CN111127579A - 一种基于神经网络去锥形束伪影的ct重建方法 - Google Patents

一种基于神经网络去锥形束伪影的ct重建方法 Download PDF

Info

Publication number
CN111127579A
CN111127579A CN201911370925.4A CN201911370925A CN111127579A CN 111127579 A CN111127579 A CN 111127579A CN 201911370925 A CN201911370925 A CN 201911370925A CN 111127579 A CN111127579 A CN 111127579A
Authority
CN
China
Prior art keywords
neural network
cone beam
image
reconstruction
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.)
Pending
Application number
CN201911370925.4A
Other languages
English (en)
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.)
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 CN201911370925.4A priority Critical patent/CN111127579A/zh
Publication of CN111127579A publication Critical patent/CN111127579A/zh
Pending legal-status Critical Current

Links

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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明提出一种基于神经网络去锥形束伪影的CT重建方法，包括步骤：(1)采集锥形束投影数据P；(2)对锥形束投影数据P进行滤波；(3)对滤波后的投影数据P进行n个角度的图像重建，得到n个子图像；(4)构建能够去除输入图像锥形束伪影的神经网络，训练神经网络，直至神经网络的损失函数满足预设的阈值要求；(5)将n个子图像同时输入到神经网络内，得到一幅无锥形束伪影的输出图像。本发明采用神经网络融合多个子图像，由于融合了更多的信息，因此能够得到更高的图像质量；另外，本发明在重建过程中，不需要归一化和反归一化网络，因此在图像重建过程中能够避免引入归一化和反归一化网络引起图像值的误差，进一步提高重建图像的质量。

Description

一种基于神经网络去锥形束伪影的CT重建方法
技术领域
本发明涉及CT扫描图像处理技术领域，尤其是一种基于神经网络去锥形束伪影的CT重建方法。
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[1]。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了些区别，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[2]，但是由于算法的复杂性，还是没有能够普遍的应用到系统中。目前主流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[3-5]。
但是现有的重建技术重建误差和锥角(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，导致图像存在锥形束伪影，不能够满足临床诊断的要求。
为改善图像质量的技术方案，也有把神经网络引入图像重建中的方法，例如专利CN107481297A公开的一种基于卷积神经网络的CT图像重建方法，该方法对反投影得到的图像进行“归一化”滤波，然后滤波后的图像经过神经网络处理，处理后的图像再经过反归一化滤波，再得到最终的重建图像。但是这个方法需要引入归一化滤波和反归一化滤波，这个会引起图像值的误差，再有他的处理是在全部反投影之后，因此没有办法完全修复重建的伪影。
[1]Hsieh j：Computed tomography：Principles，design，artifacts，and recentadvances.SPIE，Bellingham，WA.(2003).
[2]A Katsevich，“Theoretically exact filtered backprojection-typeinversion algorithm for spiral CT”，SIAM Journal on Applied Mathematics 62(6)，2012-2026
[3]L.A.Feldkamp，L.C.Davis，and J.W.Kress，“Practical cone-beamalgorithm，”J.Opt.Soc.Amer.A1(6)，pp.612-619，1984
[4]Katsuyuki等，Cone-beam reconstruction apparatus and computedtomography apparatus.Patent US6917663B2
[5]Tang X等，“A three-dimensional weighted cone beam filteredbackprojection (CB-FBP)algorithm for image reconstruction in volumetric CTunder acircular source trajectory”，Phys Med Biol.2005Aug 21；50(16)：3889-905.Epub 2005Aug 2.
发明内容
发明目的：为克服现有技术的缺陷，本发明提出一种基于神经网络去锥形束伪影的CT重建方法，能够较好地去除重建图像中的伪影。
技术方案：为实现上述技术效果，本发明提出以下技术方案：
一种基于神经网络去锥形束伪影的CT重建方法，包括步骤：
(1)采集锥形束投影数据P；
(2)对锥形束投影数据P进行滤波；
(3)对滤波后的投影数据P进行n个角度的图像重建，得到n个子图像；所述n个角度所覆盖的总角度大于最小重建角度，n为正整数；
(4)构建能够去除输入图像锥形束伪影的神经网络，训练神经网络，直至神经网络的损失函数满足预设的阈值要求；
(5)将n个子图像同时输入到神经网络内，得到一幅无锥形束伪影的输出图像。
进一步的，所述步骤(2)中对锥形束投影数据P进行滤波的滤波方式包括：对称斜坡滤波、不对称斜坡滤波。
进一步的，所述步骤(3)中重建n个子图像采用的重建方法相同或不同。
进一步的，所述神经网络为Unet网络。
进一步的，所述神经网络的训练步骤包括：
1)获取无锥形束伪影的锥形束投影数据，对锥形束投影数据进行图像重建，得到无锥形束伪影的目标图像；
2)利用无锥形束伪影的锥形束投影数据合成含有不同锥形束伪影的锥形束投影数据，作为样本数据；
3)将每个样本数据进行n个角度的图像重建，得到n个子图像；将每个样本数据的n个子图像输入神经网络，得到一幅输出图像；计算输出图像与目标图像之间的误差，进而估计神经网络的更新梯度，沿着梯度方向更新网络；重复训练过程，直至神经网络的损失函数满足预设的阈值要求；所述损失函数为：
Figure BDA0002338476530000031
其中，Im g表示神经网络的输出图像，Im gtrue表示Im g对应的目标图像，Im gk表示用第k个样本数据训练时神经网络的输出图像，Im gtrue，k表示Im gk对应的目标图像。
有益效果：与现有技术相比，本发明具有以下优势：
相对于现有通过迭代计算重建图像的技术，本发明的计算量降低了许多；
本发明采用神经网络融合多个子图像，由于融合了更多的信息，因此能够得到更高的图像质量；
本发明在重建过程中，不需要归一化和反归一化网络，因此在图像重建过程中能够避免引入归一化和反归一化网络引起图像值的误差，进一步提高重建图像的质量。
附图说明
图1为本发明实施例涉及的一种基于神经网络去锥形束伪影的CT重建方法的原理流程图；
图2为本发明实施例涉及的一种基于神经网络去锥形束伪影的CT重建方法中，神经网络的训练过程示意图；
图3为本发明实施例涉及的神经网络的结构图；
图4为现有的采用滤波反投影方法重建图像的流程图；
图5为CT扫描过程示意图。
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示出了本发明实施例涉及的一种基于神经网络去锥形束伪影的CT重建方法的原理流程图，该方法包括以下步骤：
(1)采集锥形束投影数据P；
(2)对锥形束投影数据P进行滤波；
(3)对滤波后的投影数据P进行n个角度的图像重建，得到n个子图像；所述n个角度所覆盖的总角度大于最小重建角度，n为正整数；
(4)构建能够去除输入图像锥形束伪影的神经网络，训练神经网络，直至神经网络的损失函数满足预设的阈值要求；
(5)将n个子图像同时输入到神经网络内，得到一幅无锥形束伪影的输出图像。
在步骤(2)中，对锥形束投影数据P进行滤波。具体的说，可以通过不同的滤波器对锥形束投影数据P进行滤波，比如对称斜坡滤波器，不对称斜坡滤波器等。
在步骤(3)中，对滤波后的投影数据P进行n个角度的图像重建，得到n个子图像。具体的说，这n个角度可以相同也可以不同，只要这n个角度所覆盖的总角度大于最小重建角度(约为180度)即可，这里n的取值为大于等于1的正整数。例如，把360度的范围分成三份，即每个子图像采用120度的角度范围进行重建。例如，还是设置3个子图像，通过滤波反投影重建图像1至3，图像1的反投影的角度是[-180+g(x)，-60+g(x)]，图像2的反投影的角度是[-60+g(x)，60+g(x)]，图像3的反投影的角度是[60+g(x)，180+g(x)]度。这里重建各个子图所采用的重建算法可以相同也可以不同，重建算法包括但不限于FDK算法或者它的改进版。
在步骤(4)中，构建能够去除输入图像锥形束伪影的神经网络，训练神经网络，直至神经网络的损失函数满足预设的阈值要求。具体的说，CT扫描的过程如图5所示，X射线源和探测器P相对，围绕着物体f沿着一定的轨道旋转，一般可以是螺旋和圆形扫描轨道。在扫描的过程种，在每个角度θ位置，X射线穿过f，不同形状及组成的物体对射线的衰减强度不一样，衰减之后的信号到达探测器，探测器采集一个角度的投影数据Pθ。就这样经过一个角度一个角度，CT系统通过特定的轨道运行，就能采集所有角度的投影数据。图像重建的过程就是通过采集的投影数据P来得到f的过程，如图4所示。通常的方法是滤波-反投影算法。这种算法一般是通过两步，第一步是Pθ经过斜坡滤波器滤波；第二步滤波过的投影经过加权，反投影累加到重建图像上f。所有角度的投影数据经过上面的过程，不断累加到重建图像上，就可以到最终的重建图像。
正如前面叙述的随着CT系统的探测器排数增多，扫描几何结构的锥形束增大，重建的误差会显著增大，传统重建方式会引起严重的锥形束伪影。近些年为了提高图像质量的重建方法，都是通过改变这几部分来得到更好的图像质量。这些算法基本上都是基于精确重建的理论Radaon重建算法，针对特定扫描结构开发出来的算法。因为实际临床应用的条件多样性，因此精确重建算法有很多的限制。因为精确的重建方法都是通过改变不同的滤波，权重，反投影的角度范围等等方式得到更好的图像。在重建算法中的这几个步骤是经过近似或者若干理想假设数学推导得到的，但是在实际情况中并不能适应各种情况，也不一定能得到最优的图像质量。因此，本发明提出的方法是基于人工智能的处理技术，利用深度神经网络替代加权部分来达到更好的图像质量，神经网络所实现的加权策略可根据实际需要选择，例如均匀加权、角度加权等。
所选择的神经网络模型主要是基于卷积的神经网络，比如改进的ResNet、Unet等。所述神经网络的训练过程如图2所示，训练步骤包括：
1)获取无锥形束伪影的锥形束投影数据，对锥形束投影数据进行图像重建，得到无锥形束伪影的目标图像；
2)利用无锥形束伪影的锥形束投影数据合成含有不同锥形束伪影的锥形束投影数据，作为样本数据；
3)将每个样本数据进行n个角度的图像重建，得到n个子图像；将每个样本数据的n个子图像输入神经网络，得到一幅输出图像；计算输出图像与目标图像之间的误差，进而估计神经网络的更新梯度，沿着梯度方向更新网络；重复训练过程，直至神经网络的损失函数满足预设的阈值要求；所述损失函数为：
Figure BDA0002338476530000051
其中，Im g表示神经网络的输出图像，Im gtrue表示Im g对应的目标图像，Im gk表示用第k个样本数据训练时神经网络的输出图像，Im gtrue，k表示Im gk对应的目标图像。
下面以Unet为例说明整个神经网络的训练过程及工作原理：
Unet的结构如图3所示，包括两部分，前半部分为特征提取，后半部分为上采样层。前半部分每一层特征提取网络由三维卷积层、激活层、降采样层组成，后半部分每一层网络由上采样层、三维卷积层、激活层组成。
一组部分卷积反投影得到的子图像作为网络的输入，则Unet对输入图像的处理过程为：
Figure BDA0002338476530000052
Figure BDA0002338476530000061
Figure BDA0002338476530000062
Figure BDA0002338476530000063
Figure BDA0002338476530000064
Figure BDA0002338476530000065
其中，f1，f2，L，fn为输入的n幅子图，Relu表示激活层，Conv3D表示三维卷积层，Pooling表示降采样层，Upsample表示上采样层，Im g1至Im g5分别表示经过第1至5层网络处理后的特征图像，Im gout为Unet网络的输出图像(即经过最后一层网络处理后的特征图像)。
需要注意的是，图3所给出的Unet网络结构仅为所述神经网络的一种示例，所述神经网络可采用其他结构实现，或在Unet网络结构上进行改进实现。
所述Unet网络的训练可以采用下面的方法来训练得到：
S1、构建训练用的图像数据库：利用现有的64排以下CT系统的图像F_true，构建人体的图像数据库；利用这个图像数据库中的图像，进行数值模拟仿真，生成所需要的大椎角CT系统(比如256排)的投影数据；将生成大椎角CT系统的投影数据分成多个角度进行图像重建，以三个重建角度为例，则重建后得到三个子图：F_1，F_2，F_3；则图像组(F_1，F_2，F_3)和F_true就构成了神经网络的一个训练样本。
S2、构建损失函数为：
Figure BDA0002338476530000066
其中，Im g表示神经网络的输出图像，Im gtrue表示Im g对应的目标图像，Im gk表示用第k个样本数据训练时神经网络的输出图像，Im gtrue，k表示Im gk对应的目标图像。
S3、利用深度学习的训练框架，利用梯度下降法进行训练，这里采用的是Tensorflow进行训练。具体训练过程为：计算输出图像与目标图像之间的误差，进而估计神经网络的更新梯度，沿着梯度方向更新网络；重复训练过程，直至神经网络的损失函数的值满足预设的阈值要求。
S4、预测。利用训练好的神经网络对输入的子图进行特征融合，就可以得到最终的输出图像。
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 (5)

1.一种基于神经网络去锥形束伪影的CT重建方法，其特征在于，包括步骤：
(1)采集锥形束投影数据P；
(2)对锥形束投影数据P进行滤波；
(3)对滤波后的投影数据P进行n个角度的图像重建，得到n个子图像；所述n个角度所覆盖的总角度大于最小重建角度，n为正整数；
(4)构建能够去除输入图像锥形束伪影的神经网络，训练神经网络，直至神经网络的损失函数满足预设的阈值要求；
(5)将n个子图像同时输入到神经网络内，得到一幅无锥形束伪影的输出图像。
2.根据权利要求1所述的一种基于神经网络去锥形束伪影的CT重建方法，其特征在于，所述步骤(2)中对锥形束投影数据P进行滤波的滤波方式包括：对称斜坡滤波、不对称斜坡滤波。
3.根据权利要求1所述的一种基于神经网络去锥形束伪影的CT重建方法，其特征在于，所述步骤(3)中重建n个子图像采用的重建方法相同或不同。
4.根据权利要求1所述的一种基于神经网络去锥形束伪影的CT重建方法，其特征在于，所述神经网络为Unet网络。
5.根据权利要求4所述的一种基于神经网络去锥形束伪影的CT重建方法，其特征在于，所述神经网络的训练步骤包括：
1)获取无锥形束伪影的锥形束投影数据，对锥形束投影数据进行图像重建，得到无锥形束伪影的目标图像；
2)利用无锥形束伪影的锥形束投影数据合成含有不同锥形束伪影的锥形束投影数据，作为样本数据；
3)将每个样本数据进行n个角度的图像重建，得到n个子图像；将每个样本数据的n个子图像输入神经网络，得到一幅输出图像；计算输出图像与目标图像之间的误差，进而估计神经网络的更新梯度，沿着梯度方向更新网络；重复训练过程，直至神经网络的损失函数满足预设的阈值要求；所述损失函数为：
Figure FDA0002338476520000011
其中，Img表示神经网络的输出图像，Imgtrue表示Img对应的目标图像，Imgk表示用第k个样本数据训练时神经网络的输出图像，Im gtrue，k表示Im gk对应的目标图像。
CN201911370925.4A 2019-12-26 2019-12-26 一种基于神经网络去锥形束伪影的ct重建方法 Pending CN111127579A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911370925.4A CN111127579A (zh) 2019-12-26 2019-12-26 一种基于神经网络去锥形束伪影的ct重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911370925.4A CN111127579A (zh) 2019-12-26 2019-12-26 一种基于神经网络去锥形束伪影的ct重建方法

Publications (1)

Publication Number Publication Date
CN111127579A true CN111127579A (zh) 2020-05-08

Family

ID=70503497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911370925.4A Pending CN111127579A (zh) 2019-12-26 2019-12-26 一种基于神经网络去锥形束伪影的ct重建方法

Country Status (1)

Country Link
CN (1) CN111127579A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563940A (zh) * 2020-07-15 2020-08-21 南京安科医疗科技有限公司 一种步进轴扫ct重建中拼接伪影的去除方法及电子介质
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
CN112669405A (zh) * 2020-12-30 2021-04-16 上海联影医疗科技股份有限公司 图像重建方法、系统、可读存储介质和设备
CN113192155A (zh) * 2021-02-04 2021-07-30 南京安科医疗科技有限公司 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质
CN113643394A (zh) * 2021-07-22 2021-11-12 上海联影医疗科技股份有限公司 散射校正方法、装置、计算机设备和存储介质
CN114723842A (zh) * 2022-05-24 2022-07-08 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
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
CN117392259A (zh) * 2023-12-11 2024-01-12 电子科技大学 一种双视角跨模态重建ct影像的方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296592A (zh) * 2015-05-22 2017-01-04 浙江大学 一种轴向锥束扫描解析ct重建图像直流漂移校正算法
CN109509235A (zh) * 2018-11-12 2019-03-22 深圳先进技术研究院 Ct图像的重建方法、装置、设备及存储介质
CN109727203A (zh) * 2017-10-27 2019-05-07 西门子医疗保健有限责任公司 用于借助于机器学习来补偿运动伪影的方法和系统
CN109920020A (zh) * 2019-02-27 2019-06-21 西北工业大学 一种锥束ct病态投影重建伪影抑制方法
CN110264535A (zh) * 2019-06-13 2019-09-20 明峰医疗系统股份有限公司 一种去除ct锥束伪影的重建方法
CN110335325A (zh) * 2019-06-27 2019-10-15 深圳安科高技术股份有限公司 一种ct图像重建方法及其系统
CN110349234A (zh) * 2019-06-27 2019-10-18 深圳安科高技术股份有限公司 一种ct锥形束图像重建方法及其系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106296592A (zh) * 2015-05-22 2017-01-04 浙江大学 一种轴向锥束扫描解析ct重建图像直流漂移校正算法
CN109727203A (zh) * 2017-10-27 2019-05-07 西门子医疗保健有限责任公司 用于借助于机器学习来补偿运动伪影的方法和系统
CN109509235A (zh) * 2018-11-12 2019-03-22 深圳先进技术研究院 Ct图像的重建方法、装置、设备及存储介质
CN109920020A (zh) * 2019-02-27 2019-06-21 西北工业大学 一种锥束ct病态投影重建伪影抑制方法
CN110264535A (zh) * 2019-06-13 2019-09-20 明峰医疗系统股份有限公司 一种去除ct锥束伪影的重建方法
CN110335325A (zh) * 2019-06-27 2019-10-15 深圳安科高技术股份有限公司 一种ct图像重建方法及其系统
CN110349234A (zh) * 2019-06-27 2019-10-18 深圳安科高技术股份有限公司 一种ct锥形束图像重建方法及其系统

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111563940A (zh) * 2020-07-15 2020-08-21 南京安科医疗科技有限公司 一种步进轴扫ct重建中拼接伪影的去除方法及电子介质
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
CN112669405A (zh) * 2020-12-30 2021-04-16 上海联影医疗科技股份有限公司 图像重建方法、系统、可读存储介质和设备
CN113192155A (zh) * 2021-02-04 2021-07-30 南京安科医疗科技有限公司 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质
CN113192155B (zh) * 2021-02-04 2023-09-26 南京安科医疗科技有限公司 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质
CN113643394A (zh) * 2021-07-22 2021-11-12 上海联影医疗科技股份有限公司 散射校正方法、装置、计算机设备和存储介质
CN114723842A (zh) * 2022-05-24 2022-07-08 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
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
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
CN117392259A (zh) * 2023-12-11 2024-01-12 电子科技大学 一种双视角跨模态重建ct影像的方法
CN117392259B (zh) * 2023-12-11 2024-04-16 电子科技大学 一种双视角跨模态重建ct影像的方法

Similar Documents

Publication Publication Date Title
CN111127579A (zh) 一种基于神经网络去锥形束伪影的ct重建方法
US11026642B2 (en) Apparatuses and a method for artifact reduction in medical images using a neural network
JP5019193B2 (ja) スキャン対象に関するｃｔ画像内の再構成点における画像データ値を決定する再構成方法及びｘ線コンピュータ断層撮影装置
US8971599B2 (en) Tomographic iterative reconstruction
CN103390284B (zh) 在扩展的测量场中的ct图像重建
US10722178B2 (en) Method and apparatus for motion correction in CT imaging
JP2000107168A (ja) 被検体内の関心領域の３次元コンピュ―タ断層撮影方法及び装置
JP2010527741A (ja) 画像再構成において利得変動の補正を容易にする方法及びシステム
US7305061B2 (en) Efficient image reconstruction algorithm for the circle and arc cone beam computer tomography
JP6505513B2 (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
CN103714578A (zh) 针对半覆盖螺旋锥束ct的单层重排滤波反投影重建方法
JPH08263638A (ja) 物体の断層写真像を作成するシステム及び方法
US7197105B2 (en) Efficient image reconstruction algorithm for the circle and line cone beam computed tomography
Lee et al. Interior tomography using 1D generalized total variation. Part II: Multiscale implementation
CN113052936A (zh) 集成fdk和深度学习的单视角ct重建方法
US6937689B2 (en) Methods and apparatus for image reconstruction in distributed x-ray source CT systems
KR20200021156A (ko) 사전 영상을 이용하는 고품질의 4차원 콘빔 전산화 단층 촬영 시스템
US6647084B1 (en) Method and apparatus for filtering projection data of a helical scan
WO2008065394A1 (en) Method and apparatus for reducing distortion in a computed tomography image
JP6615531B2 (ja) Ｘ線コンピュータ断層撮影装置及び医用画像処理装置
CN113192155B (zh) 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质
US6999550B2 (en) Method and apparatus for obtaining data for reconstructing images of an object
CN112446840B (zh) 一种基于深度学习的ct图像黑带伪影消除方法及系统
CN111563940B (zh) 一种步进轴扫ct重建中拼接伪影的去除方法及电子介质
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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200508

RJ01 Rejection of invention patent application after publication