CN110916708A - 一种ct扫描投影数据伪影校正方法、ct图像重建方法 - Google Patents

一种ct扫描投影数据伪影校正方法、ct图像重建方法 Download PDF

Info

Publication number
CN110916708A
CN110916708A CN201911373993.6A CN201911373993A CN110916708A CN 110916708 A CN110916708 A CN 110916708A CN 201911373993 A CN201911373993 A CN 201911373993A CN 110916708 A CN110916708 A CN 110916708A
Authority
CN
China
Prior art keywords
projection data
neural network
network model
artifacts
layer
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.)
Pending
Application number
CN201911373993.6A
Other languages
English (en)
Inventor
曾凯
冯亚崇
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.)
Nanjing Anke Medical Technology Co Ltd
Original Assignee
Nanjing Anke Medical Technology Co Ltd
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 Nanjing Anke Medical Technology Co Ltd filed Critical Nanjing Anke Medical Technology Co Ltd
Priority to CN201911373993.6A priority Critical patent/CN110916708A/zh
Publication of CN110916708A publication Critical patent/CN110916708A/zh
Pending legal-status Critical Current

Links

Images

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]
    • A61B6/032—Transmission 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
    • A61B6/52—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
    • A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Surgery (AREA)
  • Optics & Photonics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Radiology & Medical Imaging (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • High Energy & Nuclear Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Pulmonology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提出一种CT扫描投影数据伪影校正方法、CT图像重建方法，本发明对同一物体，分别获取薄、厚层投影数据，然后构建用于消除至少一种伪影的神经网络模型，以厚层投影数据为输入，对应的薄层投影数据为输出，训练神经网络模型；利用训练好的神经网络，即可对带有伪影的混叠投影数据进行伪影校正。对进行伪影校正后的投影数据进行图像重建，得到伪影校正图像。本发明可以明显降低混叠伪影，同时还可以提高原有CT图像的分辨率，并且不需要其他硬件更新替换，可以明显降低成本。

Description

一种CT扫描投影数据伪影校正方法、CT图像重建方法
技术领域
本发明涉及CT扫描图像处理技术领域，尤其是一种CT扫描投影数据伪影校正方法、CT图像重建方法。
背景技术
CT(计算机断层扫描成像系统)利用X射线扫描物体，数据采集来获得投影数据，并通过断层重建算法来处理这些投影数据，获得物体的断层和三维的密度信息，达到无损检测的目的。第三代CT数据采集系统如图2所示，S为射线源，D为探测器，调整S的位置可对应不同的view方向采样，包括：视角(view)方向采样、探测器通道(channel)方向采样和探测器排(row)方向采样(多排CT系统)。在整个采样过程中，必须遵守一些规律，避免可能产生伪影。根据Shannon(山农)采样定理，原始数据的采样频率必须至少是信号最高频率的两倍才能避免混叠。但是不幸的是，受数据采集电子系统的噪声水平、数据传输带宽和X射线光束流的可利用率的影响，Shannon采样准则无法在第三代扫描机上直接实现，导致CT图像产生混叠伪影，如图3所示，从左到右依次为view方向采样不足产生的混叠伪影、channel方向采样不足产生的混叠伪影和row方向采样不足产生的混叠伪影。
为了解决上面的混叠伪影CT界提出了很多方法。
例如为解决view方向混叠伪影，各个厂商尽可能的提高view方向的采样速度，提高采样频率；为了消除view方向的混叠，采样view数需要满足如下公式：
Nmin＝2πRvM
其中，Nmin代表180度角度区间上最少的观测数，R是无伪影重建区域的半径，vM是最高的可分辨空间频率。然而受数据采集电子系统的噪声水平、数据传输带宽和X射线光束流的可利用率的影响，上面公式和难严格满足。
为解决channel方向的混叠伪影，提出了四分之一探测器偏移和X飞焦扫描的方法。但是四分之一探测器偏移双倍采样依赖于间隔180度进行的两组采样，因此采样间隔中任何病人运动会抵消混叠减少效果。此外，除中心射线外，其他位置的双采样只是近似得到，因此混叠伪影减少效果依赖于位置；球管X方向和Z方向的飞焦技术，需要高级射线源的支持，需要更高的成本。
为解决row方向的混叠伪影，提出了厚层重建和Z方向飞焦的方法，厚层重建可以降低row方向混叠产生的伪影，但是会损失Z方向的图像分辨率。
发明内容
发明目的：为克服现有技术的缺陷，本发明提出一种CT扫描投影数据伪影校正方法、CT图像重建方法。
技术方案：本发明提出的技术方案为：
一种CT扫描投影数据伪影校正方法，包括步骤：
(1)构建样本：对同一待扫描物体，分别获取相同扫描方向和相同扫描角度上的厚层投影数据和薄层投影数据，将获得的厚层投影数据和薄层投影数据作为一个样本；根据训练需求获取足够多的样本；
(2)搭建用于消除至少一种伪影的神经网络模型；
(3)以样本中的厚层投影数据为输入，对应的薄层投影数据为输出，训练神经网络模型，直至神经网络模型的损失函数满足预设的阈值要求；
(4)将带有伪影的混叠投影数据输入训练好的神经网络模型，得到伪影校正后的投影数据。
进一步的，所述伪影包括：视角方向伪影、探测器通道方向伪影和探测器排方向伪影。
进一步的，所述神经网络模型为Unet网络。
本发明还提出一种CT图像重建方法，包括步骤：
(1)构建样本：对同一待扫描物体，分别获取相同扫描方向和相同扫描角度上的厚层投影数据和薄层投影数据，将获得的厚层投影数据和薄层投影数据作为一个样本；根据训练需求获取足够多的样本；
(2)搭建用于消除至少一种伪影的神经网络模型；
(3)以样本中的厚层投影数据为输入，对应的薄层投影数据为输出，训练神经网络模型，直至神经网络模型的损失函数满足预设的阈值要求；
(4)将带有伪影的混叠投影数据输入训练好的神经网络模型，得到伪影校正后的投影数据；
(5)对经过伪影校正后的投影数据进行图像重建，得到伪影校正图像。
进一步的，所述伪影包括：视角方向伪影、探测器通道方向伪影和探测器排方向伪影。
进一步的，所述神经网络模型为Unet网络。
有益效果：与现有技术相比，本发明具有以下优势：
本发明可以明显降低混叠伪影，同时还可以提高原有含伪影混叠的CT图像的分辨率，并且不需要其他硬件更新替换，可以明显降低成本。
附图说明
图1为本发明涉及的一种CT扫描投影数据伪影校正方法的流程图；
图2为背景技术中涉及的第三代CT数据采集系统结构图；
图3为背景技术中涉及的CT图像产生混叠伪影的一种示例图，图中，从左到右依次为：view方向采样不足产生的混叠伪影、channel方向采样不足产生的混叠伪影和row方向采样不足产生的混叠伪影；
图4为实施例涉及的原始图像经过所述CT扫描投影数据伪影校正方法校正前后的对比图，图中，左边一列图像为校正后的图像，右边一列图像为原始图像。
图5为实施例涉及的原始图像经过所述CT扫描投影数据伪影校正方法校正前后分辨率的对比图，左图为校正前原始图像的层灵敏率曲线图，右图为校正后原始图像的层灵敏率曲线图。
具体实施方式
下面将结合附图和具体实施例对本发明作更进一步的说明。但应当理解的是，本发明可以以各种形式实施，以下在附图中出示并且在下文中描述的一些示例性和非限制性实施例，并不意图将本发明限制于所说明的具体实施例。
图1示出了根据本发明的一种CT扫描投影数据伪影校正方法的流程图，包括步骤：
(1)构建样本：对同一待扫描物体，分别获取相同扫描方向和相同扫描角度上的厚层投影数据和薄层投影数据，将获得的厚层投影数据和薄层投影数据作为一个样本；根据训练需求获取足够多的样本；
(2)搭建用于消除至少一种伪影的神经网络模型；
(3)以样本中的厚层投影数据为输入，对应的薄层投影数据为输出，训练神经网络模型，直至神经网络模型的损失函数满足预设的阈值要求；
(4)将带有伪影的混叠投影数据输入训练好的神经网络模型，得到伪影校正后的投影数据。
在步骤(1)中，对同一待扫描物体，分别获取相同扫描方向和相同扫描角度上的厚层投影数据和薄层投影数据，将获得的厚层投影数据和薄层投影数据作为一个样本。具体的说，在获取样本数据时，可以对同一物体进行两次扫描方向和扫描角度均相同的扫描，分别扫描薄层投影数据和厚层投影数据，也可以只扫描薄层的投影数据，然后对投影数据进行合并得到对应的厚层投影数据。以只扫描薄层数据为例：扫描层厚为0.625mm，扫描层数32层，对应的厚层数据通过薄层数据合并而成，例如相邻两层求平均值，得到1.25mm层厚的数据，层数为16层。
在步骤(2)中，搭建用于消除至少一种伪影的神经网络模型。具体的说，这里可采用改进的ResNet或者改进的Unet等卷积神经网络模型。
在步骤(3)中，以样本中的厚层投影数据为输入，对应的薄层投影数据为输出，训练神经网络模型，直至神经网络模型的损失函数满足预设的阈值要求。具体的说，所述模型损失函数为：
Figure BDA0002338012710000041
其中Im gErr为图像的误差，Im g为网络的输出图像，Im gtarg是数据库里面的目标图像；Im gk为输出图像中坐标为k的像素点，Im gtarg，k为数据库里面的目标图像中坐标为k的像素点。训练过程为：将步骤(1)中得到的数据分组，分为训练集和验证集。将训练集中的厚层数据作为网络输入，薄层作为目标图像，训练网络模型，直到上面所述的loss函数满足预设的阈值要求，得到优化的模型参数和权重。然后使用验证集验证训练后的网络模型的预测效果。
在步骤(4)中，将带有伪影的混叠投影数据输入训练好的神经网络模型，得到伪影校正后的投影数据。具体的说，所述神经网络模型包括卷积层，池化层和上采样部分，输入的混叠投影数据依次经过图像特征的多尺度特征提取，以及上采用部分对提取特征的融合处理，得到伪影校正后的投影数据。
在本发明的一种CT扫描投影数据伪影校正方法的一个或多个实施中，所述伪影包括：视角方向伪影、探测器通道方向伪影和探测器排方向伪影。
采用上述技术方案，本发明至少具有以下有益效果：
可以明显降低混叠伪影，同时还可以提高原有CT图像的分辨率，并且不需要其他硬件更新替换，可以明显降低成本。图4为一组原始图像经过所述CT扫描投影数据伪影校正方法校正前后的对比图，图中，左边一列图像为校正后的图像，右边一列为原始带风车伪影的图像，两列图像的窗宽均为400，从图中可明显看出，经过所述CT扫描投影数据伪影校正方法校正后，明显降低原始图像的混叠伪影。图5为原始图像经过所述CT扫描投影数据伪影校正方法校正前后分辨率的对比图，分辨率效果由层灵敏度曲线表示，左图为校正前原始图像的层灵敏率曲线图，右图为校正后原始图像的层灵敏率曲线图，图片中，FWHM为半高宽，FWTM为十分之一高宽。由图可知，经过所述CT扫描投影数据伪影校正方法校正后，明显提高原始图像的分辨率。
本发明还提出一种CT图像重建方法，包括步骤：
(1)构建样本：对同一待扫描物体，分别获取相同扫描方向和相同扫描角度上的厚层投影数据和薄层投影数据，将获得的厚层投影数据和薄层投影数据作为一个样本；根据训练需求获取足够多的样本；
(2)搭建用于消除至少一种伪影的神经网络模型；
(3)以样本中的厚层投影数据为输入，对应的薄层投影数据为输出，训练神经网络模型，直至神经网络模型的损失函数满足预设的阈值要求；
(4)将带有伪影的混叠投影数据输入训练好的神经网络模型，得到伪影校正后的投影数据；
(5)对经过伪影校正后的投影数据进行图像重建，得到伪影校正图像。
在本发明的一种CT图像重建方法的一个或多个实施中，所述伪影包括：视角方向伪影、探测器通道方向伪影和探测器排方向伪影。
在本发明的一种CT图像重建方法的一个或多个实施中，所述神经网络模型为Unet网络。
应当理解的是，在技术上可行的情况下，以上针对不同实施例所列举的技术特征可以相互组合，从而形成本发明范围内的另外的实施例。此外，本发明所述的特定示例和实施例是非限制性的，并且可以对以上所阐述的结构、步骤、顺序做出相应修改而不脱离本发明的保护范围。
上述实施例，特别是任何“优选”实施例，是实施方式的可能示例，并且仅仅为了清楚理解本发明的原理而提出。在基本上不脱离本发明描述的技术的精神和原理的情况下，可以对上述实施例做出许多变化和修改，这些变化和修改也应视为本发明的保护范围。

Claims (6)

1.一种CT扫描投影数据伪影校正方法，其特征在于，包括步骤：
(1)构建样本：对同一待扫描物体，分别获取相同扫描方向和相同扫描角度上的厚层投影数据和薄层投影数据，将获得的厚层投影数据和薄层投影数据作为一个样本；根据训练需求获取足够多的样本；
(2)搭建用于消除至少一种伪影的神经网络模型；
(3)以样本中的厚层投影数据为输入，对应的薄层投影数据为输出，训练神经网络模型，直至神经网络模型的损失函数满足预设的阈值要求；
(4)将带有伪影的混叠投影数据输入训练好的神经网络模型，得到伪影校正后的投影数据。
2.根据权利要求1所述的一种CT扫描投影数据伪影校正方法，其特征在于，所述伪影包括：视角方向伪影、探测器通道方向伪影和探测器排方向伪影。
3.根据权利要求1所述的一种CT扫描投影数据伪影校正方法，其特征在于，所述神经网络模型为Unet网络。
4.一种CT图像重建方法，其特征在于，包括步骤：
(1)构建样本：对同一待扫描物体，分别获取相同扫描方向和相同扫描角度上的厚层投影数据和薄层投影数据，将获得的厚层投影数据和薄层投影数据作为一个样本；根据训练需求获取足够多的样本；
(2)搭建用于消除至少一种伪影的神经网络模型；
(3)以样本中的厚层投影数据为输入，对应的薄层投影数据为输出，训练神经网络模型，直至神经网络模型的损失函数满足预设的阈值要求；
(4)将带有伪影的混叠投影数据输入训练好的神经网络模型，得到伪影校正后的投影数据；
(5)对经过伪影校正后的投影数据进行图像重建，得到伪影校正图像。
5.根据权利要求4所述的一种CT图像重建方法，其特征在于，所述伪影包括：视角方向伪影、探测器通道方向伪影和探测器排方向伪影。
6.根据权利要求4所述的一种CT图像重建方法，其特征在于，所述神经网络模型为Unet网络。
CN201911373993.6A 2019-12-26 2019-12-26 一种ct扫描投影数据伪影校正方法、ct图像重建方法 Pending CN110916708A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911373993.6A CN110916708A (zh) 2019-12-26 2019-12-26 一种ct扫描投影数据伪影校正方法、ct图像重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911373993.6A CN110916708A (zh) 2019-12-26 2019-12-26 一种ct扫描投影数据伪影校正方法、ct图像重建方法

Publications (1)

Publication Number Publication Date
CN110916708A true CN110916708A (zh) 2020-03-27

Family

ID=69862247

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911373993.6A Pending CN110916708A (zh) 2019-12-26 2019-12-26 一种ct扫描投影数据伪影校正方法、ct图像重建方法

Country Status (1)

Country Link
CN (1) CN110916708A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111627083A (zh) * 2020-05-26 2020-09-04 上海联影医疗科技有限公司 骨硬化伪影校正方法、装置、计算机设备和可读存储介质
CN112017136A (zh) * 2020-08-06 2020-12-01 杭州深睿博联科技有限公司 一种基于深度学习的肺部ct图像参数重建方法、系统、终端及存储介质
CN112085809A (zh) * 2020-09-16 2020-12-15 苏州工业园区智在天下科技有限公司 神经网络的训练方法、消除金属伪影的方法及其装置
CN112017131B (zh) * 2020-10-15 2021-02-09 南京安科医疗科技有限公司 Ct图像金属伪影去除方法、装置及计算机可读存储介质
CN112991341A (zh) * 2021-04-28 2021-06-18 江苏瑞尔医疗科技有限公司 基于厚层ct图像生成薄层ct图像的系统及方法
CN115100308A (zh) * 2022-06-17 2022-09-23 明峰医疗系统股份有限公司 用于去除ct伪影的神经网络训练方法及系统
CN116485937A (zh) * 2023-06-21 2023-07-25 吉林大学 基于图神经网络的ct运动伪影消除方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330949A (zh) * 2017-06-28 2017-11-07 上海联影医疗科技有限公司 一种伪影校正方法及系统
CN107945132A (zh) * 2017-11-29 2018-04-20 深圳安科高技术股份有限公司 一种基于神经网络的ct图像的伪影校正方法及装置
CN110047138A (zh) * 2019-04-24 2019-07-23 复旦大学 一种磁共振薄层图像重建方法
US20190369191A1 (en) * 2018-05-31 2019-12-05 The Board Of Trustees Of The Leland Stanford Junior University MRI reconstruction using deep learning, generative adversarial network and acquisition signal model

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330949A (zh) * 2017-06-28 2017-11-07 上海联影医疗科技有限公司 一种伪影校正方法及系统
CN107945132A (zh) * 2017-11-29 2018-04-20 深圳安科高技术股份有限公司 一种基于神经网络的ct图像的伪影校正方法及装置
US20190369191A1 (en) * 2018-05-31 2019-12-05 The Board Of Trustees Of The Leland Stanford Junior University MRI reconstruction using deep learning, generative adversarial network and acquisition signal model
CN110047138A (zh) * 2019-04-24 2019-07-23 复旦大学 一种磁共振薄层图像重建方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111627083A (zh) * 2020-05-26 2020-09-04 上海联影医疗科技有限公司 骨硬化伪影校正方法、装置、计算机设备和可读存储介质
CN111627083B (zh) * 2020-05-26 2023-11-21 上海联影医疗科技股份有限公司 骨硬化伪影校正方法、装置、计算机设备和可读存储介质
CN112017136A (zh) * 2020-08-06 2020-12-01 杭州深睿博联科技有限公司 一种基于深度学习的肺部ct图像参数重建方法、系统、终端及存储介质
CN112085809A (zh) * 2020-09-16 2020-12-15 苏州工业园区智在天下科技有限公司 神经网络的训练方法、消除金属伪影的方法及其装置
CN112085809B (zh) * 2020-09-16 2024-04-16 苏州工业园区智在天下科技有限公司 神经网络的训练方法、消除金属伪影的方法及其装置
CN112017131B (zh) * 2020-10-15 2021-02-09 南京安科医疗科技有限公司 Ct图像金属伪影去除方法、装置及计算机可读存储介质
CN112991341A (zh) * 2021-04-28 2021-06-18 江苏瑞尔医疗科技有限公司 基于厚层ct图像生成薄层ct图像的系统及方法
CN115100308A (zh) * 2022-06-17 2022-09-23 明峰医疗系统股份有限公司 用于去除ct伪影的神经网络训练方法及系统
CN115100308B (zh) * 2022-06-17 2024-05-28 明峰医疗系统股份有限公司 用于去除ct伪影的神经网络训练方法及系统
CN116485937A (zh) * 2023-06-21 2023-07-25 吉林大学 基于图神经网络的ct运动伪影消除方法及系统
CN116485937B (zh) * 2023-06-21 2023-08-29 吉林大学 基于图神经网络的ct运动伪影消除方法及系统

Similar Documents

Publication Publication Date Title
CN110916708A (zh) 一种ct扫描投影数据伪影校正方法、ct图像重建方法
US9020279B2 (en) Image processing methods and apparatuses
US7747057B2 (en) Methods and apparatus for BIS correction
CN109920020B (zh) 一种锥束ct病态投影重建伪影抑制方法
US20050123215A1 (en) Method and apparatus for the reduction of artifacts in computed tomography images
US10102651B2 (en) Image processing device, radiation detecting device, and image processing method
WO2014167935A1 (ja) Ｘ線ｃｔ装置、再構成演算装置、及び再構成演算方法
US9538974B2 (en) Methods and systems for correcting table deflection
CN108876730B (zh) 校正运动伪影的方法、装置及设备和存储介质
US7929659B2 (en) System and method for generating computed tomography images
US9592021B2 (en) X-ray CT device, and method
WO2017045620A1 (zh) 一种计算机断层成像方法与系统
US7916828B1 (en) Method for image construction
CN111065335A (zh) 医用图像处理装置和医用图像处理方法
US7042974B2 (en) Method for reconstructing tomographic images
CN112336366A (zh) 移动ct系统的扫描重建方法、存储介质和ct扫描装置
KR102348139B1 (ko) 이중 해상도의 관심 영역 내외 투영 데이터를 이용한 체내 단층 촬영 방법 및 시스템
CN112070856B (zh) 基于非下采样轮廓波变换的有限角c型臂ct图像重建方法
JP2010142478A (ja) Ｘ線ｃｔ装置
US6411671B2 (en) Method for reducing line artifacts in a CT image and device for implementing the method
CN114359126A (zh) 三维图像的几何校正方法、装置、电子设备及存储介质
US11175242B2 (en) Geometric alignment, sample motion correction, and intensity normalization of computed tomography projections using pi-line optimization
CN112884862B (zh) 基于质心投影轨迹拟合的锥束ct温度漂移校正方法及系统
US20220319072A1 (en) Medical image processing apparatus and medical image processing method
KR20160056979A (ko) 외부 투영 데이터를 이용한 체내 단층촬영 영상의 반복적 재구성 방법 및 시스템

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200327