CN110751701B - 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 - Google Patents
一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 Download PDFInfo
- Publication number
- CN110751701B CN110751701B CN201910991991.7A CN201910991991A CN110751701B CN 110751701 B CN110751701 B CN 110751701B CN 201910991991 A CN201910991991 A CN 201910991991A CN 110751701 B CN110751701 B CN 110751701B
- Authority
- CN
- China
- Prior art keywords
- projection
- reconstruction
- projection sequence
- sequence
- artifacts
- 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 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 32
- 238000002591 computed tomography Methods 0.000 title claims abstract description 23
- 238000010521 absorption reaction Methods 0.000 title claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims abstract 3
- 238000003384 imaging method Methods 0.000 claims description 15
- 238000013170 computed tomography imaging Methods 0.000 claims description 7
- 230000005855 radiation Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 2
- 239000000523 sample Substances 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000001493 electron microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003325 tomography 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
- G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/419—Imaging computed tomograph
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/436—Limited angle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/441—AI-based methods, deep learning or artificial neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Algebra (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pulmonology (AREA)
- Radiology & Medical Imaging (AREA)
- Toxicology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法,该方法包括如下步骤:使用滤波反投影重建算法获得初始重建图像;对上述初始重建图像进行前向投影获得被伪影污染的投影序列;利用深度学习技术处理上述被伪影污染的投影序列,获得不含伪影的投影序列;利用滤波反投影重建算法对上述不含伪影的投影序列进行重建,获得最终的重建结果图像。本发明实施例相比于传统的不完备数据重建方法,计算流程简单、需要人为设置的参数更少,计算速度更快,图像质量更高。
Description
技术领域
本发明涉及X射线吸收衬度计算机断层成像重建技术领域,尤其涉及一种基于深度学习的X射线不完备数据重建方法。
背景技术
在X射线吸收衬度计算机断层成像(Computed Tomography,简称CT)系统中,X射线源发出X射线,从不同角度穿过被检测物体的某一区域,放置于射线源对面的探测器在相应角度接收射线。然后,根据各角度射线不同程度的衰减,利用一定的重建算法进行运算,重建出物体被扫描区域的射线线性衰减系数分布映射图像,从而实现由投影重建图像,无损地再现物体在该区域内的介质密度、成分和结构形态等特征。
重建算法在CT成像系统中有着重要的地位,滤波反投影算法(Filtered BackProjection,简称FBP)是比较流行的算法,将其应用于完备数据时,FBP重建速度快且获得的图像质量好。但受限于成像条件(比如需要降低成像辐射剂量,缩短成像时间),CT成像获得的数据通常是不完备的,对应的FBP重建结果就会存在严重的伪影和噪声。
针对不完备数据的重建算法,如,Gordon等,Algebraic reconstructiontechniques(ART)for three-dimensional electron microscopy and X-rayphotography.Journal of theoretical biology,vol.29,No.3,pp:471-481,1970,使用代数迭代算法来进行重建;Sidky等,Image reconstruction in circular cone-beamcomputed tomography by constrained,total-variation minimization.Physics inmedicine and biology,vol.53,No.17,pp:4777,2008,提出了一种基于压缩感知理论的重建算法。这些算法可以获得比FBP更好的结果,但是需要很长的迭代计算时间并且难以选择合适的参数。
结合深度学习技术,也有学者提出了新型的重建算法,如,Jin等,Deepconvolutional neural network for inverse problems in imaging,IEEEtransactions on image processing,vol.26,No.9,pp:4509-4522,2016.提出了一种直接从重建图像中去除伪影的方法,这种方法可以获得比FBP更好的重建结果,并且计算时间比传统方法更短。但现有的基于深度学习的重建技术,只对重建结果进行了后处理,没有充分利用CT成像系统所获得的所有信息,导致处理之后的图像丢失了一些细节,使得原始图像结构发生变形。
发明内容
本发明提供一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法,其特征在于,包括如下步骤:
步骤1、使用滤波反投影(Filtered Back Projection,简称FBP)重建算法对X射线断层成像(Computed Tomography,CT)系统所获得的不完备的投影序列进行重建,获得初始重建图像。所述初始重建图像是由于投影序列不完备,在FBP初始重建结果中存在伪影和噪声;
步骤2、利用前向投影算子对所述的初始重建图像进行前向投影,获得被伪影污染的完备投影序列。所述被伪影污染的完备投影序列是通过前向投影操作,将图像结构信息以及伪影一起前向投影到投影序列中,序列数量与完备数据相同;
步骤3、利用深度学习技术对所述的被伪影污染的完备投影序列进行处理,获得不含伪影的完备投影序列。所述不含伪影的完备投影序列是利用深度学习技术对被伪影污染的完备投影序列进行处理,得到的投影序列已不再包含伪影,且序列数量与完备数据相同;
步骤4、利用FBP重建算法对所述的不含伪影的完备投影序列进行重建,获得最终重建图像。
进一步地,步骤1中针对不同的DPC-CT成像系统(平行束成像、扇束成像、锥束成像)所获得的投影序列,使用对应的FBP重建算法即可。如扇束成像系统的FBP重建算法为:
其中,β(r,θ)代表重建结果,(r,θ)代表极坐标,U代表成像系统权重矩阵,P(ω,φ)代表投影序列,D代表射线源到成像系统旋转中心的距离,h代表滤波器的傅里叶反变换,ω代表探测器上的探元位置,φ代表成像的旋转角度。所述的初始重建图像β(r,θ)指的是利用公式(1)对不完备的投影序列P(ω,φ)进行重建,其中存在伪影和噪声。
进一步地,步骤2中所述的前向投影算子如公式(2)所示:
其中,P(ω,φ)为所述的被伪影污染的完备投影序列,其包含图像结构信息以及伪影,序列数量与完备数据相同,β(r,θ)为初始重建图像,l为投影路径。
进一步地,步骤3中所述的深度学习技术使用卷积神经网络对被伪影污染的完备投影序列进行处理,以获得不含伪影的完备投影序列,可以表示为公式(3)-(6):
f(P(ω,φ))=WT·P(ω,φ)+Bias (4)
其中,为不含伪影的完备投影序列;f代表编码网络,利用卷积神经网络从被伪影污染的投影序列P(ω,φ);Λ代表非线性映射函数;F代表解码网络,利用卷积神经网络从编码获得的高级特征中解析出伪影信息;Error代表此步的深度学习技术的学习目标,以衡量输出值与真实值之间的差异;W和Bias代表卷积神经网络当中需要学习的参数,通过求出学习目标对参数的偏导数,利用梯度下降算法对参数进行更新;η代表学习率,ωjt+1为学习的网络参数。
进一步地,所述的编码网络由多级卷积网络层构成。每一级的特征图高、宽尺寸各缩小一倍,对应的特征图数量增加一倍;所述的解码网络由级卷积神经网络层构成。每一级的特征图高、宽尺寸各增加一倍,对应的特征图数量缩小一倍;将编码网络与解码网络中,高、宽尺寸相同的特征图进行拼接,然后作为下一级解码网络的输入特征图。
本发明实施例相比于传统的不完备数据重建方法,计算流程简单、需要人为设置的参数更少,计算速度更快,图像质量更高。
附图说明
图1为本发明实施例提供的基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法的流程图;
图2为本发明实施例提供的基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法的深度学习技术实例结构图;
图3为本发明实施例所处理的X射线不完备数据中的稀疏角(sparse-view)数据的投影序列、被伪影污染的投影序列、不含伪影的投影序列以及完备的投影序列图像;
图4为本发明实施例所处理的X射线不完备数据中的稀疏角数据的初始重建结果、最终重建结果以及完备的投影序列的重建结果图像;
图5为本发明实施例所处理的X射线不完备数据中的有限角(limited-view)数据的投影序列、被伪影污染的投影序列、不含伪影的投影序列以及完备的投影序列图像;
图6为本发明实施例所处理的X射线不完备数据中的有限角数据的初始重建结果、最终重建结果以及完备的投影序列的重建结果图像;
图中:20为被伪影污染的投影序列,21为第一级编码层,22为第二级编码层,23为第三级编码层,24为第四级编码层,25为第五级编码层,26为第一级解码层,27为第二级解码层,28为第三级解码层,29为第四级解码层,210为不含伪影的投影序列。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
图1为本发明实施例提供的基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法的流程图,即本发明的一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法。本发明实施例针对X射线吸收衬度计算机断层成像常见的不完备数据情况(如稀疏角、有限角),提供了一种基于深度学习的重建方法,该方法具体步骤如下:
步骤S101、以FBP重建算法对CT成像系统所获得的不完备的投影序列进行重建,获得初始重建图像,所述初始重建图像由于投影序列不完备,在FBP重建结果中存在伪影和噪声。
步骤S102、利用前向投影算子对所述的初始重建图像进行前向投影,获得被伪影污染的完备投影序列。所述被伪影污染的完备投影序列是通过前向投影操作,将图像结果信息以及伪影一起投影到投影序列中,序列数量满足完备性条件。
步骤S103、利用深度学习技术对所述的被伪影污染的完备投影序列进行处理,获得不含伪影的完备投影序列。所述不含伪影的完备投影序列是利用深度学习技术对被伪影污染的完备投影序列进行处理,得到的序列已不再包含伪影,且序列数量满足完备性条件。
图2为本发明实施例提供的基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法的深度学习技术实例结构图。如图2所示,本发明实例由卷积神经网络构成5级编码层以及4级解码层组成。每一级编码层都会将特征图的高、宽尺寸缩小一倍,对应的特征图数量增加一倍;每一级解码层都会将特征图的高、宽尺寸增加一倍,对应的特征图数量减少一倍。将编码网络与解码网络中的高、宽尺寸相同的特征图进行拼接,然后作为下一级解码层的输入特征图。
步骤S104、利用FBP重建算法对所述的不含伪影的完备投影序列进行重建,获得最终重建图像。
本发明实施例相比于现有的X射线吸收衬度计算机断层成像不完备数据重建方法法,能够充分地利用CT成像系统所获得的所有信息,保留重建图像中的微小细节,获得更好的重建图像质量。
为了证明上述实施例的效果,本发明实施例进行了如下实验,实验步骤如下:
(1)设定实验条件。分为稀疏角和有限角两组实验,其中,稀疏角不完备数据由360°周向扫描获得的90个角度的投影构成,有限角不完备数据由[0-90°]扫描获得的180个角度的投影构成。
(2)利用FBP重建算法,获得初始重建结果。
(3)利用前向投影算子,获得被伪影污染的投影序列。
(4)根据图2以及公式(3)-(6),对被伪影污染的投影序列进行处理,获得不含伪影的投影序列。
(5)利用FBP重建算法,获得最终重建结果。
图3为本发明实施例所处理的X射线不完备数据的稀疏角(sparse-view)的投影序列、被伪影污染的投影序列、不含伪影的投影序列以及完备的投影序列图像。图4为本发明实施例所处理的X射线不完备数据的稀疏角数据的初始重建结果、最终重建结果以及完备的投影序列的重建结果图像。从图3、4可知,基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法可以有效地处理稀疏角不完备数据情况。
图5为本发明实施例所处理的X射线不完备数据的有限角(limited-view)的投影序列、被伪影污染的投影序列、不含伪影的投影序列以及完备的投影序列图像。图6为本发明实例所处理的X射线不完备数据的有限角数据的初始重建结果、最终重建结果以及完备的投影序列的重建结果图像。从图5、6可知,基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法可以有效地处理有限角不完备数据情况。
本发明实施例相比于传统的处理不完备数据的重建方法,计算流程简单、需要人为设置的参数更少,计算速度更快;相比于基于深度学习的不完备数据的重建方法,本发明实施例利用深度学习去处理被伪影污染的投影序列而不是初始重建图像,这样可以再次利用重建方法中的加权系数来获得更好的图像细节,提升图像质量。
在本发明所提供的实施例中,应该理解到,所揭露的装置和方法,可以通过其他的方式实现。例如,以上所描述的深度学习网络结构实施例仅仅是示意性的,例如,所用的编码网络、解码网络仅仅是一种逻辑功能划分,实际实现时可以有另外的划分方式;例如深度学习网络结构的实施例的学习目标以及参数的更新方法仅仅是简单的功能描述,实际实现时可以有另外的实现方式。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法,其特征在于,包括如下步骤:
步骤1、使用滤波反投影FBP重建算法对X射线吸收衬度CT计算机断层成像系统所获得的不完备吸收衬度投影序列进行重建,获得初始重建图像;所述初始重建图像是由于投影序列不完备,在FBP初始重建结果中存在伪影和噪声;
步骤2、利用前向投影算子对所述的初始重建图像进行前向投影,获得被伪影污染的完备投影序列;所述被伪影污染的完备投影序列是通过前向投影操作,将图像结构信息以及伪影一起前向投影到投影序列中,序列数量满足完备性条件,即满足奈奎斯特采样定理;
步骤3、利用深度学习技术对所述的被伪影污染的完备投影序列进行处理,获得不含伪影的完备投影序列;所述不含伪影的完备投影序列是利用深度学习技术对被伪影污染的完备投影序列进行处理,得到的投影序列已不再包含伪影,且序列数量满足完备性条件;
步骤4、利用FBP重建算法对所述的不含伪影的完备投影序列进行重建,获得最终重建图像。
2.根据权利要求1所述的基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法,其特征在于,
所述的不完备的投影序列是由于各种成像条件限制或特殊需要所导致的不完备数据,包括稀疏角数据和有限角数据。
5.根据权利要求1所述的基于深度学习的X射线吸收衬度计算机断层成像不完备数据重建方法,其特征在于,
步骤3所使用的深度学习技术是对所述的被伪影污染的投影序列进行处理,而不是处理初始重建结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991991.7A CN110751701B (zh) | 2019-10-18 | 2019-10-18 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
US17/031,096 US11386595B2 (en) | 2019-10-18 | 2020-09-24 | Method for reconstructing incomplete data of X-ray absorption contrast computed tomography based on deep learning |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910991991.7A CN110751701B (zh) | 2019-10-18 | 2019-10-18 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110751701A CN110751701A (zh) | 2020-02-04 |
CN110751701B true CN110751701B (zh) | 2021-03-30 |
Family
ID=69278822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910991991.7A Active CN110751701B (zh) | 2019-10-18 | 2019-10-18 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11386595B2 (zh) |
CN (1) | CN110751701B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4119059A4 (en) * | 2020-03-11 | 2024-04-03 | University of Tsukuba | TRAINED MODEL GENERATION PROGRAM, IMAGE GENERATION PROGRAM, TRAINED MODEL GENERATION DEVICE, IMAGE GENERATION DEVICE, TRAINED MODEL GENERATION METHOD, AND IMAGE GENERATION METHOD |
CN114018962B (zh) * | 2021-11-01 | 2024-03-08 | 北京航空航天大学宁波创新研究院 | 一种基于深度学习的同步多螺旋计算机断层成像方法 |
CN114723842B (zh) * | 2022-05-24 | 2022-08-23 | 之江实验室 | 基于深度融合神经网络的稀疏视角ct成像方法和设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103310432A (zh) * | 2013-06-25 | 2013-09-18 | 西安电子科技大学 | 基于四阶全变分流的ct图像归一化的金属伪影校正法 |
DE102012204019A1 (de) * | 2012-03-14 | 2013-09-19 | Siemens Aktiengesellschaft | Verfahren zur Reduzierung von Bewegungsartefakten |
GB2510237A (en) * | 2012-11-30 | 2014-07-30 | Canon Kk | Adaptive Noise Suppression in Tomographic Image Reconstruction |
CN105719245A (zh) * | 2016-01-12 | 2016-06-29 | 南方医科大学 | 一种利用投影数据去除ct探测元故障造成的环状伪影的方法 |
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 |
CN109102550A (zh) * | 2018-06-08 | 2018-12-28 | 东南大学 | 基于卷积残差网络的全网络低剂量ct成像方法及装置 |
CN109493393A (zh) * | 2017-09-13 | 2019-03-19 | 西门子医疗有限公司 | 减少计算机断层扫描图像数据中的多个移动伪像 |
CN109559359A (zh) * | 2018-09-27 | 2019-04-02 | 东南大学 | 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5113060B2 (ja) * | 2005-09-22 | 2013-01-09 | ウイスコンシン アラムナイ リサーチ ファウンデーシヨン | 拍動している心臓の画像の再構成法 |
DE102011005715A1 (de) * | 2011-03-17 | 2012-09-20 | Siemens Aktiengesellschaft | Verfahren zum Gewinnen eines von Spuren eines Metallobjektes befreiten 3D-Bilddatensatzes |
US9224216B2 (en) * | 2013-07-31 | 2015-12-29 | Kabushiki Kaisha Toshiba | High density forward projector for spatial resolution improvement for medical imaging systems including computed tomography |
US20180197317A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Deep learning based acceleration for iterative tomographic reconstruction |
WO2019128660A1 (zh) * | 2017-12-29 | 2019-07-04 | 清华大学 | 训练神经网络的方法和设备、图像处理方法和设备以及存储介质 |
US11113851B2 (en) * | 2018-07-20 | 2021-09-07 | The Board Of Trustees Of The Leland Stanford Junior University | Correction of sharp-edge artifacts in differential phase contrast CT images and its improvement in automatic material identification |
US11935160B2 (en) * | 2018-09-03 | 2024-03-19 | Agfa Nv | Method of generating an enhanced tomographic image of an object |
EP3640893B1 (de) * | 2018-10-17 | 2021-09-01 | Siemens Healthcare GmbH | Verfahren zur rekonstruktion eines dreidimensionalen ergebnisbilddatensatzes |
CN110211194A (zh) * | 2019-05-21 | 2019-09-06 | 武汉理工大学 | 一种基于深度学习去除稀疏角度ct成像伪影的方法 |
US11224399B2 (en) * | 2019-07-12 | 2022-01-18 | Canon Medical Systems Corporation | Apparatus and method using deep learning (DL) to compensate for large focal spot size in x-ray projection imaging |
-
2019
- 2019-10-18 CN CN201910991991.7A patent/CN110751701B/zh active Active
-
2020
- 2020-09-24 US US17/031,096 patent/US11386595B2/en active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012204019A1 (de) * | 2012-03-14 | 2013-09-19 | Siemens Aktiengesellschaft | Verfahren zur Reduzierung von Bewegungsartefakten |
GB2510237A (en) * | 2012-11-30 | 2014-07-30 | Canon Kk | Adaptive Noise Suppression in Tomographic Image Reconstruction |
CN103310432A (zh) * | 2013-06-25 | 2013-09-18 | 西安电子科技大学 | 基于四阶全变分流的ct图像归一化的金属伪影校正法 |
CN105719245A (zh) * | 2016-01-12 | 2016-06-29 | 南方医科大学 | 一种利用投影数据去除ct探测元故障造成的环状伪影的方法 |
CN109493393A (zh) * | 2017-09-13 | 2019-03-19 | 西门子医疗有限公司 | 减少计算机断层扫描图像数据中的多个移动伪像 |
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 |
CN109102550A (zh) * | 2018-06-08 | 2018-12-28 | 东南大学 | 基于卷积残差网络的全网络低剂量ct成像方法及装置 |
CN109559359A (zh) * | 2018-09-27 | 2019-04-02 | 东南大学 | 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法 |
Non-Patent Citations (2)
Title |
---|
CT不完全数据重建算法研究;张瀚铭;《中国博士学位论文全文数据库(电子期刊)》;20180615(第6期);第95-105页 * |
Deep Convolutional Neural Network for Inverse Problems in Imaging;Kyong Hwan Jin et al;《IEEE Transactions on Image Processing》;20170615;第26卷(第9期);第4509-4522页 * |
Also Published As
Publication number | Publication date |
---|---|
US11386595B2 (en) | 2022-07-12 |
US20210118204A1 (en) | 2021-04-22 |
CN110751701A (zh) | 2020-02-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110047113B (zh) | 神经网络训练方法和设备、图像处理方法和设备和存储介质 | |
CN110660123B (zh) | 基于神经网络的三维ct图像重建方法和设备以及存储介质 | |
US9801591B2 (en) | Fast iterative algorithm for superresolving computed tomography with missing data | |
JP7187476B2 (ja) | 深層学習に基づくトモグラフィ再構成 | |
Thibault et al. | A three‐dimensional statistical approach to improved image quality for multislice helical CT | |
CN110751701B (zh) | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 | |
US8971599B2 (en) | Tomographic iterative reconstruction | |
CN110544282B (zh) | 基于神经网络的三维多能谱ct重建方法和设备及存储介质 | |
JP6301081B2 (ja) | X線コンピュータ断層撮影装置、画像再構成方法及び再構成フィルタの構造 | |
US7840053B2 (en) | System and methods for tomography image reconstruction | |
CN109840927B (zh) | 一种基于各向异性全变分的有限角度ct重建算法 | |
Rückert et al. | Neat: Neural adaptive tomography | |
JP2009510400A (ja) | エンハンストノイズ抑制フィルタリング機能と共に反復的に画像再構築を行うシステム、方法及び画像プロセッサ | |
HUE035491T2 (en) | Transmission Image Reconstruction and Imaging Using Poisson Detector Data | |
Li et al. | Sparse CT reconstruction based on multi-direction anisotropic total variation (MDATV) | |
Sunnegårdh et al. | Regularized iterative weighted filtered backprojection for helical cone‐beam CT | |
US20050058240A1 (en) | Non-iterative algebraic reconstruction technique for tomosynthesis | |
Su et al. | Generalized deep iterative reconstruction for sparse-view CT imaging | |
Lv et al. | A back‐projection‐and‐filtering‐like (BPF‐like) reconstruction method with the deep learning filtration from listmode data in TOF‐PET | |
Yendiki et al. | A comparison of rotation-and blob-based system models for 3D SPECT with depth-dependent detector response | |
Paleo et al. | Efficient implementation of a local tomography reconstruction algorithm | |
US20120155729A1 (en) | Methods and systems for fast iterative reconstruction using separable system models | |
Shu et al. | Gram filtering and sinogram interpolation for pixel-basis in parallel-beam x-ray CT reconstruction | |
Sunnegårdh | Iterative filtered backprojection methods for helical cone-beam CT | |
KR102329938B1 (ko) | 뉴럴 네트워크를 이용한 콘빔 단층촬영 영상 처리 방법 및 그 장치 |
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 |