CN111563940B - 一种步进轴扫ct重建中拼接伪影的去除方法及电子介质 - Google Patents
一种步进轴扫ct重建中拼接伪影的去除方法及电子介质 Download PDFInfo
- Publication number
- CN111563940B CN111563940B CN202010677686.3A CN202010677686A CN111563940B CN 111563940 B CN111563940 B CN 111563940B CN 202010677686 A CN202010677686 A CN 202010677686A CN 111563940 B CN111563940 B CN 111563940B
- Authority
- CN
- China
- Prior art keywords
- image
- scanning
- splicing
- artifacts
- image 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 31
- 238000003702 image correction Methods 0.000 claims abstract description 21
- 238000001914 filtration Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000002591 computed tomography Methods 0.000 claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 20
- 238000013473 artificial intelligence Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 3
- 210000001519 tissue Anatomy 0.000 description 13
- 230000002146 bilateral effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation 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
- 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
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种步进轴扫CT重建中拼接伪影的去除方法及电子介质，应用于图像处理技术领域；所述方法包括进行CT扫描，获取投影数据：采用锥束重建算法对所有投影数据进行图像重建；对重建后的所有图像进行非线性滤波，输出滤波后图像；获取第k次扫描和第k+1次扫描之间交界区域及其附近的共P层图像，计算每个图像的距离权重和组织结构权重，根据距离权重和组织结构权重对P层图像进行图像更正，去除拼接伪影，直至对N次CT扫描的所有数据完成图像更正，获取去除拼接伪影的最终图像。本发明通过对步进轴扫的交界区域图像进行图像更正，去除交界区域的拼接伪影，计算效率高，提高图像质量，并且不需要额外的硬件辅助，能满足临床需求。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种步进轴扫CT重建中拼接伪影的去除方法及电子介质。
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，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。除了这些解析类的算法之外，还有应该用迭代重建算法来减少误差，改善图像质量。迭代算法虽然能够改善图像质量，但是算法的计算量很大，很难满足临床的实际应用。
步进轴扫是CT扫描中常用的扫描方式，每次采用圆周扫描的方式，扫描患者的一部分身体部位。由于圆周扫描的特殊性，接受扫描的整体区域的图像质量并不一致，通常是中心层面最好，越偏离中心层面，锥角越大，图像质量越差。这主要的原因是重建误差和锥角（正比于探测器的排数）的平方成正比，随着探测器排数的增加就会带来很大的误差。除了锥角原因，其他因素，如：射束硬化、Z轴采样、部分容积效应等也会引起图像不均匀和伪影。这些图像质量的不均匀，很容易在步进扫描的交界区域附近产生伪影，导致图像不能够满足临床诊断的要求。
发明内容
技术目的：针对现有技术中步进轴扫的交界区域存在拼接伪影的缺陷，本发明公开了一种步进轴扫CT重建中拼接伪影的去除方法及电子介质，通过对步进轴扫的交界区域图像进行图像更正，去除交界区域的拼接伪影，计算效率高，提高图像质量，并且不需要额外的硬件辅助，能满足临床需求。
技术方案：为实现上述技术目的，本发明采用以下技术方案。
一种步进轴扫CT重建中拼接伪影的去除方法，包括以下步骤：
S1、进行CT扫描，获取投影数据：设置扫描协议，对需要扫描的区域进行N次CT扫描，相邻两次扫描之间有交界区域，扫描覆盖范围为C，每次扫描中获取M层投影数据；
S2、图像重建：采用锥束重建算法对所有投影数据进行图像重建，其中对第k次扫
描获取的投影数据进行重建的图像为volume_k，volume_k中第m层的图像为slice_m，则第k
次扫描、第m层的图像可表示为
；其中，k=1,2…N，m=1,2…M；
S3、图像非线性滤波：对重建后的所有图像进行非线性滤波，输出滤波后图像；
S4、图像更正：获取第k次扫描和第k+1次扫描之间交界区域及其附近的共P层图像，计算每个图像的距离权重和组织结构权重，根据距离权重和组织结构权重对P层图像进行图像更正，去除拼接伪影，获取更正后的图像；
所述S4中获取更正后的图像，其计算公式为：
其中，
为
滤波后的图像；
为
滤波后
的图像，
为另一次扫描沿z轴方向距离
最近的图像，
和
分别为
和
图像的距离权重，
为组织结构权重；
S5、获取最终图像：重复步骤S4，直至对N次CT扫描的所有数据完成图像更正，结合交界区域图像及非交界区域图像，获取去除拼接伪影的最终图像。
优选地，所述S4中图像更正通过人工智能神经网络实现，通过人工智能神经网络输出图像更正后图像的具体过程为：
S41、生成训练样本：获取需要扫描的区域的有拼接伪影和无拼接伪影的图像数据，生成训练样本；
S42、构建人工智能神经网络并进行预训练：构建人工智能神经网络，所述人工智能神经网络为Resnet网络或U-net网络，将训练样本中的有拼接伪影的图像数据作为人工智能神经网络的输入，对人工智能神经网络的输出与训练样本中的无拼接伪影的图像数据进行比较，并计算损失函数，反复训练，直至损失函数小于阈值，人工智能神经网络预训练完成；
S43、图像更正：输入第k次扫描和第k+1次扫描之间交界区域及其附近的共P层图像，人工智能神经网络输出去除拼接伪影后的图像。
优选地，所述S41中获取需要扫描的区域的有拼接伪影和无拼接伪影的图像数据中，有拼接伪影和无拼接伪影的图像数据来源为：有拼接伪影的图像数据为步进轴扫获取的图像数据，无拼接伪影的图像数据为多层螺旋扫描获取的图像数据；或有拼接伪影的图像数据为连续轴扫获取的图像数据，无拼接伪影的图像数据为多层螺旋扫描获取的图像数据；或通过改变步进轴扫的扫描起始位置获取的同一区域的有拼接伪影和无拼接伪影的图像数据。
优选地，所述S3中非线性滤波的计算公式为：
其中，为滤波后的图像，
为
在邻域中的滤波参数的权重。
优选地，所述组织结构权重的计算公式为：
其中，
为组织的CT值，
为调节
的超参数，通过调节不同的
和
可以保留组织结构。
一种电子介质，包括存储器和处理器，存储器和处理器相连，所述存储器存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现以上任一所述的一种步进轴扫CT重建中拼接伪影的去除方法。
有益效果：
本发明通过对步进轴扫的交界区域图像进行图像更正，去除交界区域的拼接伪影，相对于精确重建和迭代重建来说，本方案计算效率高，并且能有效抑制和去除伪影，提高图像质量，并且不需要额外的硬件辅助，能满足临床需求。
附图说明
图1为本发明的方法流程图；
图2为拼接伪影在CT图像中的示意图；
图3为多次扫描过程中交界区域及其图像质量示意图；
图4为相邻两次扫描中交界区域示意图；
图5为去除拼接伪影的最终图像；
图6为采用人工智能神经网络的方法流程图。
具体实施方式
以下将结合附图对本发明的一种步进轴扫CT重建中拼接伪影的去除方法及电子介质做进一步的解释和说明。
如附图1所示，一种步进轴扫CT重建中拼接伪影的去除方法，包括以下步骤：
步骤一、进行CT扫描，获取投影数据：设置扫描协议，对需要扫描的区域进行N次CT
扫描，扫描覆盖范围为C，每次扫描中获取M层投影数据。为了获取整个组织或者器官的信
息，通常采用步进扫描step and shot（或连续轴扫）的扫描模式，以32排探测器进行头部扫
描为例，覆盖整个头部区域需要N次扫描，一般为8到10次；每一次扫描重建的图像为
volume_k，每个volume内包含M张(比如32张)图像分别记为slice_m，单幅图像可以表示为
。扫描的覆盖范围是C，比如32排的系统通常有20mm，每次步进的长度是
Step，这个步进长度不大于C。常规的方法在交界区域并没有特殊的处理，很容易产生图像
的拼接伪影，尤其交界区域的图像质量不连续，交界区域的突变会加重这个拼接伪影，当图
像沿着z轴方向显示时，拼接的横条纹伪影即拼接伪影更加明显，如附图2和附图3所示。因
此本方案主要是针对交界区域的图像质量的优化。这里的交界区域定义为，两次扫描中心
位置的中间位置；这个交界及附近的区域共P层图像，可能会存在图像质量问题。比如对于
32排的多步轴扫，我们定义P=4层图像。处理的工作主要针对附近的P层图像来处理。
步骤二、图像重建：采用锥束重建算法，如FDK算法对所有投影数据进行图像重建，
其中对第k次扫描获取的投影数据进行重建的图像为volume_k，volume_k中第m层的图像为
slice_m，则第k次扫描、第m层的图像可表示为
；其中，k=1,2…N，m=1,2…M。
步骤三、图像非线性滤波：对重建后的所有图像进行非线性滤波，输出滤波后图像；这里的非线性滤波采用中值滤波、加权中值滤波、非局部均值Nonlocal Mean或双边滤波方式，中值滤波将窗口函数里面的所有像素进行排序取得中位数来代表该窗口中心的像素值。双边滤波器在考虑像素点本身取值的相近性以外，还考虑了相近像素点与被估计的像素点的距离，如果离被估计的像素点越近将具有更高的权重。非局部均值则是在一个窗口中搜索相近的图像块来进行权重分配，通过加权的形式将最相近的几个像素块中的中心点结合起来估计真实值。滤波器可以是二维的滤波器，也可以是三维的滤波器。以二维的滤波器为例，非线性滤波的计算公式为：
其中，
为第k次扫描、第j层图像中的像素点坐标，
为非线性滤波的
中心像素点坐标，h为平滑参数，控制权重的衰减程度，其中，为滤波后的图像，
为
在邻域中的滤波参数的权重；通过
以为中心像素点坐标的领域矩阵遍历整个图像的像素点，实现对整个图像进行滤
波。
步骤四、图像更正：如附图4所示，获取第k次扫描和第k+1次扫描之间交界区域及其附近的共P层图像，计算每个图像的距离权重和组织结构权重，根据距离权重和组织结构权重对P层图像进行图像更正，去除拼接伪影，获取更正后的图像。
其中，
为校准后的图像，
为需要处理的交界处图像，j=1,2…P，
为另一次扫描沿z轴方向距离
最近的图像，
和
分别为
和
图像的距离权重，
为组织结构权重；
若另一次扫描沿z轴方向距离
最近的图像
有两个，则可选取任一图
像，或选取两个图像的平均值。
距离权重的计算公式如公式（4）所示：
其中，
为图像距离单次扫描的覆盖范围边界的距离。
组织结构权重的计算公式如公式（5）所示：
其中，
为组织的CT值，
为调节
的超参数，通过调节不同的
和
可以保留组织结构。例如
=1，
=1200，可以保留骨组织结
构。
步骤四中图像更正也可以通过人工智能神经网络实现，通过人工智能神经网络输出图像更正后图像的具体过程为：
生成训练样本：获取需要扫描的区域的有拼接伪影和无拼接伪影的图像数据，生成训练样本；其中有拼接伪影和无拼接伪影的图像数据来源为：有拼接伪影的图像数据为步进轴扫获取的图像数据，无拼接伪影的图像数据为多层螺旋扫描获取的图像数据，因为拼接伪影在步进轴扫的扫描表现明显，而在多层螺旋扫描（helical螺旋扫描）中不明显；或有拼接伪影的图像数据为连续轴扫获取的图像数据，无拼接伪影的图像数据为多层螺旋扫描获取的图像数据，其中该方法为通过仿真方式获取图像数据，通过正投的方法，螺旋扫描的数据为无伪影数据，通过正投的方法获取连续轴扫的投影然后重建获得有伪影的数据；或通过改变步进轴扫的扫描起始位置获取的同一区域的有拼接伪影和无拼接伪影的图像数据。
如附图6所示，构建人工智能神经网络并进行预训练：构建人工智能神经网络，所述人工智能神经网络为Resnet网络或U-net网络，将训练样本中的有拼接伪影的图像数据作为人工智能神经网络的输入，对人工智能神经网络的输出与训练样本中的无拼接伪影的图像数据进行比较，并计算损失函数，反复训练，直至损失函数小于阈值，人工智能神经网络预训练完成；其中损失函数采用MSE均方差函数，损失函数的计算公式为：
其中，
表示无拼接伪影的数据，
表示人工智能神经网络的输出数据。
图像更正：输入第k-1次扫描和对第k次扫描之间交界区域及其附近的共P层图像，人工智能神经网络输出去除拼接伪影后的图像。
步骤五、获取最终图像：重复步骤四，直至对N次CT扫描的所有数据完成图像更正，结合交界区域图像及非交界区域图像，获取去除拼接伪影的最终图像，如附图5所示。本发明通过对步进轴扫的交界区域图像进行图像更正，去除交界区域的拼接伪影，相对于精确重建和迭代重建来说，本方案计算效率高，并且能有效抑制和去除伪影，提高图像质量，并且不需要额外的硬件辅助，能满足临床需求。
本发明还公开了一种电子介质，包括存储器和处理器，存储器和处理器相连，存储器存储有至少一个可被处理器执行的指令，至少一个指令被处理器执行时，实现以上任一所述的一种步进轴扫CT重建中拼接伪影的去除方法。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种步进轴扫CT重建中拼接伪影的去除方法，其特征在于，包括以下步骤：
S1、进行CT扫描，获取投影数据：设置扫描协议，对需要扫描的区域进行N次CT扫描，相邻两次扫描之间有交界区域，扫描覆盖范围为C，每次扫描中获取M层投影数据；
S2、图像重建：采用锥束重建算法对所有投影数据进行图像重建，其中对第k次扫描获取的投影数据进行重建的图像为volume_k，volume_k中第m层的图像为slice_m，则第k次扫描、第m层的图像可表示为Imgk,m(x,y)；其中，k＝1,2…N，m＝1,2…M；
S3、图像非线性滤波：对重建后的所有图像进行非线性滤波，输出滤波后图像；
S4、图像更正：获取第k次扫描和第k+1次扫描之间交界区域及其附近的共P层图像，计算每个图像的距离权重和组织结构权重，根据距离权重和组织结构权重对P层图像进行图像更正，去除拼接伪影，获取更正后的图像；所述组织结构权重的计算公式为：
其中，tissue_val为组织的CT值，ht为调节wg的超参数，Imgk,j为需要处理的交界处图像，j＝1,2…P；所述距离权重的计算公式为：
其中，dis为P层图像中每层图像与单次扫描的覆盖范围边界的距离；每次扫描的步进长度是Step，步进长度不大于C；Imgk',j'为另一次扫描沿z轴方向距离Cimgk,j最近的图像，k、j分别表示第k次扫描、第j层图像；
所述S4中获取更正后的图像，其计算公式为：
其中，FImgk,j为Imgk,j(x,y)滤波后的图像；FImgk',j'为Imgk',j'滤波后的图像，Imgk',j'为另一次扫描沿z轴方向距离Cimgk,j最近的图像，k、j分别表示第k次扫描、第j层图像，w1和w2分别为Imgk',j'和Imgk,j图像的距离权重，wg为组织结构权重；
S5、获取最终图像：重复步骤S4，直至对N次CT扫描的所有数据完成图像更正，结合交界区域图像及非交界区域图像，获取去除拼接伪影的最终图像。
2.根据权利要求1所述的一种步进轴扫CT重建中拼接伪影的去除方法，其特征在于，所述S4中图像更正通过人工智能神经网络实现，通过人工智能神经网络输出图像更正后图像的具体过程为：
S41、生成训练样本：获取需要扫描的区域的有拼接伪影和无拼接伪影的图像数据，生成训练样本；
S42、构建人工智能神经网络并进行预训练：构建人工智能神经网络，所述人工智能神经网络为Resnet网络或U-net网络，将训练样本中的有拼接伪影的图像数据作为人工智能神经网络的输入，对人工智能神经网络的输出与训练样本中的无拼接伪影的图像数据进行比较，并计算损失函数，反复训练，直至损失函数小于阈值，人工智能神经网络预训练完成；
S43、图像更正：输入第k次扫描和第k+1次扫描之间交界区域及其附近的共P层图像，人工智能神经网络输出去除拼接伪影后的图像。
3.根据权利要求2所述的一种步进轴扫CT重建中拼接伪影的去除方法，其特征在于：所述S41中获取需要扫描的区域的有拼接伪影和无拼接伪影的图像数据中，有拼接伪影和无拼接伪影的图像数据来源为：有拼接伪影的图像数据为步进轴扫获取的图像数据，无拼接伪影的图像数据为多层螺旋扫描获取的图像数据；或有拼接伪影的图像数据为连续轴扫获取的图像数据，无拼接伪影的图像数据为多层螺旋扫描获取的图像数据；或通过改变步进轴扫的扫描起始位置获取的同一区域的有拼接伪影和无拼接伪影的图像数据。
4.根据权利要求1所述的一种步进轴扫CT重建中拼接伪影的去除方法，其特征在于：所述S3中非线性滤波的计算公式为：
其中，(x,y)为第k次扫描、第j层图像中的像素点坐标，(x0,y0)为非线性滤波的中心像素点坐标，h为平滑参数，控制权重的衰减程度，FImgk,j为滤波后的图像，w(Imgk,j(x,y),Imgk,j(x0,y0))为Imgk,j(x,y)在邻域中的滤波参数的权重；通过以(x0,y0)为中心像素点坐标的领域矩阵遍历整个图像的像素点，实现对整个图像进行滤波。
5.一种电子介质，其特征在于：包括存储器和处理器，存储器和处理器相连，所述存储器存储有至少一个可被处理器执行的指令，所述至少一个指令被处理器执行时，实现如权利要求1-4任一所述的一种步进轴扫CT重建中拼接伪影的去除方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677686.3A CN111563940B (zh) | 2020-07-15 | 2020-07-15 | 一种步进轴扫ct重建中拼接伪影的去除方法及电子介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010677686.3A CN111563940B (zh) | 2020-07-15 | 2020-07-15 | 一种步进轴扫ct重建中拼接伪影的去除方法及电子介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111563940A CN111563940A (zh) | 2020-08-21 |
| CN111563940B true CN111563940B (zh) | 2020-10-30 |
Family
ID=72075474
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010677686.3A Active CN111563940B (zh) | 2020-07-15 | 2020-07-15 | 一种步进轴扫ct重建中拼接伪影的去除方法及电子介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111563940B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116524098B (zh) * | 2023-04-04 | 2023-12-15 | 赛诺威盛医疗科技(扬州)有限公司 | 轴扫ct迭代重建方法、系统、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402150A (zh) * | 2020-03-09 | 2020-07-10 | 北京灵医灵科技有限公司 | 一种ct图像金属伪影去除方法及装置 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101777177A (zh) * | 2009-12-29 | 2010-07-14 | 上海维宏电子科技有限公司 | 基于衰减滤波的ct图像去金属伪影混合重建法 |
| CN102982521A (zh) * | 2012-12-07 | 2013-03-20 | 中国科学院自动化研究所 | 基于图像重叠的选择性平面照射显微成像伪影去除方法 |
| KR101571151B1 (ko) * | 2014-08-14 | 2015-12-07 | 주식회사 케이유엠텍 | 컴퓨터 단층촬영 이미지의 아티팩트 제거 방법 |
| CN104545976B (zh) * | 2014-12-30 | 2017-04-19 | 上海优益基医疗器械有限公司 | 计算机体层摄影方法和装置 |
| US10140735B2 (en) * | 2015-09-15 | 2018-11-27 | Shanghai United Imaging Healthcare Co., Ltd. | Image reconstruction system and method |
| US10617365B2 (en) * | 2016-11-16 | 2020-04-14 | University Of Central Florida Research Foundation, Inc. | System and method for motion estimation using artificial intelligence in helical computed tomography |
| US10825210B2 (en) * | 2017-11-30 | 2020-11-03 | Canon Medical Systems Corporation | Method and apparatus for projection domain truncation correction in computed-tomography (CT) |
| CN109754448B (zh) * | 2018-12-29 | 2023-01-17 | 深圳安科高技术股份有限公司 | 一种ct心脏扫描伪影校正方法及其系统 |
| CN110276736B (zh) * | 2019-04-01 | 2021-01-19 | 厦门大学 | 一种基于权值预测网络的磁共振图像融合方法 |
| 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 |
-
2020
- 2020-07-15 CN CN202010677686.3A patent/CN111563940B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111402150A (zh) * | 2020-03-09 | 2020-07-10 | 北京灵医灵科技有限公司 | 一种ct图像金属伪影去除方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111563940A (zh) | 2020-08-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11170258B2 (en) | Reducing noise in an image | |
| CN106683144B (zh) | 一种图像迭代重建方法及装置 | |
| CN105528800B (zh) | 一种计算机断层成像伪影校正方法及装置 | |
| US6470070B2 (en) | Image reconstruction using multiple X-ray projections | |
| CN105377141B (zh) | X射线ct装置 | |
| US10102651B2 (en) | Image processing device, radiation detecting device, and image processing method | |
| US20070116343A1 (en) | Methods and systems for improving quality of an image | |
| EP3438922B1 (en) | Method for processing at least one x-ray image | |
| CN111127579A (zh) | 一种基于神经网络去锥形束伪影的ct重建方法 | |
| EP2583241A1 (en) | Method and system for noise reduction in low dose computed tomography | |
| JPH11253441A (ja) | スペクトル・ア―ティファクトを有する画像の補正方法 | |
| CN110378982A (zh) | 重建图像处理方法、装置、设备及存储介质 | |
| CN110916708A (zh) | 一种ct扫描投影数据伪影校正方法、ct图像重建方法 | |
| US20220414832A1 (en) | X-ray imaging restoration using deep learning algorithms | |
| DE102011083647A1 (de) | Verfahren, Rechensystem und CT-System zur Erzeugung eines bewegungskompensierten CT-Bilddatensatzes eines sich teilweise und zyklisch bewegenden Untersuchungsobjektes | |
| US5043890A (en) | Compensation of computed tomography data for objects positioned outside the field of view of the reconstructed image | |
| CN111161182B (zh) | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 | |
| 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 | |
| WO2022091869A1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
| Sun et al. | A lightweight dual-domain attention framework for sparse-view CT reconstruction | |
| CN116029934A (zh) | 一种低剂量dr图像和ct图像去噪方法 | |
| CN113192155B (zh) | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 | |
| CN116898465A (zh) | X射线ct装置、图像处理装置以及ct图像的活动补正图像重构方法 | |
| CN111091514B (zh) | 一种口腔cbct图像去噪方法及系统 | |
| 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 |
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 |