CN110276813B - Ct图像重建方法、装置、存储介质和计算机设备 - Google Patents
Ct图像重建方法、装置、存储介质和计算机设备 Download PDFInfo
- Publication number
- CN110276813B CN110276813B CN201910369958.0A CN201910369958A CN110276813B CN 110276813 B CN110276813 B CN 110276813B CN 201910369958 A CN201910369958 A CN 201910369958A CN 110276813 B CN110276813 B CN 110276813B
- Authority
- CN
- China
- Prior art keywords
- image
- reconstructed
- reconstructed image
- iterative operation
- projection data
- 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
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及一种CT图像重建方法、装置、存储介质和计算机设备。CT图像重建方法包括获取CT图像的投影数据;根据所述投影数据,获得待重建图像;对所述待重建图像进行PWLS迭代运算,获得第一重建图像;对所述第一重建图像进行TGV正则化迭代运算,获得第二重建图像;对所述第二重建图像进行字典学习迭代运算,获得第三重建图像;当迭代未达到终止条件时,将所述第三重建图像作为待重建图像,返回所述对所述待重建图像进行PWLS迭代运算,获得第一重建图像的步骤;当迭代达到终止条件时,将所述第三重建图像作为最终的重建图像。通过迭代PWLS算法、TGV正则化以及学习字典算法不断对待重建图像进行降噪、去伪处理,从而获得高质量的重建图像。
Description
技术领域
本发明涉及医学图像处理技术领域,尤其涉及一种CT图像重建方法、装置、存储介质和计算机设备。
背景技术
计算机断层成像(CT)是通过无损方式获取物体内部结构信息的一种重要成像手段,它拥有高分辨率、高灵敏度以及多层次等众多优点,是我国装机量最大的医疗影像诊断设备之一,被广泛应用于各个医疗临床检查领域。然而,随着CT及上述衍生系统广泛应用于临床,由X射线引起的电离辐射引起了人们的广泛关注,特别是在妇女、儿童诊断中的应用。CT的图像质量与辐射剂量一般呈正比,辐射剂量越高,图像质量越好;然而,当采用的剂量过高时,会对人体造成伤害。合理使用低剂量(As Low As Reasonably Achievable,ALARA)原则要求在满足临床诊断的前提下,尽量降低对患者的辐射剂量。因此,研究和开发新的低剂量CT成像方法,不仅保证了CT成像质量,而且减少了有害的辐射剂量,从而对医疗诊断领域具有重要的科学意义和应用前景。
在现有技术中,一般有两种方法降低辐射剂量。第一、降低X射线球管管电流(mAs)来达到降低辐射剂量的目的。但是,在降低mAs的同时,投影数据中的噪声含量也随之增加,采用FBP方法重建出的图像中仍然含有大量的噪声,即使通过图像域的一般滤波方法处理也不能得到较好的图像,甚至会滤掉图像中一些重要的细节信息。第二、在保持mAs正常的情况下,通过增大采样间隔,降低投影数据的数量,达到总体剂量下降的目的。但是由于投影数量的减少,导致重建出来的图像含有严重的条状伪影。
发明内容
本发明的主要目的在于提供一种CT图像重建方法、装置、存储介质和计算机设备,旨在解决现有技术中重建图像质量差的技术问题。
为了解决上述技术问题,本发明提供的技术方案为:
一种CT图像重建方法,包括:获取CT图像的投影数据;根据所述投影数据,获得待重建图像;对所述待重建图像进行PWLS迭代运算,获得第一重建图像;对所述第一重建图像进行TGV正则化迭代运算,获得第二重建图像;对所述第二重建图像进行字典学习迭代运算,获得第三重建图像;当迭代未达到终止条件时,将所述第三重建图像作为待重建图像,返回所述对所述待重建图像进行PWLS迭代运算,获得第一重建图像的步骤;当迭代达到终止条件时,将所述第三重建图像作为最终的重建图像。
其中,所述对所述待重建图像进行PWLS迭代运算,获得第一重建图像的步骤包括:对所述待重建图像进行PWLS的公式表示为:
其中,所述对所述第一重建图像进行TGV正则化迭代运算,获得第二重建图像的步骤包括:对所述第一重建图像进行TGV正则化的公式表示为:
其中,f2为第二重建图像,μ为第一重建图像,β1和β2为预设的常数。
其中,所述对所述第二重建图像进行字典学习迭代运算,获得第三重建图像的步骤包括:对所述第二重建图像进行字典学习的公式表示为:
其中,f3为第三重建图像,f2为第二重建图像,Rj,k为取第二重建图像的矩阵,αj,k为第二重建图像的特征向量,vj,k为预设的常数。
其中,所述CT扫描为等角度间隔的CT扫描,所述CT扫描的间隔角度大于3度。
其中,所述根据所述投影数据,获得待重建图像的步骤包括:对所述投影数据进行FBP算法处理,获得待重建图像。
本发明提供的另一技术方案为:
一种CT图像重建装置,包括:投影数据获取模块:用于获取CT图像的投影数据;待重建数据获取模块:用于根据所述投影数据,获得待重建图像;第一重建图像获取模块:用于对所述待重建图像进行PWLS迭代运算,获得第一重建图像;第二重建图像获取模块:用于对所述第一重建图像进行TGV正则化迭代运算,获得第二重建图像;第三重建图像获取模块:对所述第二重建图像进行字典学习迭代运算,获得第三重建图像;第一判断模块:用于当迭代未达到终止条件时,将所述第三重建图像作为待重建图像,返回所述对所述待重建图像进行PWLS迭代运算,获得第一重建图像的步骤;第二判断模块:用于当迭代达到终止条件时,将所述第三重建图像作为最终的重建图像。
本发明提供的再一技术方案为:
一种存储介质,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行所述的CT图像重建方法中的步骤。
本发明提供的又一技术方案为:
一种计算机设备,包括处理器和存储器,所述存储器存储有多条指令,所述处理器加载所述指令以执行所述的CT图像重建方法中的步骤。
上述基于CT图像重建方法、装置、存储介质和计算机设备,通过迭代PWLS算法、TGV正则化以及学习字典算法不断对待重建图像进行降噪、去伪处理,从而获得高质量的重建图像。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明的一个实施例的CT图像重建方法的流程图。
图2是三种CT图像重建方法在稀疏角投影数据下获得的重建图像。
图3是三种CT图像重建方法在稀疏角投影数据下获得的重建图像分辨率评估参数表。
图4是根据本发明的一个实施例的CT图像重建方法的结构框图。
具体实施例
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而非全部实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,CT(Computed Tomography)扫描成像系统主要分以下三个部分:扫描系统(X线管、探测器和扫描架)、计算机系统、图像显示和存储、照相系统。其中,CT扫描成像系统的计算机系统包括主计算机和阵列计算机两部分。主计算机控制整个CT扫描成像系统的工作,其主要功能有:扫描监控,并将CT扫描得到的数据进行存储;CT值的校正;图像的重建控制与图像的后处理等。
如图1所示,在一个实施例中,提供一种CT图像重建方法。下面具体描述本实施例的CT图像重建的实现过程:
步骤101,获取CT扫描的投影数据。
在本发明的其中一些实施例中,在开始CT扫描前,根据被扫描物体的性质来设定扫描参数,被扫描物体的性质可以是尺寸大小、密度、组成元素等物理性质,例如,被扫描物体可以金属工件、人体、昆虫、动物、植物、电路板等不同性质的物体。因此对于不同的被扫描物体,需要设定不同的扫描参数,扫描参数包括投影放大比、探测器的数据采集方式、射线源的电压以及功率等,并且所有的扫描参数在后续的数据采集过程中保持不变。例如,如果被扫描物体是老鼠,则设定投影放大比为1:1,探测器的数据采集方式为连续,射线源的电压为80kv,功率为15w;如果被扫描物体是蚂蚁,则设定投影放大比为1:10,探测器的数据采集方式为连续,射线源的电压为20kv,功率为10w。
对被扫描物体进行等角度间隔圆周扫描,得到投影图像序列集。对被扫描物体进行等角度间隔扫描的步骤为:将转台连续等角度间隔地转动一周,并在每一次转动后对被扫描物体进行扫描。例如,等角度间隔扫描的过程可以是:将被扫描物体置于转台上,连续转动360次,每次转动1度,每转动一次就进行一次拍摄,直至转台旋转一周,得到投影图像序列集。
在本实施例中,连续转动116次,每次转动3.1度,每转动一次就进行一次拍摄,直至转台旋转一周。通过减少拍摄的次数,不仅可以提高图像重建的速度(采集的投影数据较小),而且可以降低CT扫描的时间;通过降低CT扫描的时间,从而减少待测物所引起的伪影(CT扫描的时间越长,待测物移动的几率越大);通过减少伪影,从而降低CT的辐射剂量。
另外,在本发明的其中一些实施例中,为了避免误差,在获取投影图像序列集时还需要进行转台闭合性的检查。转台闭合性指的是转台转动一周后回到起始位置的程度。例如,初始位置为A,放置被扫描物体让转台连续转动360次,每次转动1度,在旋转一周后到达终点位置B,在理论上旋转一周后得到的终点位置B是应当与初始位置A重合的,但是由于实际机械系统中所存在的误差,导致了初始位置A与终点位置B不重合。
检查转台闭合性可通过将被扫描物体等角度旋转预设次数,并在每一角度拍摄图像,待拍摄完成后进行图像的相减,观察相减后的图像,只要相减后的图像在预期范围内即可进行后续的图像扫描,例如,如果转台是完全闭合的,那么“0度图像”和“360度图像”应该是一样的,将“180度图像”翻转后所得到的图像与“0度图像”也应当是一样的。具体地,在转台中放置被扫描物体,采集第一幅0度图像a,等角度(90度)旋转四次,依采集被扫描物体的90度图像b、180度图像c、270度图像d以及360度图像e,分别用图像a减去图像e后再减去图像c的翻转图像,观察得到的相减后的图像,以根据经验判断转台的闭合程度是否满足要求,如果不满足要求,则要检查被扫描物体是否与转台牢固连接以及转台是否稳定,以保证转台闭合性在允许范围内方可进行后续的扫描。
步骤102,根据所述投影数据,获得待重建图像。
在本实施例中,对所述投影数据进行FBP算法处理,获得待重建图像。
步骤103,对所述待重建图像进行PWLS迭代运算,获得第一重建图像。
对所述待重建图像进行PWLS的公式表示为:
求解式(1),可获得如下公式:
通过对PWLS算法进行改进,从而降低待重建图像中的噪音和伪影,提高了第一重建图像的质量。
步骤104,对所述第一重建图像进行TGV正则化迭代运算,获得第二重建图像。
对所述第一重建图像进行TGV正则化的公式表示为:
其中,f2为第二重建图像,μ为第一重建图像,β1和β2为预设的常数。
对式(3)进行变形可获得如下公式:
对式(4)进行变形可获得如下公式:
通过对式(3)进行变形,使其内部的变量可控,通过改变变量,从而达到测试第一重建图像的效果。
求解式(5),可获得如下公式:
通过对TGV正则化算法进行改进,从而降低第一重建图像中的噪音和伪影,提高了第二重建图像的质量。
步骤105,对所述第二重建图像进行字典学习处理,获得第三重建图像。
对所述第二重建图像进行字典学习处理的公式表示为:
其中,f3为第三重建图像,f2为第二重建图像,Rj,k为取第二重建图像的矩阵,αj,k为第二重建图像的特征向量,vj,k为预设的常数。
通过对字典学习算法进行改进,从而降低第二重建图像中的噪音和伪影,提高了第三重建图像的质量。
步骤106,当迭代未达到终止条件时,将所述第三重建图像作为待重建图像,返回所述对所述待重建图像进行PWLS迭代运算,获得第一重建图像的步骤。
当迭代未达到终止条件时,表示第三重建图像中的噪音和伪影超过阈值,因此,需要进一步对第三重建图像进行降噪、去伪处理。
步骤107,当迭代达到终止条件时,将所述第三重建图像作为最终的重建图像。
当迭代达到终止条件时,表示第三重建图像中的噪音和伪影未超过阈值,从而停止迭代。在本实施例中,迭代的次数为50次,当迭代的次数超过50次后,对第三重建图像进行降噪、去伪的效果非常小。图2c为最终重建图像所形成的肺癌患者胸部断层图像;从图中可以看出,重建图像中显示的胸部断层非常清晰。
为了验证本实施例的效果,发明人采用同样的稀疏角投影数据对三种CT图像重建方法进行测试,图2a表示采用传统的迭代方法结合一阶全变差正则化惩罚项获得的重建图像,图2b表示采用传统迭代方法结合二阶全变差正则化惩罚项获得的重建图像,图2c表示采用本方法获得的重建图像。从图2a和图2b中可以看出,这两张重建图像的噪音较大,导致重建图像中显示的胸部断层比较模糊,因此,重建图像的质量较低。而经过优化处理后的图2c,重建图像的噪音较小,重建图像中显示的胸部断层非常清晰,因此,重建图像的质量较高。
图3是三种CT图像重建方法在稀疏角投影数据下获得的重建图像分辨率评估参数表。
从图中可以看出,本方法的重建图像在RMSE(均方根误差)和SSIM(结构相似形)上都得到了大幅度的改善,进一步证明了本方法的有效。
在上述实施例中,通过对上述待重建图像进行迭代重建处理,并且通过PWLS算法、TGV正则化以及字典算法不断对待重建图像进行降噪、去伪处理,从而获得高质量的重建图像。
如图4所示,在一个实施例中,提供了CT图像重建装置,该CT图像重建装置包括投影数据获取模块01、待重建数据获取模块02、第一重建图像获取模块03、第二重建图像获取模块04、第三重建图像获取模块05、第一判断模块06以及第二判断模块07。
投影数据获取模块01:用于获取CT图像的投影数据;待重建数据获取模块02:用于根据所述投影数据,获得待重建图像;第一重建图像获取模块03:用于对所述待重建图像进行PWLS迭代运算,获得第一重建图像;第二重建图像获取模块04:用于对所述第一重建图像进行TGV正则化迭代运算,获得第二重建图像;第三重建图像获取模块05:对所述第二重建图像进行字典学习迭代运算,获得第三重建图像;第一判断模块06:用于当迭代未达到终止条件时,将所述第三重建图像作为待重建图像,返回所述对所述待重建图像进行PWLS迭代运算,获得第一重建图像的步骤;第二判断模块07:用于当迭代达到终止条件时,将所述第三重建图像作为最终的重建图像。
待重建数据获取模块02还用于对所述投影数据进行FBP算法处理,获得待重建图像。
第一重建图像获取模块03还用于对所述待重建图像进行PWLS的公式表示为:
第二重建图像获取模块04还用于对所述第一重建图像进行TGV正则化的公式表示为:
其中,f2为第二重建图像,μ为第一重建图像,β1和β2为预设的常数。
第三重建图像获取模块05还用于对所述第二重建图像进行字典学习的公式表示为:
其中,f3为第三重建图像,f2为第二重建图像,Rj,k为取第二重建图像的矩阵,αj,k为第二重建图像的特征向量,vj,k为预设的常数。
需要说明的,本发明实施例的CT图像重建装置的具体实现过程与CT图像重建方法部分相同,具体可参见方法部分实施例,这里不再赘述。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述CT图像重建方法的步骤。此处CT图像重建方法的步骤可以是上述各个实施例的CT图像重建方法中的步骤。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时,使得处理器执行上述CT图像重建方法的步骤。此处CT图像重建方法的步骤可以是上述各个实施例的CT图像重建方法中的步骤。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,对于前述的各方法实施例,为了简便描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定都是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其它实施例的相关描述。
以上为对本发明所提供的一种CT图像重建方法、装置、存储介质和计算机设备的描述,对于本领域的技术人员,依据本发明实施例的思想,在具体实施例及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种CT图像重建方法,其特征在于,包括:
获取CT图像的投影数据;
根据所述投影数据,获得待重建图像;
对所述待重建图像进行PWLS迭代运算,获得第一重建图像;
对所述第一重建图像进行TGV正则化迭代运算,获得第二重建图像;
对所述第二重建图像进行字典学习迭代运算,获得第三重建图像;
当迭代未达到终止条件时,将所述第三重建图像作为待重建图像,返回所述对所述待重建图像进行PWLS迭代运算,获得第一重建图像的步骤;
当迭代达到终止条件时,将所述第三重建图像作为最终的重建图像;
所述对所述第二重建图像进行字典学习迭代运算,获得第三重建图像的步骤包括:
对所述第二重建图像进行字典学习的公式表示为:
其中,f3为第三重建图像,f2为第二重建图像,Rj,k为取第二重建图像的矩阵,αj,k为第二重建图像的特征向量,vj,k为预设的常数。
4.根据权利要求1所述的CT图像重建方法,其特征在于,所述CT扫描为等角度间隔的CT扫描,所述CT扫描的间隔角度大于3度。
5.根据权利要求1所述的CT图像重建方法,其特征在于,所述根据所述投影数据,获得待重建图像的步骤包括:
对所述投影数据进行FBP算法处理,获得待重建图像。
6.一种CT图像重建装置,其特征在于,包括:
投影数据获取模块:用于获取CT图像的投影数据;
待重建数据获取模块:用于根据所述投影数据,获得待重建图像;
第一重建图像获取模块:用于对所述待重建图像进行PWLS迭代运算,获得第一重建图像;
第二重建图像获取模块:用于对所述第一重建图像进行TGV正则化迭代运算,获得第二重建图像;
第三重建图像获取模块:对所述第二重建图像进行字典学习迭代运算,获得第三重建图像;
第一判断模块:用于当迭代未达到终止条件时,将所述第三重建图像作为待重建图像,返回所述对所述待重建图像进行PWLS迭代运算,获得第一重建图像的步骤;
第二判断模块:用于当迭代达到终止条件时,将所述第三重建图像作为最终的重建图像;
所述对所述第二重建图像进行字典学习迭代运算,获得第三重建图像的步骤包括:
对所述第二重建图像进行字典学习的公式表示为:
其中,f3为第三重建图像,f2为第二重建图像,Rj,k为取第二重建图像的矩阵,αj,k为第二重建图像的特征向量,vj,k为预设的常数。
7.一种存储介质,其特征在于,所述存储介质存储有多条指令,所述指令适于处理器进行加载,以执行权利要求1至5任一项所述的CT图像重建方法中的步骤。
8.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器存储有多条指令,所述处理器加载所述指令以执行权利要求1至5任一项所述的CT图像重建方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910369958.0A CN110276813B (zh) | 2019-05-06 | 2019-05-06 | Ct图像重建方法、装置、存储介质和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910369958.0A CN110276813B (zh) | 2019-05-06 | 2019-05-06 | Ct图像重建方法、装置、存储介质和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276813A CN110276813A (zh) | 2019-09-24 |
CN110276813B true CN110276813B (zh) | 2023-01-24 |
Family
ID=67960303
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910369958.0A Active CN110276813B (zh) | 2019-05-06 | 2019-05-06 | Ct图像重建方法、装置、存储介质和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276813B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110807821A (zh) * | 2019-10-12 | 2020-02-18 | 上海联影医疗科技有限公司 | 一种图像重建方法和系统 |
CN111489409A (zh) * | 2020-04-24 | 2020-08-04 | 东软医疗系统股份有限公司 | Ct图像处理方法、装置、ct设备及ct系统 |
CA3124052C (en) * | 2020-06-08 | 2022-05-10 | Guangzhou Computational Super-Resolution Biotech Co., Ltd. | Systems and methods for image processing |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102737392B (zh) * | 2012-06-07 | 2013-11-06 | 南方医科大学 | 一种低剂量x线ct图像的非局部正则化先验重建方法 |
CN104240210B (zh) * | 2014-07-21 | 2018-08-10 | 南京邮电大学 | 基于压缩感知的ct图像迭代重建方法 |
CN104408758A (zh) * | 2014-11-12 | 2015-03-11 | 南方医科大学 | 一种低剂量能谱ct图像处理方法 |
US9824468B2 (en) * | 2015-09-29 | 2017-11-21 | General Electric Company | Dictionary learning based image reconstruction |
CN109035360A (zh) * | 2018-07-31 | 2018-12-18 | 四川大学华西医院 | 一种基于压缩感知的cbct图像重建方法 |
CN109712209B (zh) * | 2018-12-14 | 2022-09-20 | 深圳先进技术研究院 | Pet图像的重建方法、计算机存储介质、计算机设备 |
-
2019
- 2019-05-06 CN CN201910369958.0A patent/CN110276813B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110276813A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP2232445B1 (en) | Method for image reconstruction using sparsity-constrained correction | |
CN110276813B (zh) | Ct图像重建方法、装置、存储介质和计算机设备 | |
Li et al. | Nonlinear sinogram smoothing for low-dose X-ray CT | |
Choi et al. | Compressed sensing based cone‐beam computed tomography reconstruction with a first‐order method a | |
JP2020036877A (ja) | 反復的画像再構成フレームワーク | |
Sun et al. | An iterative projection‐based motion estimation and compensation scheme for head x‐ray CT | |
US8805037B2 (en) | Method and system for reconstruction of tomographic images | |
Fahimian et al. | Radiation dose reduction in medical x‐ray CT via Fourier‐based iterative reconstruction | |
Pineda et al. | Beyond noise power in 3D computed tomography: the local NPS and off‐diagonal elements of the Fourier domain covariance matrix | |
US7747057B2 (en) | Methods and apparatus for BIS correction | |
JP2016152916A (ja) | X線コンピュータ断層撮像装置及び医用画像処理装置 | |
Schmidt et al. | A prototype table‐top inverse‐geometry volumetric CT system | |
US9076237B2 (en) | System and method for estimating a statistical noise map in x-ray imaging applications | |
JP2021013725A (ja) | 医用装置 | |
US7602879B2 (en) | Method for increasing the resolution of a CT image during image reconstruction | |
Sunnegårdh et al. | Regularized iterative weighted filtered backprojection for helical cone‐beam CT | |
Park et al. | A fully GPU-based ray-driven backprojector via a ray-culling scheme with voxel-level parallelization for cone-beam CT reconstruction | |
CN114387359A (zh) | 一种三维x射线低剂量成像方法及装置 | |
Zeng et al. | Approximations of noise covariance in multi-slice helical CT scans: impact on lung nodule size estimation | |
CN111670461B (zh) | 具有经改进的定量分析的低辐射剂量计算机断层摄影灌注(ctp) | |
Lv et al. | A back‐projection‐and‐filtering‐like (BPF‐like) reconstruction method with the deep learning filtration from listmode data in TOF‐PET | |
Cierniak | An analytical iterative statistical algorithm for image reconstruction from projections | |
Lee et al. | 3D MTF estimation using sphere phantoms for cone‐beam computed tomography systems | |
WO2020223865A1 (zh) | Ct图像重建方法、装置、存储介质和计算机设备 | |
WO2019051209A1 (en) | SYSTEM AND METHOD FOR REDUCING SINOGRAM DISTRIBUTED METAL ARTIFACTS |
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 |