建方法
CN116630738A (zh) 一种基于深度卷积稀疏表示重建网络的能谱ct成像方法
US9508164B2 (en) Fast iterative image reconstruction method for 3D computed tomography
JP6615531B2 (ja) Ｘ線コンピュータ断層撮影装置及び医用画像処理装置
CN104574460B (zh) 一种ct图像重建方法和装置
JP2015145828A (ja) 画像処理装置及び画像処理プログラム
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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190920