CN110335325A - 一种ct图像重建方法及其系统 - Google Patents

一种ct图像重建方法及其系统 Download PDF

Info

Publication number
CN110335325A
CN110335325A CN201910569541.9A CN201910569541A CN110335325A CN 110335325 A CN110335325 A CN 110335325A CN 201910569541 A CN201910569541 A CN 201910569541A CN 110335325 A CN110335325 A CN 110335325A
Authority
CN
China
Prior art keywords
image
cone beam
projection data
beam 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.)
Granted
Application number
CN201910569541.9A
Other languages
English (en)
Other versions
CN110335325B (zh
Inventor
曾凯
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.)
ANKE HIGH-TECH Co Ltd SHENZHEN CITY
Original Assignee
ANKE HIGH-TECH Co Ltd SHENZHEN CITY
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 ANKE HIGH-TECH Co Ltd SHENZHEN CITY filed Critical ANKE HIGH-TECH Co Ltd SHENZHEN CITY
Priority to CN201910569541.9A priority Critical patent/CN110335325B/zh
Publication of CN110335325A publication Critical patent/CN110335325A/zh
Application granted granted Critical
Publication of CN110335325B publication Critical patent/CN110335325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/80—Geometric correction
    • 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
    • G06T5/50—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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种CT图像重建方法及其系统，所述方法包括步骤：通过图像重建技术对圆周扫描得到的初始锥形束投影数据重建得到初始图像；对初始图像进行非线性处理得到矫正图像；对矫正图像进行数值模拟产生矫正锥形束投影数据；对矫正锥形束投影数据和初始锥形束投影数据进行计算得到差异投影数据；通过图像重建技术对差异投影数据处理得到差异图像；差异图像和矫正图像融合得到最终图像。通过在现有的重建技术的基础上只加入了投影模拟和非线性变换，在伪影图像重建过程中实现简单而较少的计算量，相比迭代算法要更加简单，同时还能取得好的图像重建效果，满足临床的实际应用，具有通用性。

Description

一种CT图像重建方法及其系统
技术领域
本发明涉及医学成像技术领域，尤其涉及的是一种CT图像重建方法及其系统。
背景技术
CT医学成像系统自20世纪70年代发明了之后经过了长足的进步，扫描速度从开始要几分钟到现在的0.2秒。探测器排数也从开始的单排双排，到现在的64排，128排，甚至256排。这其中的变化不单单是系统硬件的升级换代，系统的图像重建技术也带来了革命性的变化。初期的CT系统由于只有一排探测器，所以X射线束是扇形束，所用到的重建技术也都是二维的扇形束重建技术。因为每次只能扫描一层，整个扫描需要很长的时间，后来多排CT引入就是为了加快扫描的速度，比如16排，32排的系统。这时候X射线也变成了三维的锥形束，和之前的几何结构有区别，所以必须要用锥形束重建技术来重建图像。
虽然锥形束精确重建技术的数学理论已经被提出来很久，但是由于算法的复杂性，还没有能够普遍的应用到系统中。目前主流CT产品中所应用的锥形束重建技术都是基于FDK算法的近似算法来解析图像。
但是由于重建误差和锥角(正比于探测器的排数)的平方成正比，所以在锥角(探测器排数)比较小的时候还能够得到比较好的效果(小于等于64排)。但是当探测器排数增大到128甚至256排的时候就会带来很大的误差。如图4和图5所示，图4是采用常规处理方法对锥形束伪影图像重建后图像，图5是目标图像。现有迭代算法虽然能够改善图像质量减少锥形束伪影对图像质量带来的影响，但是算法的计算量很大，很难满足临床的实际应用。
因此，现有技术还有待于改进和发展。
发明内容
本发明要解决的技术问题在于，针对现有技术的上述缺陷，提供一种CT图像重建方法及其系统，旨在解决现有技术中的迭代算法在减少锥形束伪影对图像质量带来的影响的过程中计算量很大，很难满足临床的实际应用的问题。
本发明解决技术问题所采用的技术方案如下：
一种CT图像重建方法，其中，包括步骤：
通过图像重建技术对圆周扫描得到的初始锥形束投影数据重建得到初始图像；
对初始图像进行非线性处理得到矫正图像；
对矫正图像进行数值模拟产生矫正锥形束投影数据；
对矫正锥形束投影数据和初始锥形束投影数据进行计算得到差异投影数据；
通过图像重建技术对差异投影数据处理得到差异图像；
差异图像和矫正图像融合得到最终图像。
所述CT图像重建方法，其中，所述通过图像重建技术对圆周扫描得到的初始锥形束投影数据重建得到初始图像的步骤具体包括：
通过圆周扫描采集锥形束投影数据；
采用FDK算法对圆周扫描得到的锥形束投影数据重建得到初始图像。
所述CT图像重建方法，其中，所述对初始图像进行非线性处理得到矫正图像的步骤中，所述非线性处理为减弱伪影的非线性函数处理，对于减弱伪影的非线性函数处理过程可以是基于不同组织的图像处理函数，或者为训练好的神经网络处理，易于理解的是用于减弱初始图像中伪影的算法过程均可应用在本过程中，应均为本方案的相似方案；本实施例中的优选方案为：减弱伪影的非线性函数处理为训练好的神经网络处理，所述训练好的神经网络处理是通过优化目标图像和输出图像的差异来使得输出图像尽可能接近理想图像。
所述CT图像重建方法，其中，所述对初始图像进行非线性处理得到矫正图像的步骤中的具体步骤为：
构建图像数据库，图像数据库的样本包括图像中无伪影的目标图像，以及存在锥形束伪影的输出图像；
构建多尺度卷积神经网络模型；
构建模型的目标函数；
利用图像数据库和模型按照目标函数训练神经网络；
利用训练好的神经网络处理初始图像得到矫正图像。
所述CT图像重建方法，其中，在所述构建多尺度卷积神经网络的步骤中，所述多尺度卷积神经网络模型为改进的ResNet或改进的Unet。
所述CT图像重建方法，其中，所述目标函数为：
其中ImgErr为图像的误差，Img为网络的输出图像，Imgtarg是数据库里面的目标图像；Imgk为输出图像中坐标为k的像素点，Imgtarg,k为数据库里面的目标图像中坐标为k的像素点。
所述CT图像重建方法，其中，在所述对矫正图像进行数值模拟产生矫正锥形束投影数据的过程中：
数值模拟过程为模拟CT系统的成像过程，从矫正图像得到矫正锥形束投影数据。
所述CT图像重建方法，其中，在所述通过图像重建技术对差异投影数据处理得到差异图像的步骤中，其图像重建技术与步骤通过图像重建技术对初始锥形束投影数据重建得到初始图像中的图像重建技术为同一图像重建技术。
所述CT图像重建方法，其中，在所述对矫正锥形束投影数据和初始锥形束投影数据进行计算得到差异投影数据的步骤中，通过对矫正锥形束投影数据和初始锥形束投影数据直接相减得到的误差投影数据。
一种CT图像重建系统，其中，包括：处理器，以及与所述处理器连接的存储器；
所述存储器存储有圆周扫描CT锥形束图像重建程序，所述圆周扫描CT锥形束图像重建程序被所述处理器执行时实现如上所述的CT图像重建方法。
本发明所提供的一种CT图像重建方法及其系统，所述方法包括步骤：通过图像重建技术对圆周扫描得到的初始锥形束投影数据重建得到初始图像；对初始图像进行非线性处理得到矫正图像；通过对矫正图像进行数值模拟产生矫正锥形束投影数据；对矫正锥形束投影数据和初始锥形束投影数据进行计算得到差异投影数据；通过图像重建技术对差异投影数据处理得到差异图像；差异图像和矫正图像融合得到最终图像。从而使带伪影的差异图像和矫正伪影的矫正图像结合实现锥形束伪影图像重建；通过在现有的重建技术的基础上只加入了投影模拟和非线性变换，在伪影图像重建过程中实现简单而较少的计算量，相比迭代算法要更加简单，同时还能取得好的图像重建效果，满足临床的实际应用，具有通用性。
附图说明
图1是本发明中CT图像重建方法的实施例的步骤流程图。
图2是本发明中CT图像重建方法较佳实施例的步骤流程图。
图3是本发明中CT图像重建方法的实施例流程示意图。
图4是采用常规处理方法对锥形束伪影图像重建后图像。
图5是目标图像。
图6是本发明中CT图像重建系统较佳实施例的功能原理框图。
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、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请同时参阅图1-图3，本发明提供了一种CT图像重建方法的一些实施例。
如图1所示，一种CT图像重建方法，包括以下步骤：
步骤S100、通过图像重建技术对圆周扫描得到的初始锥形束投影数据重建得到初始图像。
具体地，通过CT医学成像系统采用圆周扫描方式采集初始锥形束投影数据，这一过程通过现有CT成像系统完成，采集的初始锥形束投影数据经过数据重建后得到初始图像，这个初始图像由于现有探测器排数增大到128甚至256排的时候就会带来很大的误差，导致图像不能够满足临床诊断的要求，需要对图像进行处理。
如图2所示，所述步骤S100具体包括：
步骤S110、通过圆周扫描采集锥形束投影数据。
具体地，可通过模拟CT系统或CT医学成像系统直接采用圆周扫描的方式采集锥形束投影数据。
步骤S120、采用FDK算法对圆周扫描得到的锥形束投影数据重建得到初始图像。
本发明中，对于初始图像的重建算法可采用很多种，除FDK算法外，还可采用ART，SART等算法，这些算法均可应用在图像识别上，实现把锥形束投影数据重建得到初始图像。本发明中优选FDK算法或其改进算法，其对锥束几何圆形扫描轨迹实现三维图像重建，实现图像快速重建。
步骤S200、对初始图像进行非线性处理得到矫正图像。
具体地，得到初始图像后，对初始图像进行矫正，矫正过程所采用的是非线性变化的方式，使处理后的矫正图像更接近于需要的目标图像，即不带伪影的图像。非线性变化使图像接近CT所拍摄的物体本身的图像，是量化处理图像的重要方法之一。本实施例中的所述非线性处理为采用多层神经网络处理，所述多层神经网络处理通过优化目标图像和输入图像的差异来使得输出图像尽可能接近理想图像。
多层神经网络可以是基于近年来人工智能的神经网络训练方法来处理图像。输出图像就是带有锥束伪影的重建图像，目标图像就是没有锥形束伪影的原始图像。可以通过优化目标图像和输出图像的差异来使得输出图像尽可能的接近理想图像，输出图像在接近理想图像的过程中对神经网络训练。
采用训练后的神经网络，能使初始图像快速得到矫正图像，且能保证矫正图像的成像质量。
如图2所示，所述步骤S200具体包括：
步骤S210、构建图像数据库，图像数据库的样本包括图像中无伪影的目标图像，以及存在锥形束伪影的输出图像。
具体地，建立图像数据库，图像数据库中包括很多样本，每一个样本包括目标图像和输出图像，其中目标图像通过实际系统或仿真的投影数据生成，目标图像是理想的重建图像，图像中无伪影。输出图像通过采集得到，输出图像存在锥束伪影。
步骤S220、构建多尺度卷积神经网络模型。
具体地，所述多尺度卷积神经网络模型包括一层或多层卷积层且还包括池化层，多尺度卷积神经网络模型为改进的ResNet、改进的Unet或者其他应用在图像优化处理上的多尺度卷积神经网络模型。ResNet或Unet作为解析算法，需要根据图像的锥束伪影应用进行与之相关联的改进，因此改进的ResNet、改进的Unet是根据本发明中的图像处理而进行改进后适用于本发明中的ResNet、Unet。本实施中优先采用ResNet解析算法，随着网络的加深，出现了训练集准确率下降的现象，ResNet可以解决随着网络加深，准确率不下降的问题，应用在解决锥束伪影的多尺度卷积神经网络模型上对图像处理有更好的效果。
步骤S230、构建模型的目标函数。
本发明中，所述目标函数为：
其中ImgErr为图像的误差，Img为网络的输出图像，Imgtarg是数据库里面的目标图像；Imgk为输出图像中坐标为k的像素点，Imgtarg,k为数据库里面的目标图像中坐标为k的像素点。
通过目标函数，使输出图像与目标图像进行对比，训练优化多尺度卷积神经网络模型。
步骤S240、利用图像数据库和模型按照目标函数训练神经网络。
具体地，通过图像数据库中的输出图像和目标图像，利用梯度下降法针对目标函数，对神经网络的参数进行优化。训练完成后，整个神经网络的参数被保留下来，供后续过程使用。
步骤S250、利用训练好的神经网络处理初始图像得到矫正图像。
具体地，初始图像通过训练好的神经网络处理后得到矫正图像，此时的矫正图像在成像效果上尽可能的接近理想图像。
步骤S300、对矫正图像进行数值模拟产生矫正锥形束投影数据。
具体地，对矫正图像进行数值化处理，数值模拟产生矫正锥形束投影数据，数值模拟过程为模拟CT系统的成像过程，这一过程与实际的数值模拟过程相符合，从而矫正图像得到矫正锥形束投影数据更接近实际值。
步骤S400、对矫正锥形束投影数据和初始锥形束投影数据进行计算得到差异投影数据。
具体地，通过对矫正锥形束投影数据和初始锥形束投影数据融合得到的误差投影数据，融合计算包括直接相减、相加、部分相减、部分相加、线性组合等，本实施例中的融合过程只要可以对比得到误差投影数据的方式均可适应，本实施例中优先采用直接相减的方式实现融合。误差投影数据得出矫正的部分数据。
步骤S500、通过图像重建技术对差异投影数据处理得到差异图像。
具体地，其图像重建技术与步骤通过图像重建技术对初始锥形束投影数据重建得到初始图像中的图像重建技术为同一图像重建技术，可均采用FDK算法重建。这样采用同一图像重建技术对图像的处理结果具有一致性，便于后续的图像处理。
步骤S600、差异图像和矫正图像融合得到最终图像。
具体地，差异图像和矫正图像融合得到最终图像，实现图像的重建，融合过程包括直接相减、相加、部分相减、部分相加、线性组合等，使伪影在矫正过程中消除，本实施例中通过差异图像和矫正图像进行相加得到更接近实际的最终图像，即直接把两幅图像加到一起，相当于带有伪影的差异图像加上矫正伪影的矫正图像，得到伪影重建的图像。
如图2、图3所示，本发明方法在现有的重建技术的基础上只是加入了投影模拟和非线性变换，计算量相对于原来的方法增加不多，相比迭代算法要简单的多。同时还能取得好的图像重建效果，具有通用性。
如图6所示，本发明还提出一种CT图像重建系统，其中，包括有处理器10，以及与所述处理器连接的存储器20。
所述存储器20存储有圆周扫描CT锥形束伪影图像重建程序，所述圆周扫描CT锥形束伪影图像重建程序被所述处理器10执行时实现如上所述的CT图像重建方法。
综上所述，本发明所提供的一种CT图像重建方法及其系统，所述方法包括步骤：通过图像重建技术对圆周扫描得到的初始锥形束投影数据重建得到初始图像；对初始图像进行非线性处理得到矫正图像；通过对矫正图像进行数值模拟产生矫正锥形束投影数据；对矫正锥形束投影数据和初始锥形束投影数据进行计算得到差异投影数据；通过图像重建技术对差异投影数据处理得到差异图像；差异图像和矫正图像融合得到最终图像。从而使带伪影的差异图像和矫正伪影的矫正图像结合实现锥形束伪影图像重建；通过在现有的重建技术的基础上只加入了投影模拟和非线性变换，在伪影图像重建过程中实现简单而较少的计算量，相比迭代算法要更加简单，同时还能取得好的图像重建效果，满足临床的实际应用，具有通用性。
应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (10)

1.一种CT图像重建方法，其特征在于，包括步骤：
通过图像重建技术对圆周扫描得到的初始锥形束投影数据重建得到初始图像；
对初始图像进行非线性处理得到矫正图像；
对矫正图像进行数值模拟产生矫正锥形束投影数据；
对矫正锥形束投影数据和初始锥形束投影数据进行计算得到差异投影数据；
通过图像重建技术对差异投影数据处理得到差异图像；
差异图像和矫正图像融合得到最终图像。
2.根据权利要求1所述CT图像重建方法，其特征在于，所述通过图像重建技术对圆周扫描得到的初始锥形束投影数据重建得到初始图像的步骤具体包括：
通过圆周扫描采集锥形束投影数据；
采用FDK算法对圆周扫描得到的锥形束投影数据重建得到初始图像。
3.根据权利要求1所述CT图像重建方法，其特征在于，所述对初始图像进行非线性处理得到矫正图像的步骤中，所述非线性处理为减弱伪影的非线性函数处理，减弱伪影的非线性函数处理为训练好的神经网络处理，所述训练好的神经网络处理是通过优化目标图像和输出图像的差异来使得输出图像接近理想图像。
4.根据权利要求3所述CT图像重建方法，其特征在于，所述对初始图像进行非线性处理得到矫正图像的步骤中的具体步骤为：
构建图像数据库，图像数据库的样本包括图像中无伪影的目标图像，以及存在锥形束伪影的输出图像；
构建多尺度卷积神经网络模型；
构建模型的目标函数；
利用图像数据库和模型按照目标函数训练神经网络；
利用训练好的神经网络处理初始图像得到矫正图像。
5.根据权利要求4所述CT图像重建方法，其特征在于，在所述构建多尺度卷积神经网络的步骤中，所述多尺度卷积神经网络模型为改进的ResNet或改进的Unet。
6.根据权利要求5所述CT图像重建方法，其特征在于，所述目标函数为：
其中ImgErr为图像的误差，Img为网络的输出图像，Imgtarg是数据库里面的目标图像；Imgk为输出图像中坐标为k的像素点，Imgtarg,k为数据库里面的目标图像中坐标为k的像素点。
7.根据权利要求1所述CT图像重建方法，其特征在于，在所述对矫正图像进行数值模拟产生矫正锥形束投影数据的过程中：
数值模拟过程为模拟CT系统的成像过程，从矫正图像得到矫正锥形束投影数据。
8.根据权利要求1所述CT图像重建方法，其特征在于，在所述对矫正锥形束投影数据和初始锥形束投影数据进行计算得到差异投影数据的步骤中，通过对矫正锥形束投影数据和初始锥形束投影数据融合得到的误差投影数据。
9.根据权利要求8所述CT图像重建方法，其特征在于，在所述通过图像重建技术对差异投影数据处理得到差异图像的步骤中，其图像重建技术与步骤通过图像重建技术对初始锥形束投影数据重建得到初始图像中的图像重建技术为同一图像重建技术。
10.一种CT图像重建系统，其特征在于，包括：处理器，以及与所述处理器连接的存储器；
所述存储器存储有圆周扫描CT锥形束伪影图像重建程序，所述圆周扫描CT锥形束伪影图像重建程序被所述处理器执行时实现如权利要求1-9任一所述的CT图像重建方法。
CN201910569541.9A 2019-06-27 2019-06-27 一种ct图像重建方法及其系统 Active CN110335325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910569541.9A CN110335325B (zh) 2019-06-27 2019-06-27 一种ct图像重建方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910569541.9A CN110335325B (zh) 2019-06-27 2019-06-27 一种ct图像重建方法及其系统

Publications (2)

Publication Number Publication Date
CN110335325A true CN110335325A (zh) 2019-10-15
CN110335325B CN110335325B (zh) 2023-07-21

Family

ID=68143431

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910569541.9A Active CN110335325B (zh) 2019-06-27 2019-06-27 一种ct图像重建方法及其系统

Country Status (1)

Country Link
CN (1) CN110335325B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111110260A (zh) * 2019-12-24 2020-05-08 沈阳先进医疗设备技术孵化中心有限公司 一种图像重建方法、装置及终端设备
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
CN111192228A (zh) * 2020-01-02 2020-05-22 沈阳先进医疗设备技术孵化中心有限公司 图像处理方法、装置、ct设备及ct系统
CN111260748A (zh) * 2020-02-14 2020-06-09 南京安科医疗科技有限公司 基于神经网络的数字合成x射线层析成像方法
CN112102428A (zh) * 2020-11-23 2020-12-18 南京安科医疗科技有限公司 Ct锥形束扫描图像重建方法、扫描系统计及存储介质
CN112435307A (zh) * 2020-11-26 2021-03-02 浙江大学 一种深度神经网络辅助的四维锥束ct影像重建方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999001065A1 (en) * 1997-07-01 1999-01-14 Analogic Corporation Iterative cone-beam ct reconstruction
DE102008010234A1 (de) * 2008-02-21 2009-09-10 Siemens Aktiengesellschaft Verfahren für die Computertomographie zur Korrektur der Strahlungsaufhärtung
US9524567B1 (en) * 2014-06-22 2016-12-20 InstaRecon Method and system for iterative computed tomography reconstruction
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
CN109472836A (zh) * 2018-09-13 2019-03-15 西安大数据与人工智能研究院 一种ct迭代重建中伪影校正方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1999001065A1 (en) * 1997-07-01 1999-01-14 Analogic Corporation Iterative cone-beam ct reconstruction
DE102008010234A1 (de) * 2008-02-21 2009-09-10 Siemens Aktiengesellschaft Verfahren für die Computertomographie zur Korrektur der Strahlungsaufhärtung
US9524567B1 (en) * 2014-06-22 2016-12-20 InstaRecon Method and system for iterative computed tomography reconstruction
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
CN109472836A (zh) * 2018-09-13 2019-03-15 西安大数据与人工智能研究院 一种ct迭代重建中伪影校正方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111110260A (zh) * 2019-12-24 2020-05-08 沈阳先进医疗设备技术孵化中心有限公司 一种图像重建方法、装置及终端设备
CN111110260B (zh) * 2019-12-24 2023-09-26 沈阳先进医疗设备技术孵化中心有限公司 一种图像重建方法、装置及终端设备
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
CN111192228A (zh) * 2020-01-02 2020-05-22 沈阳先进医疗设备技术孵化中心有限公司 图像处理方法、装置、ct设备及ct系统
CN111192228B (zh) * 2020-01-02 2024-03-08 东软医疗系统股份有限公司 图像处理方法、装置、ct设备及ct系统
CN111260748A (zh) * 2020-02-14 2020-06-09 南京安科医疗科技有限公司 基于神经网络的数字合成x射线层析成像方法
CN112102428A (zh) * 2020-11-23 2020-12-18 南京安科医疗科技有限公司 Ct锥形束扫描图像重建方法、扫描系统计及存储介质
CN112102428B (zh) * 2020-11-23 2021-02-09 南京安科医疗科技有限公司 Ct锥形束扫描图像重建方法、扫描系统及存储介质
CN112435307A (zh) * 2020-11-26 2021-03-02 浙江大学 一种深度神经网络辅助的四维锥束ct影像重建方法

Also Published As

Publication number Publication date
CN110335325B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN110335325A (zh) 一种ct图像重建方法及其系统
CN110349234A (zh) 一种ct锥形束图像重建方法及其系统
CN110570492B (zh) 一种基于神经网络的ct伪影抑制方法、设备以及介质
US11170258B2 (en) Reducing noise in an image
EP3234919B1 (en) System and method for image reconstruction
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
CN110298447B (zh) 用于处理机器学习方法的参数的方法以及重建方法
JP2020537555A (ja) 機械学習レギュラライザを用いた画像再構成
US10255696B2 (en) System and method for image reconstruction
Sun et al. An iterative projection‐based motion estimation and compensation scheme for head x‐ray CT
CN110378982B (zh) 重建图像处理方法、装置、设备及存储介质
CN112348936B (zh) 一种基于深度学习的低剂量锥束ct图像重建方法
JPH09253079A (ja) Ｘ線断層撮影装置
CN111260748B (zh) 基于神经网络的数字合成x射线层析成像方法
CN104039233B (zh) 使用迭代近似法的x射线计算机断层摄影装置(x射线ct装置)
CN105631909B (zh) 伪影修正辅助的cbct迭代重建方法
JP5190825B2 (ja) 画像再構成装置、画像再構成方法、画像再構成プログラム、ｃｔ装置
CN108280859B (zh) 一种采样角度受限下的ct稀疏投影图像重建方法及装置
CN109472841B (zh) 基于混合高斯/泊松最大似然函数的cbct三维重建方法
CN112598649B (zh) 基于生成对抗网络的2d/3d脊椎ct非刚性配准方法
Syben et al. Known operator learning enables constrained projection geometry conversion: Parallel to cone-beam for hybrid MR/X-ray imaging
Kim et al. Convolutional neural network–based metal and streak artifacts reduction in dental CT images with sparse‐view sampling scheme
Peterlik et al. Reducing residual‐motion artifacts in iterative 3D CBCT reconstruction in image‐guided radiation therapy
CN109118439B (zh) 基于线积分的锥束ct去模糊方法
JP2017221339A (ja) Ｘ線ｃｔ画像再構成方法およびコンピュータプログラム

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