CN111862262B - 一种图像重建方法及其应用 - Google Patents
一种图像重建方法及其应用 Download PDFInfo
- Publication number
- CN111862262B CN111862262B CN202010777207.5A CN202010777207A CN111862262B CN 111862262 B CN111862262 B CN 111862262B CN 202010777207 A CN202010777207 A CN 202010777207A CN 111862262 B CN111862262 B CN 111862262B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- sequence
- dynamic
- reconstruction method
- 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 60
- 230000010412 perfusion Effects 0.000 claims abstract description 54
- 239000012216 imaging agent Substances 0.000 claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 12
- 239000013598 vector Substances 0.000 claims description 62
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000002107 myocardial effect Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 238000013170 computed tomography imaging Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 210000004556 brain Anatomy 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 abstract description 10
- 238000000926 separation method Methods 0.000 abstract description 5
- 238000003759 clinical diagnosis Methods 0.000 abstract description 4
- 210000005003 heart tissue Anatomy 0.000 abstract description 4
- 230000003902 lesion Effects 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 9
- 210000001519 tissue Anatomy 0.000 description 7
- 208000029078 coronary artery disease Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 210000004165 myocardium Anatomy 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/416—Exact reconstruction
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本申请属于图像扫描技术领域，特别是涉及一种图像重建方法及其应用。现有的图像重建想要重建出达到临床诊断标准的动态图像序列，就必须对病人进行重复多次相同剂量CT扫描，这会给病人带来很大的X‑射线辐射剂量，并存在潜在的引发被扫描部位辐射病变的危险。本申请基于动态灌注增强图像的分离重建方法和动态图像序列的稀疏角度图像采集方案，对由显像剂引起的心脏组织对比增强图像借助动态图像序列中自然包含的显像剂时间演变信息进行重建，并将重建增强图像叠加到正常剂量采集方案得到的基线图像，获得最终的动态灌注扫描图像序列。显著降低动态灌注成像对病人的辐射剂量。
Description
技术领域
本申请属于图像扫描技术领域，特别是涉及一种图像重建方法及其应用。
背景技术
图像重建是通过物体外部测量的数据，经数字处理获得三维物体的形状信息的技术。图像重建技术开始是在放射医疗设备中应用，显示人体各部分的图像，即计算机断层摄影技术，简称CT技术，后逐渐在许多领域获得应用。主要有投影重建、明暗恢复形状、立体视觉重建和激光测距重建。
心肌灌注动态CT成像(DMP-CT)是临床上诊断冠状动脉疾病的有效检查方法。现有临床DMP-CT成像需要再对比增强显像剂到达病人心脏各组织后对病人进行重复多次的CT扫描以获取动态的显像剂时间演变信息。图像重建一般借助于商用滤波反投影算法(FBP)对每一帧的图像分别进行重建。
现有的图像重建想要重建出达到临床诊断标准的动态图像序列，就必须对病人进行重复多次相同剂量CT扫描，这会给病人带来很大的X-射线辐射剂量，并存在潜在的引发被扫描部位辐射病变的危险。
发明内容
1.要解决的技术问题
基于现有的图像重建想要重建出达到临床诊断标准的动态图像序列，就必须对病人进行重复多次相同剂量CT扫描，这会给病人带来很大的X-射线辐射剂量，并存在潜在的引发被扫描部位辐射病变的危险的问题，本申请提供了一种图像重建方法及其应用。
2.技术方案
为了达到上述的目的，本申请提供了一种图像重建方法，所述方法包括如下步骤：
1)采集动态灌注图像序列和基线图像序列；
2)对基线图像投影数据序列进行降采样，在每一帧动态灌注图像序列中减去降采样的基线图像投影数据序列，得到增强投影数据时间序列；
3)对所述增强投影数据时间序列进行迭代预重建，得到预重建对比增强图像序列；
4)对每一个图像像素点均提取一个与之对应的像素特征向量；
5)基于所述像素特征向量构建时间序列信息先验矩阵；
6)将所述时间序列信息先验矩阵以“图像遮罩”的形式引入对比增强图像序列的重建迭代中，得到重建的对比增强图像；
7)将所述对比增强图像投影数据序列逐帧与所述基线图像投影数据相加，得到重建的动态灌注图像时间序列。
本申请提供的另一种实施方式为：所述步骤1)中基线图像序列为显像剂到达人体组织之前进行的扫描图像，所述动态灌注图像序列为显像剂到达人体组织之后进行的连续扫描图像。
本申请提供的另一种实施方式为：所述步骤1)中所述动态灌注图像采用稀疏的降采样扫描方案进行扫描得到；所述基线图像采用非稀疏的全采样扫描方案进行扫描得到。
本申请提供的另一种实施方式为：所述步骤3)中采用全变分正则化的最大似然期望最大化算法进行预重建。
本申请提供的另一种实施方式为：所述步骤4)中所述像素特征向量与显像剂时间演变相关。
本申请提供的另一种实施方式为：所述步骤4)中所述像素特征向量的提取方法为：将所述预重建对比增强图像序列中的每一帧图像的对应像素点像素值用于组成图像像素点的像素特征向量。
本申请提供的另一种实施方式为：所述步骤5)中构建时间序列信息先验矩阵包括：对于每一个像素特征向量在像素特征集合/>中确定k个与之建立联系的相近像素特征向量；对处在/>的k-最邻近簇中的k个像素特征向量与/>通过一个预先设计的高斯连接函数建立联系，不处在/>的k-最邻近簇中的其他像素特征向量与/>的连接函数值定义为0；将基于像素特征向量/>计算的所有连接函数值ψ((i,j),(p,q))重排为一个长度为512×512的列向量。
本申请提供的另一种实施方式为：相近像素特征向量的确定方法为：计算每一个像素特征向量与被考虑的像素特征向量/>之间的欧几里得距离，与/>的欧几里得距离最近的k个像素特征向量即构成/>的k-最邻近簇。
本申请提供的另一种实施方式为：所述步骤7)中基线图像为从全采样基线投影数据经过滤波反投影算法重建的正常剂量基线图像。
本申请还提供一种图像重建方法的应用，将所述的图像重建方法应用于动态心肌灌注扫描CT图像、脑部动态灌注CT成像与磁共振灌注成像。
3.有益效果
与现有技术相比，本申请提供的一种图像重建方法的有益效果在于：
本申请提供的图像重建方法，针对医学图像。
本申请提供的图像重建方法，为一种时间序列信息协助的动态灌注CT图像重建方法。
本申请提供的图像重建方法，为一种基于灌注增强图像信息与基线图像信息分离的时间序列协助下的稀疏低剂量心肌灌注动态CT图像(DMP-CT)重建方法。。
本申请提供的图像重建方法，用于精确重建通过稀疏低剂量扫描方案获取的动态灌注CT图像，在降低X射线扫描辐射剂量的条件下，重建图像达到临床冠状动脉疾病(CAD)诊断标准。
本申请提供的图像重建方法，解决从稀疏投影角度数据重建心肌灌注动态CT图像的技术难题，从重建算法层面支撑稀疏投影角度的心肌灌注动态CT扫描方案的临床应用。
本申请提供的图像重建方法，可以在减小心肌动态灌注CT扫描过程中的X射线扫描幅数的情况下获得达到临床诊断标准的重建图像，从而显著降低心肌动态灌注CT成像对病人的辐射剂量。
本申请提供的图像重建方法，在算法性能方面，本申请算法能够有效避免由于稀疏采样导致的重建图像伪影与错误信息问题，在稀疏角度CT的场景下，成像质量明显高于现有商用算法重建结果。
附图说明
图1是本申请的时间序列信息协助的低剂量DMP-CT图像重建算法总体框架示意图；
图2是本申请的时间序列信息协助的低剂量DMP-CT图像重建结果示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
使用稀疏角度对病人进行X射线是有效的降低CT扫描辐射剂量的方法，特别对于DMP-CT这种需要对病人进行多次扫描的医学影像检查。使用现有重建算法(滤波反投影、传统代数迭代重建)从稀疏采集的数据重建CT图像会由于数据的不完整性(incompleteness)和不一致性(inconsistency)，导致重建图像中存在大量的伪影，严重影响诊断。
不失一般性地，CT成像过程在数学上可以用一个简单的矩阵方程描述：
y＝Ax， (式1)
其中y为CT扫描得到的投影数据(数据校准与对数变换之后)，A为与扫描系统对应的系统矩阵，表征从被扫描物体到投影数据的正投影过程，x为被扫描物(待重建图像)。CT成像的图像重建任务即是根据所获得的投影数据y，基于与成像系统对应的已知系统矩阵A，估算被扫描物体的X射线衰减系数值x。
对于心肌灌注动态CT成像(DMP-CT)而言，若对于每一帧图像的投影几何(投影角度，投影幅数，投影角度间隔，管电压与管电流等)是完全相同的，那么每一帧图像的成像过程均可用上述(式1)表示，则DMP-CT成像可用下式描述：
Y＝AX， (式2)
其中，Y＝{y1,y2,…,yT}为投影数据时间序列，X＝{x1,x2,…,xT}为待重建图像序列。则DMP-CT成像任务可理解为基于成像系统矩阵A，根据投影数据时间序列Y，估计动态图像时间序列X。
参见图1～2，本申请提供一种图像重建方法，所述方法包括如下步骤：
1)采集动态灌注图像序列和基线图像序列；
2)对基线图像投影数据序列进行降采样，在每一帧动态灌注图像序列中减去降采样的基线图像投影数据序列，得到增强投影数据时间序列；
3)对所述增强投影数据时间序列进行迭代预重建，得到预重建对比增强图像序列；
4)对每一个图像像素点均提取一个与之对应的像素特征向量；
5)基于所述像素特征向量构建时间序列信息先验矩阵；
6)将所述时间序列信息先验矩阵以“图像遮罩”的形式引入对比增强图像序列的重建迭代中，得到重建的对比增强图像；
7)将所述对比增强图像投影数据序列逐帧与所述基线图像投影数据相加，得到重建的动态灌注图像时间序列。
进一步地，所述步骤1)中基线图像序列为显像剂到达人体组织之前进行的扫描图像，所述动态灌注图像序列为显像剂到达人体组织之后进行的连续扫描图像。
进一步地，所述步骤1)中所述动态灌注图像采用稀疏的降采样扫描方案进行扫描得到；所述基线图像采用非稀疏的全采样扫描方案进行扫描得到。
进一步地，所述步骤3)中采用全变分正则化的最大似然期望最大化算法进行预重建。
进一步地，所述步骤4)中所述像素特征向量与显像剂时间演变相关。
进一步地，所述步骤4)中所述像素特征向量的提取方法为：将所述预重建对比增强图像序列中的每一帧图像的对应像素点像素值用于组成图像像素点的像素特征向量。
进一步地，所述步骤5)中构建时间序列信息先验矩阵包括：对于每一个像素特征向量在像素特征集合/>中确定k个与之建立联系的相近像素特征向量；对处在/>k-最邻近簇中的k个像素特征向量与/>通过一个预先设计的高斯连接函数建立联系，不处在/>的k-最邻近簇中的其他像素特征向量与的连接函数值定义为0；将基于像素特征向量/>计算的所有连接函数值ψ((i,j),(p,q))重排为一个长度为512×512的列向量。
进一步地，所述相近像素特征向量的确定方法为：计算每一个像素特征向量与被考虑的像素特征向量/>之间的欧几里得距离，与/>的欧几里得距离最近的k个像素特征向量即构成/>的k-最邻近簇。
进一步地，所述步骤7)中基线图像为从全采样基线投影数据经过滤波反投影算法重建的正常剂量基线图像。
本申请还提供一种图像重建方法的应用，将所述的图像重建方法应用于动态心肌灌注扫描CT图像、脑部动态灌注CT成像与磁共振灌注成像。当然，本申请中只是列举，不限于其他类型图像的重建。
实施例
基于动态灌注增强CT图像的分离重建方法和动态图像序列的稀疏角度图像采集方案，对由显像剂引起的心脏组织对比增强图像借助动态图像序列中自然包含的显像剂时间演变信息进行重建，并将重建增强图像叠加到正常剂量采集方案得到的基线CT图像，获得最终的动态心肌灌注扫描CT图像序列。
图像数据采集：对心肌动态灌注CT成像的基线(baseline)图像采集，即显像剂到达人体心脏组织之前进行的CT扫描，和动态灌注图像序列采集，即显像剂到达人体心脏组织之后进行的连续CT扫描，采取不同剂量的CT图像采集方案。基线图像使用正常剂量，即非稀疏的全采样扫描方案进行扫描，动态灌注图像序列使用低剂量，即稀疏的降采样扫描方案进行扫描。该步骤可用下述式子描述：
基线投影数据分离：从所采集的稀疏的动态投影数据序列分理出对应于非显像剂引入的图像信息。具体实现方法为：将所采集基线投影数据y基线,全采样进行降采样，保证所得稀疏基线投影数据与动态灌注投影数据Y灌注,稀疏的每一帧都对应与相同的图像采集几何条件(即系统矩阵A)。在每一帧的动态灌注投影数据中减去降采样的稀疏基线投影数据，得到增强投影数据时间序列。该步骤可用下述式子描述：
对比增强投影数据的迭代预重建：对上述式(4)所得对比增强投影数据Y对比增强,稀疏使用全变分正则化的最大似然期望最大化算法(MLEM-TV)进行预重建，得到预重建的对比增强图像序列。该步骤可用下述式子描述：
显像剂时间演变特征提取：对于每一个CT图像像素点(i,j),均提取一个与之对应的与显像剂时间演变相关的像素特征向量像素特征向量的提取方法为：将上述步骤3)所得预重建对比增强图像序列中的每一帧图像的对应像素点像素值x1～T(i,j)用于组成像素点(i,j)的像素特征向量，具体可用下述式子描述：
其中，T表示动态对比增强图像的帧数。
时间序列信息先验矩阵的构建：基于所提取的关于每一个像素点像素特征向量构建时间序列信息先验矩阵。具体的构建方法为：
a.对于每一个像素特征向量在像素特征集合/>中确定k个与之建立联系的相近像素特征向量。相近像素特征向量的确定方法为：建立关于像素特征向量/>的k-最邻近簇，即计算每一个像素特征向量/>与被考虑的像素特征向量/>之间的欧几里得距离，与/>的欧几里得距离最近的k个像素特征向量即构成/>的k-最邻近簇。
b.处在的k-最邻近簇中的k个像素特征向量与/>通过一个预先设计的高斯连接函数建立联系，不处在/>的k-最邻近簇中的其他像素特征向量与/>的连接函数值定义为0。步骤b可用下述式描述：
c.将基于像素特征向量计算的所有连接函数值ψ((i,j),(p,q))重排为一个长度为512×512的列向量。因此，对于每一个像素特征向量/>都可以计算得一个由该像素特征向量与其他所有像素特征向量的连接函数值组成的列向量，所有的列向量即组成时间序列信息先验矩阵Ψ。该步骤可用下述式描述：
时间序列信息先验矩阵协助的增强图像重建：将上述步骤5)构建的时间序列信息先验矩阵以“图像遮罩”的形式引入对比增强图像序列的重建迭代中。将对比增强CT图像表示为一个图像遮罩与一个系数图像ζ的乘积，该图像遮罩即为前述步骤5)所构建的时间序列先验矩阵Ψ，即
则对应于时间帧t的对比增强图像成像任务可描述为：
将上述(式10)应用于极大似然期望值最大化迭代重建，则有关于系数图像ζ的迭代更新规则：
根据上式迭代计算所得系数图像ζ可由上述(式9)恢复为重建的对比增强图像
基线图像与对比增强图像的融合：将根据上述步骤重建得到的对比增强图像序列X对比增强,重建逐帧与从全采样基线投影数据经过滤波反投影算法(FBP)重建的正常剂量基线图像相加，即得到重建的动态灌注心肌CT图像时间序列X动态灌注,重建。该步骤可用下述时描述：
临床使用的心脏动态灌注CT检查：在显像剂到达人体组织达到对比增强效果之前对病人进行正常剂量的扫描，在显像剂到达人体组织形成对比增强后对病人实施低剂量的稀疏CT动态扫描。以此图像采集方案得到的原始图像数据即可使用本申请方法进行重建。
本申请方法经过猪心脏医学临床图像的仿真实验验证，效果明显：图2展示了使用本申请方法重建的心肌动态灌注CT图像重建结果。该实验在稀疏倍率为12的条件下进行(正常剂量全采样为984幅投影/360°，稀疏低剂量采样为82幅投影/360°)。由图可见本申请方法在稀疏角度采样心肌动态灌注CT图像重建中的优越性能。
本申请对于心肌动态灌注CT扫描的高低剂量配合扫描方案，即显像剂未到达之前使用正常剂量扫描方案与显像剂到达后的稀疏低剂量扫描方案切换。
本申请从预重建对比增强图像序列中提取像素特征向量，并基于像素特征向量构建时间序列先验矩阵的方法；
本申请将CT图像重建任务转化为图像遮蔽下的系数图像重建问题的方法，及最大似然期望最大化算法在系数图像重建中的应用；
本申请中灌注CT图像的分离重建思想，即将灌注图像的基线部分与对比增强部分分开重建，重建后再融合相加得到最终动态灌注CT图像。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种图像重建方法，其特征在于：所述方法包括如下步骤：
1)采集动态灌注图像序列和基线图像序列；
2)对基线图像投影数据序列进行降采样，在每一帧动态灌注图像序列中减去降采样的基线图像投影数据序列，得到增强投影数据时间序列；
3)对所述增强投影数据时间序列进行迭代预重建，得到预重建对比增强图像序列；
4)对每一个图像像素点均提取一个与之对应的像素特征向量；
5)基于所述像素特征向量构建时间序列信息先验矩阵；
6)将所述时间序列信息先验矩阵以“图像遮罩”的形式引入对比增强图像序列的重建迭代中，得到重建的对比增强图像；
7)将所述对比增强图像投影数据序列逐帧与所述基线图像投影数据相加，得到重建的动态灌注图像时间序列。
2.如权利要求1所述的图像重建方法，其特征在于：所述步骤1)中基线图像序列为显像剂到达人体组织之前进行的扫描图像，所述动态灌注图像序列为显像剂到达人体组织之后进行的连续扫描图像。
3.如权利要求1所述的图像重建方法，其特征在于：所述步骤1)中所述动态灌注图像采用稀疏的降采样扫描方案进行扫描得到；所述基线图像采用非稀疏的全采样扫描方案进行扫描得到。
4.如权利要求3所述的图像重建方法，其特征在于：所述步骤3)中采用全变分正则化的最大似然期望最大化算法进行预重建。
5.如权利要求1所述的图像重建方法，其特征在于：所述步骤4)中所述像素特征向量与显像剂时间演变相关。
6.如权利要求1所述的图像重建方法，其特征在于：所述步骤4)中所述像素特征向量的提取方法为：将所述预重建对比增强图像序列中的每一帧图像的对应像素点像素值用于组成图像像素点的像素特征向量。
7.如权利要求1所述的图像重建方法，其特征在于：所述步骤5)中构建时间序列信息先验矩阵包括：对于每一个像素特征向量在像素特征集合/>中确定k个与之建立联系的相近像素特征向量；对处在/>的k-最邻近簇中的k个像素特征向量与/>通过一个预先设计的高斯连接函数建立联系，不处在/>的k-最邻近簇中的其他像素特征向量与/>的连接函数值定义为0；将基于像素特征向量/>计算的所有连接函数值ψ((i,j),(p,q))重排为一个长度为512×512的列向量。
8.如权利要求7所述的图像重建方法，其特征在于：所述相近像素特征向量的确定方法为：计算每一个像素特征向量与被考虑的像素特征向量/>之间的欧几里得距离，与/>的欧几里得距离最近的k个像素特征向量即构成/>的k-最邻近簇。
9.如权利要求1所述的图像重建方法，其特征在于：所述步骤7)中基线图像为从全采样基线投影数据经过滤波反投影算法重建的正常剂量基线图像。
10.一种图像重建方法的应用，其特征在于：将权利要求1～9中任一项所述的图像重建方法应用于动态心肌灌注扫描CT图像、脑部动态灌注CT成像与磁共振灌注成像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010777207.5A CN111862262B (zh) | 2020-08-05 | 2020-08-05 | 一种图像重建方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010777207.5A CN111862262B (zh) | 2020-08-05 | 2020-08-05 | 一种图像重建方法及其应用 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111862262A CN111862262A (zh) | 2020-10-30 |
| CN111862262B true CN111862262B (zh) | 2023-12-19 |
Family
ID=72971067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010777207.5A Active CN111862262B (zh) | 2020-08-05 | 2020-08-05 | 一种图像重建方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111862262B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101320072A (zh) * | 2008-07-21 | 2008-12-10 | 西安电子科技大学 | 基于红外序列图像超分辨率重建方法的热分析测试系统 |
| CN102231204A (zh) * | 2011-06-20 | 2011-11-02 | 南京航空航天大学 | 一种序列图像自适应正则超分辨率重建方法 |
| CN102360498A (zh) * | 2011-10-27 | 2012-02-22 | 江苏省邮电规划设计院有限责任公司 | 图像超分辨率重建方法 |
| WO2018045602A1 (zh) * | 2016-09-07 | 2018-03-15 | 华中科技大学 | 一种基于深度学习的模糊核尺寸估计方法与系统 |
-
2020
- 2020-08-05 CN CN202010777207.5A patent/CN111862262B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101320072A (zh) * | 2008-07-21 | 2008-12-10 | 西安电子科技大学 | 基于红外序列图像超分辨率重建方法的热分析测试系统 |
| CN102231204A (zh) * | 2011-06-20 | 2011-11-02 | 南京航空航天大学 | 一种序列图像自适应正则超分辨率重建方法 |
| CN102360498A (zh) * | 2011-10-27 | 2012-02-22 | 江苏省邮电规划设计院有限责任公司 | 图像超分辨率重建方法 |
| WO2018045602A1 (zh) * | 2016-09-07 | 2018-03-15 | 华中科技大学 | 一种基于深度学习的模糊核尺寸估计方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| 压缩图像空时自适应正则化超分辨率重建;徐忠强;朱秀昌;;中国图象图形学报(11);全文 * |
| 融合低秩和稀疏表示的图像超分辨率重建算法;宋长明;王;;西安交通大学学报(07);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111862262A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6855223B2 (ja) | 医用画像処理装置、ｘ線コンピュータ断層撮像装置及び医用画像処理方法 | |
| Li et al. | Investigation of low-dose CT image denoising using unpaired deep learning methods | |
| Kang et al. | Deep convolutional framelet denosing for low-dose CT via wavelet residual network | |
| Yang et al. | Low-dose CT image denoising using a generative adversarial network with Wasserstein distance and perceptual loss | |
| Liu et al. | Deep iterative reconstruction estimation (DIRE): approximate iterative reconstruction estimation for low dose CT imaging | |
| Chi et al. | Single low-dose CT image denoising using a generative adversarial network with modified U-Net generator and multi-level discriminator | |
| CN112258642B (zh) | 基于深度学习的低剂量pet数据三维迭代更新重建方法 | |
| Zhou et al. | DuDoUFNet: dual-domain under-to-fully-complete progressive restoration network for simultaneous metal artifact reduction and low-dose CT reconstruction | |
| Xue et al. | LCPR-Net: low-count PET image reconstruction using the domain transform and cycle-consistent generative adversarial networks | |
| WO2021062413A1 (en) | System and method for deep learning for inverse problems without training data | |
| Mredhula et al. | An extensive review of significant researches on medical image denoising techniques | |
| Jung et al. | Deep learning cross-phase style transfer for motion artifact correction in coronary computed tomography angiography | |
| Chen et al. | Low-dose CT image denoising model based on sparse representation by stationarily classified sub-dictionaries | |
| Li et al. | Learning non-local perfusion textures for high-quality computed tomography perfusion imaging | |
| Li et al. | Eliminating CT radiation for clinical PET examination using deep learning | |
| Park et al. | Low-dose CT image reconstruction with a deep learning prior | |
| Khodajou-Chokami et al. | A deep learning method for high-quality ultra-fast CT image reconstruction from sparsely sampled projections | |
| Gholizadeh-Ansari et al. | Low-dose CT denoising using edge detection layer and perceptual loss | |
| CN111862262B (zh) | 一种图像重建方法及其应用 | |
| Khodajou-Chokami et al. | PARS-NET: a novel deep learning framework using parallel residual conventional neural networks for sparse-view CT reconstruction | |
| Chang et al. | Deep learning image transformation under radon transform | |
| Liang et al. | A model-based unsupervised deep learning method for low-dose CT reconstruction | |
| Liu et al. | Cascade resunet with noise power spectrum loss for low dose ct imaging | |
| Huang et al. | MLNAN: Multi-level noise-aware network for low-dose CT imaging implemented with constrained cycle Wasserstein generative adversarial networks | |
| WO2022027327A1 (zh) | 一种图像重建方法及其应用 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230703 Address after: 381, West Side, Phase 1, Huiheng Building, No. 138 Gaoxin South Seventh Road, Gaoxin District Community, Yuehai Street, Shenzhen, Guangdong Province, 518000 Applicant after: Guochuang Yucheng Medical Device Development (Shenzhen) Co.,Ltd. Address before: Room A101, building 1, Yinxing Zhijie phase II, No. 1301-76, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen National Research Institute of high performance Medical Devices Co.,Ltd. |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |