CN111899188A - 一种神经网络学习的锥束ct噪声估计与抑制方法 - Google Patents
一种神经网络学习的锥束ct噪声估计与抑制方法 Download PDFInfo
- Publication number
- CN111899188A CN111899188A CN202010654295.XA CN202010654295A CN111899188A CN 111899188 A CN111899188 A CN 111899188A CN 202010654295 A CN202010654295 A CN 202010654295A CN 111899188 A CN111899188 A CN 111899188A
- Authority
- CN
- China
- Prior art keywords
- noise
- cone beam
- projection
- neural network
- noise estimation
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000001629 suppression Effects 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 13
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 abstract 1
- 230000005855 radiation Effects 0.000 description 5
- 238000013170 computed tomography imaging Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000007408 cone-beam computed tomography Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供一种神经网络学习的锥束CT噪声估计与抑制方法，利用真实锥束CT投影域噪声先验知识，构建仿真锥束CT含噪声投影样本数据集，实现神经网络学习的锥束CT噪声特征识别。该方法以仿真数据样本训练后的网络模型自适应完成无需人工干预的真实锥束CT噪声估计。本发明提供的方法适用于任意复杂结构被测对象的锥束CT噪声估计与抑制，方法的可靠性、通用性好，可在很大程度上减少锥束CT噪声伪影对图像的干扰与影响，明显改善锥束CT图像质量。
Description
技术领域
本发明涉及一种神经网络学习的锥束CT噪声估计与抑制方法，属于锥束CT应用相关的医学成像和工业无损检测领域。
背景技术
锥束CT(Cone Beam Computed Tomography,CBCT)作为一种先进的医学成像和工业无损检测技术，具有快的扫描速度和高的辐射利用率，以二维或三维高分辨率断层数据准确、直观地展现被检测对象的内部结构，定量地提供物体内部结构位置和尺寸。
实际工业射线检测过程中受多因素耦合，包括量子噪声、暗场噪声等综合影响，致使成像信息混杂各种伪影和噪声，射线衰减信息严重污染，探测器信号偏离真实测量结果。CT硬件系统固有的限制所引入的噪声不受人为控制，是无法避免的，但可通过改善硬件系统来减轻。量子噪声受扫描方式(包含X射线管电压、管电流、层厚、扫描速度、螺距等)和探测器效率等影响，是一种检测成像中的读出噪声，由X射线流及探测器元接收到的射线光子数决定。在针对人体组织和工业内视细小结构的锥束CT成像中，噪声主要表现为CT灰度不均匀性、低对比度分辨力，在锥束CT图像点云获取及分割方面干扰特别严重，因此针对锥束CT成像噪声估计与校正尤为重要。
虽然提高管电压或增加管电流可以降低噪声，但会导致低对比度分辨力降低，同时对于病人而言，接收到的辐射剂量显著增高。目前，现有的锥束CT成像噪声抑制方法和技术主要在重建域进行，包括基于空间滤波、基于变换域、基于统计模型的抑噪算法。小波变换作为一种低通滤波去噪方法，保留了特征提取的部分，但是阀值选择直接影响去噪效果，灵活性差。BM3D(Block-Matching and 3D filtering)去噪算法通过块匹配生成三维矩阵,然后在三维变换域完成去噪，但基于锥束CT噪声复合的特殊性和复杂性，单一的BM3D算法处理效果不佳，尤其是工业复杂对象，出现内部细节丢失、模糊等现象。全变分模型依靠梯度下降对图像进行平滑，希望在图像内部尽可能实现相邻像素的差值较小，而在图像边缘尽可能不平滑。但是受松弛因子对调节保真项与梯度的占比影响，通常存在局部块效应。
现有的技术缺点主要包括：
(1)已有去噪技术存在平滑甚至掩盖图像目标边缘、纹理等特征，影响了图像原有信息的表达；同时各种模型需要设置不同参数，增加了噪声抑制的复杂性。
(2)大多数方法主要针对自然图像进行去噪，没有直接针对高压高密度工业对象的锥束CT成像过程噪声抑制研究。
综上所述，现有的技术方法通用性较差，实际应用中往往受到诸多限制，无法满足锥束CT高精准医学成像要求和高效率工业无损检测需求。
发明内容
为了解决上述问题，本发明提供一种神经网络学习的锥束CT噪声估计与抑制方法。该方法利用实际锥束CT投影域与重建域复合噪声先验知识，以成像过程泊松噪声模型通过仿真锥束CT数据样本训练，实现神经网络学习的噪声特征识别。该方法能够自适应的进行不同强度噪声估计，并完成无需人工干预的噪声伪影抑制。通过对训练完成的神经网络，实现真实锥束CT噪声抑制，改善因模型参数适应性引起过程复杂性，同时提高图像的对比度。
本发明解决其技术问题所采用的技术方案包括以下步骤：
步骤1：对稀疏采样锥束CT真实投影的背景区域信息值进行统计，获取噪声均值、方差作为先验信息；
步骤2：构建几何模型并进行锥束CT前向投影仿真，根据获取的先验信息对锥束CT仿真投影添加泊松噪声；
步骤3：将有限幅数噪声投影图像扩展得到的样本数据集，进行神经网络噪声特征训练；
步骤4：以仿真数据训练后的神经网络模型对实际锥束CT投影数据进行噪声估计，并通过减影完成噪声抑制。
在上述步骤1中，对稀疏采样锥束CT真实投影的背景区域信息值进行统计，获取噪声均值、方差作为先验信息的具体步骤包括：
1)根据步骤1中采集得到的原始稀疏投影，构建sinogram投影正弦图，称之为S；
2)选择S中背景区域，大小记为M×N,选择公式
计算该区域均值，选择公式
计算方差,称之为先验知识。
在上述步骤2中，结合噪声先验通过泊松噪声模型，完成锥束CT投影噪声耦合的具体步骤包括：
1)设置初始光子数I0，对锥束CT仿真系统获取的模型投影，称之为p，按照函数公式Pnoise≈Poisson(I0×exp(-p))得到单幅噪声投影，称之为Pnoise，Poisson()表示泊松函数；
2)按照步骤1中关于背景区域的均值、方差计算方法获取Pnoise对数变换后的图像Fnoise的均值,称之为MS,方差，称之为MD；
3)调整光子数I0，使得MS、MD与步骤(1)中的先验知识信息近似，最终确定光子数
4)根据最终确定的光子数，结合模型
获取含噪声投影，其中i表示幅数序列，Nd表示投影总数。
在上述步骤3中，将有限幅数噪声投影图像扩展得到的样本数据集，进行神经网络噪声特征训练的具体步骤包括：
1)对步骤2中获得的噪声投影Pnoise做对数变换图像Fnoise与模型投影pi做差，结果记为Noiseerror，将噪声投影Fnoise与Noiseerror对应起来构建样本集，称之为Set；
2)设置样本集Set中的训练块大小为A×A,滑动步长记为B,使用旋转、翻转、叠加组合的方式扩增数据集，得到训练样本集；
3)构建一定深度的神经网络框架，称之为net，设置网络相关参数，以噪声投影Fnoise作为网络输入，以Noiseerror作为网络输出，进行神经网络训练。
在上述步骤4中，以训练完成后的网络模型对实际锥束CT噪声进行估计，通过残差减影完成噪声抑制的具体步骤包括：
1)获取真实的锥束CT投影数据，称之为f，将其作为训练好的网络net的输入信息，获取噪声估计Noisef；
2)将投影数据f与噪声估计Noisef做减影处理，完成锥束CT噪声抑制。
在上述方法中，步骤3中的神经网络构建也可以是由其它训练好的网络重新训练得到的。
本发明的有益效果是：本发明提供的神经网络学习的锥束CT噪声估计与抑制方法，适用于任意复杂结构被测对象的锥束CT噪声估计与抑制，方法的可靠性、稳定性、通用性好，可在很大程度上减少锥束CT噪声伪影对图像的干扰与影响，明显改善锥束CT图像对比度。
下面结合附图和具体实施方式对本发明进行详细说明。
附图说明
图1为本发明算法流程图。
图2为锥束CT投影噪声估计与抑制前后相同位置的线性灰度比较。
具体实施方式
通过现有工业锥束CT设备(X射线源为Comet的MXR-451HP/11，平板探测器为PerkinElmer的XRD 1621AN15 ES)，对工业对象进行投影采样，应用本发明方法对神经网络学习的锥束CT噪声估计与抑制方法，执行以下步骤：
步骤1：通过工业锥束CT设备，选择射线源电压420kV和电流0.75mA，扫描几何参数为：射线源到探测器距离1205.6mm，射线源到旋转中心距离928.2mm；重建分辨率为512×512，圆周扫描获取锥束CT稀疏真实投影60幅，得到sinogram投影正弦图，选择背景区域80×80，按照公式
计算该区域均值为560，选择公式
计算方差为143。
步骤2：构建几何模型并进行锥束CT前向投影仿真，根据获取的先验信息对锥束CT仿真投影添加泊松噪声的具体步骤包括：
1)设置初始光子数I0＝30000，对仿真投影按照公式Pnoise≈Poisson(I0×exp(-p))得到噪声投影Pnoise；
2)按照步骤1中关于背景区域的均值、方差计算方法获取Fnoise的均值为MS＝532,方差为MD＝150；
3)调整光子数为I0＝46000，使得MS、MD与步骤(1)中的先验知识信息近似；
4)根据调整的光子数，结合模型
获取含噪声投影。
步骤3：将有限幅数噪声投影图像扩展得到的样本数据集，进行神经网络噪声特征训练的具体步骤包括：
1)对步骤2中获得的噪声投影Pnoise做对数变换图像Fnoise与模型投影pi做差，结果记为Noiseerror，将噪声投影Fnoise与Noiseerror对应起来构建样本集，其中样本数360幅；
2)设置样本集Set中的训练块大小为64×64,滑动步长记为32,使用旋转、翻转、叠加组合的方式扩增数据集，得到训练样本块大约630万个；
3)通过构建神经网络框架，设计卷积层+非线性激活层为15层；
4)设置网络学习率0.01，每次训练批量为300，训练30代。
步骤4：以训练完成后的网络模型对实际锥束CT噪声进行估计，通过残差减影完成噪声抑制的具体步骤包括：
1)将真实的锥束CT投影数据f作为训练好的网络的输入信息，得到噪声估计Noisef；
2)将投影数据f与噪声估计Noisef做减影处理，完成锥束CT噪声抑制。
本实施例中，基于神经网络学习的锥束CT噪声估计与抑制方法，特点在于：
(1)根据实际锥束CT噪声先验知识侦测获得仿真锥束CT投影训练样本；
(2)通过神经网络预测锥束CT真实投影噪声特征行为，完好的实现噪声剥离，使得锥束CT投影信息更准确。
图2锥束CT投影噪声估计与抑制前后相同位置的线性灰度比较，可见本发明方法可使锥束CT投影噪声进行抑制，使得重建图像对比度和清晰度得到显著提高。
Claims (5)
1.一种神经网络学习的锥束CT噪声估计与抑制方法，其特征在于包括以下步骤：
步骤1：对稀疏采样锥束CT真实投影的背景区域信息值进行统计，获取噪声均值、方差作为先验信息；
步骤2：构建几何模型并进行锥束CT前向投影仿真，根据获取的先验信息对锥束CT仿真投影添加泊松噪声；
步骤3：将有限幅数噪声投影图像扩展得到的样本数据集，进行神经网络噪声特征训练；
步骤4：以仿真数据训练后的神经网络模型对实际锥束CT投影数据进行噪声估计，并通过减影完成噪声抑制。
2.根据权利要求1所述一种神经网络学习的锥束CT噪声估计与抑制方法，其特征在于：在所述步骤1中，以稀疏采样锥束CT真实投影背景区域的噪声均值、统计方差作为对仿真投影添加噪声水平的先验知识。
3.根据权利要求1所述一种神经网络学习的锥束CT噪声估计与抑制方法，其特征在于：步骤2中，首先设定初始光子数为I0，并按照公式Pnoise≈Poisson(I0×exp(-p))对投影添加初始噪声，然后调整光子数I0，使得Pnoise对数变换后投影Fnoise的噪声水平与步骤1中的先验知识信息近似，最终确定光子数
然后以此获取全部含噪声投影,公式中Poisson()表示函数方法，p为对数变换后投影。
4.根据权利要求1所述一种神经网络学习的锥束CT噪声估计与抑制方法，其特征在于：步骤3中，在有限投影幅数条件下，利用构建不同训练块大小,使用叠加组合多组训练块大小的方式扩增训练样本集，且神经网络可以由其它网络框架进行噪声样本重新训练和学习得到。
5.根据权利要求1所述的一种神经网络学习的锥束CT噪声估计与抑制方法，其特征在于：本实例中，以仿真数据样本训练后的神经网络模型对实际锥束CT投影数据进行噪声估计，实现真实投影噪声抑制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010654295.XA CN111899188B (zh) | 2020-07-08 | 2020-07-08 | 一种神经网络学习的锥束ct噪声估计与抑制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010654295.XA CN111899188B (zh) | 2020-07-08 | 2020-07-08 | 一种神经网络学习的锥束ct噪声估计与抑制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111899188A true CN111899188A (zh) | 2020-11-06 |
| CN111899188B CN111899188B (zh) | 2022-06-07 |
Family
ID=73192643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010654295.XA Active CN111899188B (zh) | 2020-07-08 | 2020-07-08 | 一种神经网络学习的锥束ct噪声估计与抑制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111899188B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330565A (zh) * | 2020-11-12 | 2021-02-05 | 中国人民解放军战略支援部队信息工程大学 | 基于改善的U-net的低剂量CT投影域中图像去噪方法 |
| CN112348936A (zh) * | 2020-11-30 | 2021-02-09 | 华中科技大学 | 一种基于深度学习的低剂量锥束ct图像重建方法 |
| CN113205462A (zh) * | 2021-04-06 | 2021-08-03 | 武汉大学 | 一种基于神经网络学习先验的光子反射率图像去噪方法 |
| CN114565515A (zh) * | 2022-03-01 | 2022-05-31 | 佛山读图科技有限公司 | 一种实现投影图数据降噪与分辨率恢复的系统的构建方法 |
| CN115049753A (zh) * | 2022-05-13 | 2022-09-13 | 沈阳铸造研究所有限公司 | 一种基于无监督深度学习的锥束ct伪影校正方法 |
| CN117115046A (zh) * | 2023-10-24 | 2023-11-24 | 中日友好医院(中日友好临床医学研究所) | 一种放疗cbct稀疏采样影像增强的方法、系统及装置 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160202364A1 (en) * | 2015-01-09 | 2016-07-14 | Kabushiki Kaisha Toshiba | More efficient method and apparatus for detector response correction and material decomposition of projection data obtained using photon-counting detectors |
| CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
| CN109472841A (zh) * | 2018-10-31 | 2019-03-15 | 武汉大学 | 基于混合高斯/泊松最大似然函数的cbct三维重建方法 |
| CN109712212A (zh) * | 2018-12-20 | 2019-05-03 | 中国兵器科学研究院宁波分院 | 一种工业ct伪影校正方法 |
| 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 |
| CN110073413A (zh) * | 2016-12-14 | 2019-07-30 | 皇家飞利浦有限公司 | 用于迭代图像重建的信息自适应正则化 |
| CN110390361A (zh) * | 2019-07-25 | 2019-10-29 | 安徽工程大学 | 一种基于运动补偿学习的4d-cbct成像方法 |
| CN110648292A (zh) * | 2019-09-11 | 2020-01-03 | 昆明理工大学 | 一种基于深度卷积网络的高噪声图像去噪方法 |
| CN111047524A (zh) * | 2019-11-13 | 2020-04-21 | 浙江工业大学 | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 |
| CN111260579A (zh) * | 2020-01-17 | 2020-06-09 | 北京理工大学 | 一种基于物理噪声生成模型的微光图像去噪增强方法 |
-
2020
- 2020-07-08 CN CN202010654295.XA patent/CN111899188B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160202364A1 (en) * | 2015-01-09 | 2016-07-14 | Kabushiki Kaisha Toshiba | More efficient method and apparatus for detector response correction and material decomposition of projection data obtained using photon-counting detectors |
| CN110073413A (zh) * | 2016-12-14 | 2019-07-30 | 皇家飞利浦有限公司 | 用于迭代图像重建的信息自适应正则化 |
| CN106952239A (zh) * | 2017-03-28 | 2017-07-14 | 厦门幻世网络科技有限公司 | 图像生成方法和装置 |
| CN109472841A (zh) * | 2018-10-31 | 2019-03-15 | 武汉大学 | 基于混合高斯/泊松最大似然函数的cbct三维重建方法 |
| CN109712212A (zh) * | 2018-12-20 | 2019-05-03 | 中国兵器科学研究院宁波分院 | 一种工业ct伪影校正方法 |
| 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 |
| CN110390361A (zh) * | 2019-07-25 | 2019-10-29 | 安徽工程大学 | 一种基于运动补偿学习的4d-cbct成像方法 |
| CN110648292A (zh) * | 2019-09-11 | 2020-01-03 | 昆明理工大学 | 一种基于深度卷积网络的高噪声图像去噪方法 |
| CN111047524A (zh) * | 2019-11-13 | 2020-04-21 | 浙江工业大学 | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 |
| CN111260579A (zh) * | 2020-01-17 | 2020-06-09 | 北京理工大学 | 一种基于物理噪声生成模型的微光图像去噪增强方法 |
Non-Patent Citations (3)
| Title |
|---|
| JONGHOON JIN 等: "ROBUST CONVOLUTIONAL NEURAL NETWORKS UNDER ADVERSARIAL NOISE", 《ARXIV》 * |
| 吕晓琪 等: "基于深度卷积神经网络的低剂量CT肺部去噪", 《电子与信息学报》 * |
| 杨富强 等: "CT投影采样策略对重建质量影响综述", 《软件学报》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112330565A (zh) * | 2020-11-12 | 2021-02-05 | 中国人民解放军战略支援部队信息工程大学 | 基于改善的U-net的低剂量CT投影域中图像去噪方法 |
| CN112348936A (zh) * | 2020-11-30 | 2021-02-09 | 华中科技大学 | 一种基于深度学习的低剂量锥束ct图像重建方法 |
| CN113205462A (zh) * | 2021-04-06 | 2021-08-03 | 武汉大学 | 一种基于神经网络学习先验的光子反射率图像去噪方法 |
| CN113205462B (zh) * | 2021-04-06 | 2022-07-19 | 武汉大学 | 一种基于神经网络学习先验的光子反射率图像去噪方法 |
| CN114565515A (zh) * | 2022-03-01 | 2022-05-31 | 佛山读图科技有限公司 | 一种实现投影图数据降噪与分辨率恢复的系统的构建方法 |
| CN114565515B (zh) * | 2022-03-01 | 2022-11-25 | 佛山读图科技有限公司 | 一种实现投影图数据降噪与分辨率恢复的系统的构建方法 |
| CN115049753A (zh) * | 2022-05-13 | 2022-09-13 | 沈阳铸造研究所有限公司 | 一种基于无监督深度学习的锥束ct伪影校正方法 |
| CN115049753B (zh) * | 2022-05-13 | 2024-05-10 | 沈阳铸造研究所有限公司 | 一种基于无监督深度学习的锥束ct伪影校正方法 |
| CN117115046A (zh) * | 2023-10-24 | 2023-11-24 | 中日友好医院(中日友好临床医学研究所) | 一种放疗cbct稀疏采样影像增强的方法、系统及装置 |
| CN117115046B (zh) * | 2023-10-24 | 2024-02-09 | 中日友好医院(中日友好临床医学研究所) | 一种放疗cbct稀疏采样影像增强的方法、系统及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111899188B (zh) | 2022-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111899188B (zh) | 一种神经网络学习的锥束ct噪声估计与抑制方法 | |
| JP6021448B2 (ja) | Ｘ線ｃｔ装置 | |
| JP2019516460A (ja) | 空間とスペクトル情報に基づく複数エネルギーのｃｔ画像におけるノイズ制御のためのシステムと方法 | |
| WO2017096609A1 (en) | System and method for image reconstruction | |
| CN109146994B (zh) | 一种面向多能谱x射线ct成像的金属伪影校正方法 | |
| CN109920020B (zh) | 一种锥束ct病态投影重建伪影抑制方法 | |
| Cerciello et al. | A comparison of denoising methods for X-ray fluoroscopic images | |
| US20070116343A1 (en) | Methods and systems for improving quality of an image | |
| CN109064521A (zh) | 一种使用深度学习的cbct去伪影方法 | |
| CN110533734B (zh) | 基于传统单能ct的多能谱分段稀疏扫描迭代重建方法 | |
| CN113167913A (zh) | 针对常规成像的光子计数的能量加权 | |
| KR20200025598A (ko) | 가중 최소 자승 필터와 희소 표현을 이용한 영상 융합 장치 및 방법 | |
| CN114387359A (zh) | 一种三维x射线低剂量成像方法及装置 | |
| CN109712213B (zh) | Pet图像重建方法、系统、可读存储介质和设备 | |
| CN114365196A (zh) | 估计来自未知源的背景辐射 | |
| CN110717959B (zh) | 基于曲率约束的x射线有限角ct图像重建方法和装置 | |
| CN110246199B (zh) | 一种面向能谱ct的投影域数据噪声去除方法 | |
| US11337671B2 (en) | Methods and systems for improved spectral fidelity for material decomposition | |
| Chávez-Rivera et al. | ML-EM reconstruction model including total variation for low dose PET high resolution data | |
| CN111899312B (zh) | 一种迭代补偿的有限角度ct投影重建方法 | |
| CN110827370B (zh) | 一种非等厚构件的多能ct循环迭代重建方法 | |
| CN112396579A (zh) | 基于深度神经网络的人体组织背景估计方法及装置 | |
| CN112288762A (zh) | 一种有限角度ct扫描的离散迭代重建方法 | |
| CN108780573B (zh) | 图像重建 | |
| Vizitiu et al. | Data-driven adversarial learning for sinogram-based iterative low-dose CT image reconstruction |
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 |