CN110349234B - 一种ct锥形束图像重建方法及其系统 - Google Patents
一种ct锥形束图像重建方法及其系统 Download PDFInfo
- Publication number
- CN110349234B CN110349234B CN201910569542.3A CN201910569542A CN110349234B CN 110349234 B CN110349234 B CN 110349234B CN 201910569542 A CN201910569542 A CN 201910569542A CN 110349234 B CN110349234 B CN 110349234B
- Authority
- CN
- China
- Prior art keywords
- image
- cone beam
- initial
- difference
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000005516 engineering process Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 230000009466 transformation Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
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
-
- 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
- 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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
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锥形束图像重建方法及其系统,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第一次矫正图像;对初始图像和第一次矫正图像进行计算得到第一次差异图像;对第一次差异图像进行数值模拟产生差异锥形束投影数据;通过图像重建技术对差异锥形束投影数据处理得到第二次差异图像;对第一次差异图像和第二次差异图像融合得到第三次差异图像;初始图像和第三次差异图像融合得到最终图像。通过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
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锥形束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锥形束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锥形束图像重建方法,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第一次矫正图像;
对初始图像和第一次矫正图像进行计算得到第一次差异图像;
对第一次差异图像进行数值模拟产生差异锥形束投影数据;
通过图像重建技术对差异锥形束投影数据处理得到第二次差异图像;
对第一次差异图像和第二次差异图像融合得到第三次差异图像;
初始图像和第三次差异图像融合得到最终图像。
所述CT锥形束图像重建方法,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锥形束图像重建方法,其中,所述对初始图像进行非线性处理得到第一次矫正图像的步骤中,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。
所述CT锥形束图像重建方法,其中,所述对初始图像进行非线性处理得到第一次矫正图像的具体步骤为:
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第一次矫正图像。
所述CT锥形束图像重建方法,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锥形束图像重建方法,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锥形束图像重建方法,其中,在所述对第一次差异图像进行数值模拟产生差异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,从第一次矫正图像得到矫正锥形束投影数据。
所述CT锥形束图像重建方法,其中,在所述对初始图像和第一次矫正图像进行计算得到第一次差异图像的步骤中,通过对第一次矫正图像和初始图像融合得到第一次差异图像。
所述CT锥形束图像重建方法,其中,在所述通过图像重建技术对差异锥形束投影数据处理得到第二次差异图像的步骤中,其图像重建技术与步骤通过图像重建技术对圆周扫描得到的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。
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锥形束图像重建方法。
本发明所提供的一种CT锥形束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锥形束图像重建方法的实施例的步骤流程图。
图2是本发明中CT锥形束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锥形束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锥形束图像重建方法的一些实施例。
如图1所示,一种CT锥形束图像重建方法,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第一次矫正图像。
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第一次矫正图像,且能保证第一次矫正图像的成像质量。但是圆轨道的锥形束扫描因为数据不完备,因此会有数据缺失的问题,会引起锥束伪影,因此初始图像带有严重锥束伪影,通过非线性处理矫正初始图像而得到第一次矫正图像,会对该类型的伪影有所改善,但是会引起已有测量数据的偏差,因此,得到的第一次矫正图像中对原有测量数据有所缺失偏差。
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第一次矫正图像。
具体地,初始图像通过训练好的神经网络处理后得到第一次矫正图像,此时的第一次矫正图像在成像效果上尽可能的接近理想图像。
步骤S300、对初始图像和第一次矫正图像进行计算得到第一次差异图像。
具体地,通过对第一次矫正图像和初始图像融合得到第一次差异图像,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第一次差异图像的方式均可适应,本实施例中优先采用直接相减的方式实现融合。第一次差异图像包含了两部分:新增的没有测量到的数据(处理过程中的缺失数据),已有测量数据通过矫正变化后的数据。
步骤S400、对第一次差异图像进行数值模拟产生差异锥形束投影数据。
具体地,对第一次差异图像进行数值化处理,数值模拟产生差异锥形束投影数据,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,从而第一次差异图像得到差异锥形束投影数据更接近实际值。
步骤S500、通过图像重建技术对差异投影数据处理得到第二次差异图像。
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。第二次差异图像中通过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。第二次差异图像由于图像重建会导致新增的没有测量到的数据缺失,而只保留已有测量数据通过矫正变化后的数据。
步骤S600、对第一次差异图像和第二次差异图像融合得到第三次差异图像。
具体地,通过对第一次差异图像和第二次差异图像融合的到第三次差异图像,融合包括直接相减、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第三次差异图像的方式均可适应,本实施例中优先采用直接相减的方式实现融合。第三次差异图像包含的数据为新增的没有测量到的数据(处理过程中的缺失数据),由于第三次差异图像中包含没有测量到的数据,因此其图像的伪影得到矫正。
步骤S700、初始图像和第三次差异图像融合得到最终图像。
具体地,初始图像和第三次差异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,本实施例中通过初始图像和第三次差异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,相当于带有测量数据偏差缺失而产生伪影的初始图像加上包含处理过程中的缺失数据的第三次差异图像(矫正伪影的差异图像),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锥形束图像重建方法。
综上所述,本发明所提供的一种CT锥形束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第一次矫正图像;对初始图像和第一次矫正图像进行计算得到第一次差异图像;对第一次差异图像进行数值模拟产生差异锥形束投影数据;通过图像重建技术对差异锥形束投影数据处理得到第二次差异图像;对第一次差异图像和第二次差异图像融合得到第三次差异图像;初始图像和第三次差异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 (8)
1.一种CT锥形束图像重建方法,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,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;
对初始图像进行非线性处理得到第一次矫正图像;
对初始图像和第一次矫正图像进行计算得到第一次差异图像;
对第一次差异图像进行数值模拟产生差异锥形束投影数据;
通过图像重建技术对差异锥形束投影数据处理得到第二次差异图像;
对第一次差异图像和第二次差异图像融合得到第三次差异图像;
初始图像和第三次差异图像融合得到最终图像;
在所述通过图像重建技术对差异锥形束投影数据处理得到第二次差异图像的步骤中,其图像重建技术与步骤通过图像重建技术对圆周扫描得到的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。
2.根据权利要求1所述CT锥形束图像重建方法,其特征在于,所述对初始图像进行非线性处理得到第一次矫正图像的步骤中,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。
3.根据权利要求2所述CT锥形束图像重建方法,其特征在于,所述对初始图像进行非线性处理得到第一次矫正图像的具体步骤为:
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第一次矫正图像。
4.根据权利要求3所述CT锥形束图像重建方法,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1所述CT锥形束图像重建方法,其特征在于,在所述对第一次差异图像进行数值模拟产生差异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,从第一次矫正图像得到矫正锥形束投影数据。
7.根据权利要求1所述CT锥形束图像重建方法,其特征在于,在所述对初始图像和第一次矫正图像进行计算得到第一次差异图像的步骤中,通过对第一次矫正图像和初始图像融合得到第一次差异图像。
8.一种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1-7任一所述的CT锥形束图像重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569542.3A CN110349234B (zh) | 2019-06-27 | 2019-06-27 | 一种ct锥形束图像重建方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910569542.3A CN110349234B (zh) | 2019-06-27 | 2019-06-27 | 一种ct锥形束图像重建方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110349234A CN110349234A (zh) | 2019-10-18 |
CN110349234B true CN110349234B (zh) | 2023-06-20 |
Family
ID=68176715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910569542.3A Active CN110349234B (zh) | 2019-06-27 | 2019-06-27 | 一种ct锥形束图像重建方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110349234B (zh) |
Families Citing this family (5)
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 |
CN111260748B (zh) * | 2020-02-14 | 2023-07-28 | 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 |
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 |
CN112435307B (zh) * | 2020-11-26 | 2022-05-10 | 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 |
US11890124B2 (en) | 2021-02-01 | 2024-02-06 | Medtronic Navigation, Inc. | Systems and methods for low-dose AI-based imaging |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016154136A1 (en) * | 2015-03-20 | 2016-09-29 | Rensselaer Polytechnic Institute | Automatic system calibration method of x-ray ct |
EP3404618A1 (en) * | 2017-05-17 | 2018-11-21 | Carestream Health, Inc. | Poly-energetic reconstruction method for metal artifacts reduction |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5907594A (en) * | 1997-07-01 | 1999-05-25 | Analogic Corporation | Reconstruction of volumetric images by successive approximation in cone-beam computed tomography systems |
US8705827B2 (en) * | 2011-04-15 | 2014-04-22 | Georgia Tech Research Corporation | Scatter correction methods |
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 |
-
2019
- 2019-06-27 CN CN201910569542.3A patent/CN110349234B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016154136A1 (en) * | 2015-03-20 | 2016-09-29 | Rensselaer Polytechnic Institute | Automatic system calibration method of x-ray ct |
EP3404618A1 (en) * | 2017-05-17 | 2018-11-21 | Carestream Health, Inc. | Poly-energetic reconstruction method for metal artifacts reduction |
Also Published As
Publication number | Publication date |
---|---|
CN110349234A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335325B (zh) | 一种ct图像重建方法及其系统 | |
CN110349234B (zh) | 一种ct锥形束图像重建方法及其系统 | |
JP7202302B2 (ja) | 断層撮影再構成に使用するためのデータのディープラーニングに基づく推定 | |
US11026642B2 (en) | Apparatuses and a method for artifact reduction in medical images using a neural network | |
JP2020116377A (ja) | 医用処理装置、医用処理方法及び記憶媒体 | |
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 | |
CN110378982B (zh) | 重建图像处理方法、装置、设备及存储介质 | |
JP2021013736A (ja) | X線診断システム、画像処理装置及びプログラム | |
CN111260748B (zh) | 基于神经网络的数字合成x射线层析成像方法 | |
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 | |
CN111127579A (zh) | 一种基于神经网络去锥形束伪影的ct重建方法 | |
AU2019271915A1 (en) | Method and system for motion correction in CT imaging | |
CN113272869A (zh) | 医学成像中从定位片进行三维形状重构 | |
WO2023138197A1 (zh) | 图像重建方法及训练方法、装置、设备及存储介质 | |
CN104039233A (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) | |
JP2015231528A (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 | |
CN109741254A (zh) | 字典训练及图像超分辨重建方法、系统、设备及存储介质 | |
JP2022161857A (ja) | 深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法 | |
CN111968167B (zh) | Ct三维定位像的图像处理方法、装置和计算机设备 | |
KR102382602B1 (ko) | 3d 인공신경망 네트워크 기반 콘빔 아티팩트 보정 시스템 및 방법 | |
CN113192155B (zh) | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 | |
KR20200021156A (ko) | 사전 영상을 이용하는 고품질의 4차원 콘빔 전산화 단층 촬영 시스템 | |
CN112288762B (zh) | 一种有限角度ct扫描的离散迭代重建方法 |
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 |