CN110731788B - 一种基于双能ct扫描仪对基物质进行快速分解的方法 - Google Patents

一种基于双能ct扫描仪对基物质进行快速分解的方法 Download PDF

Info

Publication number
CN110731788B
CN110731788B CN201910649104.8A CN201910649104A CN110731788B CN 110731788 B CN110731788 B CN 110731788B CN 201910649104 A CN201910649104 A CN 201910649104A CN 110731788 B CN110731788 B CN 110731788B
Authority
CN
China
Prior art keywords
energy
projection
value
decomposition
low
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
Application number
CN201910649104.8A
Other languages
English (en)
Other versions
CN110731788A (zh
Inventor
史再峰
李慧龙
曹清洁
王仲琦
李金卓
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.)
Tianjin University
Original Assignee
Tianjin University
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 Tianjin University filed Critical Tianjin University
Priority to CN201910649104.8A priority Critical patent/CN110731788B/zh
Publication of CN110731788A publication Critical patent/CN110731788A/zh
Application granted granted Critical
Publication of CN110731788B publication Critical patent/CN110731788B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • 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
    • A61B6/48—Diagnostic techniques
    • A61B6/482—Diagnostic techniques involving multiple energy imaging
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • 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
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • A61B6/5217—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data extracting a diagnostic or physiological parameter from medical diagnostic data
    • 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
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Radiology & Medical Imaging (AREA)
  • Heart & Thoracic Surgery (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Veterinary Medicine (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Physiology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明提出了一种基于双能CT扫描仪对基物质进行快速分解的方法；在所获得的高能投影域数据中找到最大值，并根据两种基物质在该高能条件下的衰减系数确定两个分解系数的最大值aHM、bHM，同样求出低能投影域下两个分解系数的最大值aLM、bLM，进而得到两个分解系数的取值范围；然后对两种基物质在各自取值范围内不同分解系数组合进行投影得到能谱查找表，最后对实际测得的高低能投影域数据通过遍历查找表的方式获得最佳分解系数，避免了传统通过迭代法求解非线性方程所带来的求解速度慢，分解系数值不准确的问题。

Description

一种基于双能CT扫描仪对基物质进行快速分解的方法
技术领域
本发明涉及能谱CT成像领域，尤其对于在双能CT获得的投影域数据，利用基物质分解进行物质解析的方法。
背景技术
目前，CT成像技术己成为现代医学和工业重要的检测与诊断手段，而且起着越来越重要的作用。如今广泛使用的传统CT成像的优势在于能够快速、可靠、简便地获取患者解剖的体积、形态信息。然而，传统的CT采集只能显示患者的形态，它们没有提供任何有关被检查结构的化学成分的信息。而且含有不同化学成分的组织经过X射线扫描后会出现相同的衰减系数，进而导致重建出组织图像的不准确。随着CT采样技术的日益发展，通过不同X射线能谱的数据采集，增加有关被检测组织的额外信息，有助于克服这一限制。因此，双能CT成像的概念被提出，相较于传统CT能够提供病人的解剖结构信息以及组织的化学成分信息。因为物体对X射线的衰减取决于射线的能量大小，不同能量的采样会提供更多的物体内部信息，通过CT重建算法，就能够获得被扫描物体的单能图像和电子密度以及有效原子系数图像，从而实现物质区分。除此之外，双能CT还可以有效的去除射束硬化伪影、优化图像质量、对扫描对象进行定性和定量的分析。作为一种全新的医学图像诊断技术，双能CT可以在一定程度上解决传统CT异病同像的问题。
双能CT重建过程包括双能分解和图像重建两部分。双能分解过程中常用的物质线性衰减系数模型包括双效应分解模型和基物质分解模型两种。而根据重建方法的不同，双能CT重建算法可以分为三大类：①投影分解重建算法，该类方法主要是通过高、低能投影数据得到分解系数投影值。然后由投影值反投影求出分解系数。②后处理重建算法，该类方法首先使用高、低能投影数据重建出高、低能CT图像，然后使用高、低能CT图像求解分解系数。③迭代重建算法，通过双能迭代，得到分解系数图像。本发明属于第一大类，基于投影域数据分解技术是投影分解重建算法的关键技术，现有的方法如多项式间接拟合法、多项式直接拟合法等虽然在一定程度上促进了双能CT技术的发展，但是它们求解过程复杂，计算速度慢并且对噪声十分敏感，分解精度还有待提高。总之,现有投影分解方法还不能满足实际工作需求,需要研究简便实用的投影分解方法
发明内容
本发明提出了一种基于双能CT扫描仪对基物质进行快速分解的方法，该方法依据CT系统能谱和基物质线性衰减系数建立X射线的高低能谱查找表，后对于实测得到的高低能投影数据，在查找表中匹配最佳基物质分解系数，达到快速且准确的进行投影域基物质分解的目的。
为了解决现有技术中存在的问题，本发明采用如下技术方案予以实施：
1、一种基于双能CT扫描仪对基物质进行快速分解的方法，包括如下步骤：
S1,在双能CT系统中获取被测物的投影域中高能数据矩阵P(EH)和低能数据矩阵P(EL)；
S2，选取所需的基物质根据高能数据矩阵P(EH)和低能数据矩阵P(EL)建立能谱查找表；
S3,根据能谱查找表中高能投影值pH(i，j)和低能投影值pL(i，j)构建投影匹配基础物质模型；
3.1,分别判断高能投影值pH(i，j)和低能投影值pL(i，j)的极值是否与能谱查找表中对应数值匹配；如果满足条件，则进入3.3步骤；否则进入3.2步骤；
3.2，采用欧式距离算法选取高能投影值pH(i，j)和低能投影值pL(i，j)的极值的最佳匹配数值；
3.3，分别判断高能投影值pH(i，j)和低能投影值pL(i，j)的极值中第i行是否为所在投影矩阵的最后一行，如果满足条件，则进入S4步骤，否则S3步骤；且令i＝i+1；
S4,根据能谱查找表的步长d求解最佳匹配点坐标(i0，j0)在每条投影域上的最佳物质分解系数af和bf；
S5,求出投影域数据矩阵中与所有路径下的投影值相匹配的基物质最佳分解系数，完成基物质分解。
所述S1步骤中通过如下公式建立S(EL)和S(EH)表示高低能X射线源的能谱，则对于某一路经下投影域数据满足公式(1、2)：
所述S2建立能谱查找表包括如下步骤：
2.1,选取两种物质作为投影域数据分解的基物质，通过查询所选基物质在不同能量下衰减系数值分别得到第一基础物在高能和低能条件下的衰减系数μ1(EH)以及μ1(EL)；第二基础物在高能和低能条件下的衰减系数μ2(EH)以及μ2(EL)，使用a代表水的物质分解系数，b代表钙的分解系数，则基物质分解模型如公式(1)所示：
2.2，在投影域数据矩阵P(EH)、P(EL)中分别求出衰减系数最大的投影域数据pHM，pLM。对其进行Radon反变换得到该路径下对应的衰减系数μHM以及μLM；之后代入基物质分解模型公式(1)分别得到第一基础物的分解系数a和第二的分解系数b在高能条件下的最大值aHM、bHM以及低能条件下的最大值aLM、bLM。从而确定两个分解系数的取值范围；
2.3，分别建立高能投影和低能投影的能谱查找表：对于高能查找表，分解系数a的取值范围为[0,aHM]，分解系数b的取值范围为[0,bHM]；
使用i和j分别代表查找表的行编号和列编号，分解系数的步进值选择但不限于0.1，生成分解系数序列a(i)和b(j)；通过公式(1)和(3)计算出每对序列的对应的高能投影值pH(i，j)，从而完成高能查找表的构建；
对于低能查找表，分解系数a的取值范围为[0,aLM]，分解系数b的取值范围为[0,bLM]，选择与高能查找表相同的步进值以及分解系数序列，通过公式(2)和(3)计算出相应的低能投影值pL(i，j)，完成低能查找表的构建。
有益效果
本发明提出了一种基于双能CT扫描仪对基物质进行快速分解的方法：
首先，采用建立查找表的方式求解最佳基物质分解系数，避免了传统通过迭代法求解非线性方程所带来的求解速度慢，分解系数值不准确的问题。
其次，在建立查找表时根据获得的投影域数据来自适应的确定查找表的规模，而非事先确定，从而可以有效减小查找表的规模，缩短了匹配最佳分解系数的时间。
最后，通过建立拟合方程求解查找表中行最佳匹配点的方式进行查找表匹配避免了遍历行内所有数据点，大大减少了计算量。
附图说明
图1是本发明基物质分解系统框图。
图2是本发明流程图。
具体实施方式
下面结合附图和实施例对本发明做进一步说明。
本发明提出了一种基于双能CT扫描仪对基物质进行快速分解的方法，该算法在整个系统中的应用模块如附图1所示，属于双能CT基物质分解系统的核心模块，主要思路是首先在所获得的高能投影域数据中找到最大值，并根据两种基物质在该高能条件下的衰减系数确定两个分解系数的最大值aHM、bHM，同样求出低能投影域下两个分解系数的最大值aLM、bLM，进而得到两个分解系数的取值范围。然后对两种基物质在各自取值范围内不同分解系数组合进行投影得到能谱查找表，最后对实际测得的高低能投影域数据通过遍历查找表的方式获得最佳分解系数。本发明实施流程图如附图2所示，采用用水和钙两种基物质，具体的实施步骤如下：
S1：对待测物体或人体使用双能CT系统进行扫描，获得在高能(EH)以及低能(EL)条件下的投影域数据矩阵P(EH)、P(EL)。使用p代表X射线沿某一路径得到的投影域数据。使用μ代表被扫描物体或人体的线性衰减系数，S(EL)和S(EH)表示高低能X射线源的能谱，则对于某一路经下投影域数据满足公式(1、2)：
S2：建立能谱查找表，又分为3步：
2.1选取但不限于水(H2O)和钙(Ga)这两种物质作为投影域数据分解的基物质，通过查询所选基物质在不同能量下衰减系数值分别得到水在高能和低能条件下的衰减系数μ1(EH)以及μ1(EL)；钙在高能和低能条件下的衰减系数μ2(EH)以及μ2(EL)，使用a代表水的物质分解系数，b代表钙的分解系数，则基物质分解模型如公式(3)所示：
2.2在投影域数据矩阵P(EH)、P(EL)中分别求出衰减系数最大的投影域数据pHM，pLM。对其进行Radon反变换得到该路径下对应的衰减系数μHM以及μLM。之后代入基物质分解模型公式(3)分别得到水的分解系数a和钙的分解系数b在高能条件下的最大值aHM、bHM以及低能条件下的最大值aLM、bLM。从而确定两个分解系数的取值范围。
2.3分别建立高能投影和低能投影的能谱查找表。对于高能查找表，分解系数a的取值范围为[0,aHM]，分解系数b的取值范围为[0,bHM]；使用i和j分别代表查找表的行编号和列编号，分解系数的步进值选择但不限于0.1，生成分解系数序列a(i)和b(j)。通过公式(1)和(3)计算出每对序列的对应的高能投影值pH(i，j)，从而完成高能查找表的构建。
同样的方法，对于低能查找表，分解系数a的取值范围为[0,aLM]，分解系数b的取值范围为[0,bLM]，选择与高能查找表相同的步进值以及分解系数序列，通过公式(2)和(3)计算出相应的低能投影值pL(i，j)，完成低能查找表的构建。如下表所示即能谱查找表：
高能投影值(pH)
*(a,b)表示两种基物质分解系数的不同组合
S3：建立线性方程，拟合第i(初始值为1)行数据中坐标j分别与高能投影值pH(j)以及低能投影值pL(j)的关系,并通过公式(4)建立一元二次函数，通过但不限于求导数的方法求该函数的极值，通过对在Step2中所建立的能谱查找表索引找出对应的极小值点j0。
f＝[pL(j)-p(EL)]2+[pH(j)-p(EH)]2(4)
3.1如果j0在表内没有对应的点，则执行3.2。如果j0在表内可以找到完全对应的点，则j0作为该行的最佳匹配点，直接执行3.3。
3.2：选取与j0相邻的4个点分别计算极值与4个相邻点的欧式距离。距离最小的点作为行最佳匹配点。
3.3：判断第i行是否为投影矩阵的最后一行，如果不是最后一行，则i的值加1，跳到S3；如果i为最后一行，则执行S4。
S5：比较所有的行最佳匹配点，找到全局的最佳匹配点坐标(i0，j0)。根据能谱查找表的步长d求解每条投影路径上的最佳物质分解系数af和bf。计算方法如公式(5)所示。
S6：求出投影域数据矩阵中与所有路径下的投影值相匹配的水和钙的最佳分解系数，完成基物质分解。
通过上述步骤后，就可以实现对被扫描物体或者人体进行准确的基物质分解，得到两种基物质在不同投影角度的最佳分解系数。
应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (1)

1.一种基于双能CT扫描仪对基物质进行快速分解的方法，其特征在于，包括如下步骤：
S1,对待测物体或人体使用双能CT系统进行扫描，获得在高能(EH)以及低能(EL)条件下的投影域数据矩阵P(EH)、P(EL)；使用p代表X射线沿某一路径得到的投影域数据；使用μ代表被扫描物体或人体的线性衰减系数，S(EL)和S(EH)表示高低能X射线源的能谱，则对于某一路径下投影域数据满足如下公式；
S2，选取所需的基物质根据高能数据矩阵P(EH)和低能数据矩阵P(EL)建立能谱查找表；所述步骤S2建立能谱查找表包括如下步骤：
2.1,选取两种物质作为投影域数据分解的基物质，通过查询所选基物质在不同能量下衰减系数值分别得到第一基础物在高能和低能条件下的衰减系数μ1(EH)以及μ1(EL)；第二基础物在高能和低能条件下的衰减系数μ2(EH)以及μ2(EL)，使用a代表水的物质分解系数，b代表钙的分解系数，则基物质分解模型如公式(3)所示：
2.2，在投影域数据矩阵P(EH)、P(EL)中分别求出衰减系数最大的投影域数据pHM，pLM；对其进行Radon反变换得到该路径下对应的衰减系数μHM以及μLM；之后代入基物质分解模型公式(3)分别得到第一基础物的分解系数a和第二基础物的分解系数b在高能条件下的最大值aHM、bHM以及低能条件下的最大值aLM、bLM；从而确定两个分解系数的取值范围；
2.3，分别建立高能投影和低能投影的能谱查找表：对于高能查找表，分解系数a的取值范围为[0,aHM]，分解系数b的取值范围为[0,bHM]；
使用i和j分别代表查找表的行编号和列编号，分解系数的步进值选择但不限于0.1，生成分解系数序列a(i)和b(j)；通过公式(1)和(3)计算出每对序列的对应的高能投影值pH(i，j)，从而完成高能查找表的构建；
对于低能查找表，分解系数a的取值范围为[0,aLM]，分解系数b的取值范围为[0,bLM]，选择与高能查找表相同的步进值以及分解系数序列，通过公式(2)和(3)计算出相应的低能投影值pL(i，j)，完成低能查找表的构建；
S3,根据能谱查找表中高能投影值pH(i，j)和低能投影值pL(i，j)构建投影匹配基物质模型；
3.1,分别判断高能投影值pH(i，j)和低能投影值pL(i，j)的极值是否与能谱查找表中对应数值匹配；如果满足条件，则进入3.3步骤；否则进入3.2步骤；
3.2，采用欧式距离算法选取高能投影值pH(i，j)和低能投影值pL(i，j)的极值的最佳匹配数值；
3.3，分别判断高能投影值pH(i，j)和低能投影值pL(i，j)的极值中第i行是否为所在投影矩阵的最后一行，如果满足条件，则进入S4步骤，否则S3步骤；且令i＝i+1；
S4,根据能谱查找表的步长d求解最佳匹配点坐标(i0，j0)在每条投影域上的最佳物质分解系数af和bf；
S5,求出投影域数据矩阵中与所有路径下的投影值相匹配的基物质最佳分解系数，完成基物质分解。
CN201910649104.8A 2019-07-18 2019-07-18 一种基于双能ct扫描仪对基物质进行快速分解的方法 Active CN110731788B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910649104.8A CN110731788B (zh) 2019-07-18 2019-07-18 一种基于双能ct扫描仪对基物质进行快速分解的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910649104.8A CN110731788B (zh) 2019-07-18 2019-07-18 一种基于双能ct扫描仪对基物质进行快速分解的方法

Publications (2)

Publication Number Publication Date
CN110731788A CN110731788A (zh) 2020-01-31
CN110731788B true CN110731788B (zh) 2023-10-20

Family

ID=69267358

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910649104.8A Active CN110731788B (zh) 2019-07-18 2019-07-18 一种基于双能ct扫描仪对基物质进行快速分解的方法

Country Status (1)

Country Link
CN (1) CN110731788B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113100803A (zh) * 2021-04-20 2021-07-13 西门子数字医疗科技(上海)有限公司 用于显示静脉血栓的方法、装置、计算机设备和介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266216A (zh) * 2007-03-14 2008-09-17 清华大学 标定双能ct系统的方法和图像重建方法
CN101647706A (zh) * 2008-08-13 2010-02-17 清华大学 高能双能ct系统的图象重建方法
CN201666881U (zh) * 2009-05-27 2010-12-08 清华大学 伪双能欠采样物质识别系统
CN104346820A (zh) * 2013-07-26 2015-02-11 清华大学 一种x光双能ct重建方法
CN104899903A (zh) * 2015-05-12 2015-09-09 公安部第一研究所 基于cuda架构的gpu并行加速双能谱ct重建方法
CN109009181A (zh) * 2018-06-07 2018-12-18 西安交通大学 双能量ct下同时估计x射线球管光谱和重建图像的方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6614874B2 (en) * 2002-01-28 2003-09-02 Ge Medical Systems Global Technology Company, Llc Robust and efficient decomposition algorithm for digital x-ray de imaging
DE102011087127B4 (de) * 2011-11-25 2015-11-19 Siemens Aktiengesellschaft Bestimmung von Aufnahmeparametern bei einer Dual-Energy Tomosynthese
EP3511053B1 (de) * 2018-01-10 2020-03-04 Siemens Healthcare GmbH Verfahren und vorrichtung zur bestimmung des bremsvermögens für die protonentherapie

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101266216A (zh) * 2007-03-14 2008-09-17 清华大学 标定双能ct系统的方法和图像重建方法
CN101647706A (zh) * 2008-08-13 2010-02-17 清华大学 高能双能ct系统的图象重建方法
CN201666881U (zh) * 2009-05-27 2010-12-08 清华大学 伪双能欠采样物质识别系统
CN104346820A (zh) * 2013-07-26 2015-02-11 清华大学 一种x光双能ct重建方法
CN104899903A (zh) * 2015-05-12 2015-09-09 公安部第一研究所 基于cuda架构的gpu并行加速双能谱ct重建方法
CN109009181A (zh) * 2018-06-07 2018-12-18 西安交通大学 双能量ct下同时估计x射线球管光谱和重建图像的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯晓文，卢子鹏，滕月阳，孝大宇，范晟昱，杨超然，刘瑜伽，康雁.基于投影匹配的双能计算机断层成像投影分解加速算法.生物医学工程学杂志.2018,第35卷(第35期),第377-383页. *

Also Published As

Publication number Publication date
CN110731788A (zh) 2020-01-31

Similar Documents

Publication Publication Date Title
JP6139207B2 (ja) Ｘ線撮像における造影剤推定のシステム及び方法
CN111292386B (zh) 一种基于U-net的CT投影金属迹线补全金属伪影校正方法
CN110189389B (zh) 基于深度学习的双能谱ct投影域基材料分解方法及装置
CN110636796B (zh) X射线暗场成像中的射束硬化校正
US6901130B2 (en) Retrospective and/or window-controlled filtering of images for adapting sharpness and noise in computed tomography
CN110175957B (zh) 多能量ct基材料物质分解方法
JP2002527834A (ja) 画像化方法
JP2010125332A (ja) 任意のスペクトルにおける計算機式断層写真法画像の形成のための順投影
Guy et al. DETECT-dual energy transmission estimation CT-for improved attenuation correction in SPECT and PET
WO2020006352A1 (en) System and method for high fidelity computed tomography
CN110731788B (zh) 一种基于双能ct扫描仪对基物质进行快速分解的方法
Ervural et al. A Comparison of Various Fusion Methods for CT and MR Liver Images
JP2019536538A (ja) スペクトルｃｔにおける骨及びハードプラークのセグメンテーション
Nawaz et al. Metal artifacts reduction in x-ray CT based on segmentation and forward-projection
JP6786006B2 (ja) スペクトルｃｔデータセットからの電子密度データセットの生成
Welch et al. Accurate attenuation correction in PET using short transmission scans and consistency information
CN112396579A (zh) 基于深度神经网络的人体组织背景估计方法及装置
CN111067561B (zh) 能谱ct物质分解方法、装置、ct设备及ct系统
Yang et al. Multi-material beam hardening correction (mmbhc) in computed tomography
Walter et al. Dual kVp material decomposition using flat-panel detectors
Kim et al. Application of CT simulation technique for virtual ultra-low-dose trial in CT colonography
CN112651434B (zh) 一种基于深度学习的能谱ct基物质投影估计方法、系统及能谱ct
Haase et al. Estimation of statistical weights for model-based iterative CT reconstruction
Cui et al. Prior Knowledge-guided Triple-Domain Transformer-GAN for Direct PET Reconstruction from Low-Count Sinograms
Peng et al. Dual-Energy Cone-Beam CT Using Two Complementary Limited-Angle Scans with A Projection-Consistent Diffusion Model

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