CN112001978B - 一种基于生成对抗网络的双能双90°ct扫描重建图像的方法及装置 - Google Patents
一种基于生成对抗网络的双能双90°ct扫描重建图像的方法及装置 Download PDFInfo
- Publication number
- CN112001978B CN112001978B CN202010736905.0A CN202010736905A CN112001978B CN 112001978 B CN112001978 B CN 112001978B CN 202010736905 A CN202010736905 A CN 202010736905A CN 112001978 B CN112001978 B CN 112001978B
- Authority
- CN
- China
- Prior art keywords
- energy
- projection data
- dual
- countermeasure network
- degree
- 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 28
- 238000002591 computed tomography Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 31
- 230000008878 coupling Effects 0.000 claims abstract description 8
- 238000010168 coupling process Methods 0.000 claims abstract description 8
- 238000005859 coupling reaction Methods 0.000 claims abstract description 8
- 230000009977 dual effect Effects 0.000 claims description 27
- 238000013461 design Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000000295 complement effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 5
- 239000000463 material Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000008485 antagonism Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000009206 nuclear medicine Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
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)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开一种基于生成对抗网络的双能双90°CT扫描重建图像的方法，该方法首先设计生成对抗网络模型描述缺失投影数据与180°投影数据分布概率之间耦合关系，然后构建训练集并训练，获取训练后的生成对抗网络模型，进而利用该模型对双能90°投影数据补全至双能180°投影数据，最后利用SART‑TV算法对双能180°投影数据进行重建，得到重建后的低能图像和高能图像；本发明还公开一种基于生成对抗网络的双能双90°CT扫描重建图像的装置。本发明通过采用生成对抗网络，使网络输入的双能双90°投影数据生成双能双180°投影数据，在减少硬件成本和提高图像质量上达到了良好的性能效果，提高了物体基材料分解的准确性。
Description
技术领域
本发明属于图像重建技术领域，尤其涉及一种基于生成对抗网络的双能双90°CT扫描重建图像的方法及装置。
背景技术
计算机断层扫描(Computed Tomography，CT)是一种应用技术，其涵盖数学、计算机等多个学科。该技术利用物体在不同角度下的X射线投影数据，通过图像重建算法获取物体衰减特性分布，从而重建透视物体内部三维结构的图像。目前CT已在工业检测、医学诊断等领域得到广泛应用。此外，与传统的单能CT成像相比，双能CT(Dual-energy ComputedTomography，DECT)利用两种不同的能量下的X射线透射物体，从而提供两组衰减测量，进而提高了材料分解的准确性，为医学诊断分析提供一大助力。但是，考虑到成像系统的几何位置和机械结构的局限性，有限角度问题在某些应用中会非常严重。并且对于大多数工业检查对象而言，DECT扫描意味着增加了硬件损失成本和辐射剂量。为了减少辐射剂量并减少扫描系统的硬件损耗，我们必须研究在有限角度条件下双能CT扫描的成像方法。
近年来，随着计算机计算能力的不断提高，深度学习在图像处理领域已显示出明显的优势。在抑制重建图像伪像方面，2016年，张瀚铭(H.Zhang,L.Li,et al,ImagePrediction for Limited-angle Tomography via Deep Learning with ConvolutionalNeural Network,Medical Physics 2016.)等人设计DNN来抑制在有限角度扫描下用FBP算法重建的图像伪影。2017年，王革(G.Wang,APerspective on Deep Imaging,IEEE Access4(2017),8914–8924.)等人提出将深度学习和CT成像相结合以进一步发展CT成像技术。自2017年以来，生成对抗网络(GAN)对图像修复的效果特别出色。GAN中的生成器用于学习训练样本的概率分布，并使输出图像符合学习的分布。2019年，李子恒(Z.H.Li,A.L.Cai,etal,Promising Generative Adversarial Network Based Sinogram Inpainting Methodfor Ultra-Limited-Angle Computed Tomography Imaging,Sensors 19(2019),3941.)等研究了超有限角度扫描(小于90°)下的正弦图，并设计了正弦图修复GAN(SI-GAN)来修复正弦图。然而，上述大多数方法都研究了单能量下的有限角度扫描问题，而双能量下的双有限角度扫描的研究尚未引起足够的重视。
发明内容
本发明针对现有CT图像重建方法均研究了单能量下的有限角度扫描、而忽视双能量下的双有限角度扫描的问题，提出一种基于生成对抗网络的双能双90°CT扫描重建图像的方法及装置。
为了实现上述目的，本发明采用以下技术方案：
一种基于生成对抗网络的双能双90°CT扫描重建图像的方法，包括：
步骤1：设计生成对抗网络模型，用于描述缺失投影数据与180°投影数据分布概率之间耦合关系；
步骤2：构建用于生成双能180°投影数据的生成对抗网络训练集，通过所述训练集对设计的对抗网络模型进行训练，得到训练后的生成对抗网络模型；
步骤3：利用训练后的生成对抗网络模型对低能90°投影数据和高能90°投影数据补全至对应能级的180°投影数据；
步骤4：利用SART-TV算法对补全后的双能180°投影数据进行重建，得到重建后的低能图像和高能图像。
进一步地，所述生成对抗网络模型为单输入、单输出的网络结构模型，包含单个生成器和单个鉴别器，生成器和鉴别器均采用全卷积层的形式，生成器用于实现90°投影数据到估计的180°投影数据的非线性映射关系，鉴别器用于对真实180°投影数据和估计的180°投影数据进行鉴别。
进一步地，所述生成器基于U-Net的结构设计，包括编码器和解码器，编码器利用多个卷积层从输入图像中提取图像特征，解码器由相应数目的反卷积层组成，编码器和解码器之间有跨层连接。
进一步地，所述生成对抗网络训练集包括输入数据和输出数据，所述输入数据包括低能90°投影数据和高能90°投影数据，所述输出数据包括低能180°投影数据和高能180°投影数据。
一种基于生成对抗网络的双能双90°CT扫描重建图像的装置，包括：
模型设计模块，用于设计生成对抗网络模型，用于描述缺失投影数据与180°投影数据分布概率之间耦合关系；
模型训练模块，用于构建用于生成双能180°投影数据的生成对抗网络训练集，通过所述训练集对设计的对抗网络模型进行训练，得到训练后的生成对抗网络模型；
数据补全模块，用于利用训练后的生成对抗网络模型对低能90°投影数据和高能90°投影数据补全至对应能级的180°投影数据；
图像重建模块，用于利用SART-TV算法对补全后的双能180°投影数据进行重建，得到重建后的低能图像和高能图像。
与现有技术相比，本发明具有的有益效果：
本发明首先设计生成对抗网络模型描述缺失投影数据与180°投影数据分布概率之间耦合关系，然后构建生成对抗网络训练集对生成对抗网络进行训练，获取训练后的生成对抗网络模型，进而利用训练后的生成对抗网络模型对低能90°投影数据和高能90°投影数据补全至对应能级的180°投影数据，最后利用SART-TV算法对补全后的双能180°投影数据进行重建，得到重建后的低能图像和高能图像。本发明通过采用生成对抗网络，使网络输入的双能双90°投影数据生成双能双180°投影数据，在减少硬件成本和提高图像质量上达到了良好的性能效果，提高了物体基材料分解的准确性。
附图说明
图1为本发明实施例一种基于生成对抗网络的双能双90°CT扫描重建图像的方法的基本流程图；
图2为双能双90°CT扫描系统示意图；
图3为本发明实施例一种基于生成对抗网络的双能双90°CT扫描重建图像的方法的网络结构示意图；
图4为本发明实施例一种基于生成对抗网络的双能双90°CT扫描重建图像的方法的生成对抗网络模型中生成器的工作原理图；
图5为本发明实施例一种基于生成对抗网络的双能双90°CT扫描重建图像的方法的生成对抗网络模型中鉴别器的工作原理图；
图6为不同方法下QRM体模重建的结果以及感兴趣区域放大后的示例图；
图7为本发明实施例一种基于生成对抗网络的双能双90°CT扫描重建图像的装置的结构示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的解释说明：
如图1所示，一种基于生成对抗网络的双能双90°CT扫描重建图像的方法，包括：
步骤S101：设计生成对抗网络模型，用于描述缺失投影数据与180°投影数据分布概率之间耦合关系；
具体地，生成对抗网络模型设计如下：
X射线源产生具有连续能量分布的多色X射线，穿过物体的多色X射线强度如下：
其中Il代表连续X射线穿过厚度物体后剩余光子的强度，I0代表具有能量的X射线的初始强度，l代表穿过物体的厚度，Emax是最大能量值谱，Emin是最小能量值，代表物体在能量E和空间位置/>的线性衰减系数。
根据上式，把收集到的各种角度测量的X射线衰减信息做负对数，以获得投影测量数据：
其中，S(E)为归一化的X射线能谱。
本发明涉及到两个能级，所以可以将上式观察到的投影数据描述为：
其中，包含/>和/>并且/>和/>之间存在非线性关系，原因不仅是由于它们能谱不同，还在于成像物质对能量的响应不同。如图2所示，该图为双能双90°CT扫描系统。在已知低能量和高能量局部扫描投影信息的前提下，本发明提出的双能双90°有限角度问题是将低能量投影信息和高能量投影信息相互映射。所提出的方法实现的非线性映射关系如下：
然而，对于非线性关系的映射是神经网络所具备的优势，因此，如图3所示，在本发明中采用生成对抗网络来对这种复杂的非线性关系进行相互映射，估计双能对应的180°投影数据。
整个生成对抗网络是单输入、单输出的网络结构模型，以实现低能90°投影数据/高能90°投影数据输入和估计的低能180°投影数据/高能180°投影数据的直接输出。所述的生成对抗网络模型包含单个生成器和单个鉴别器，生成器和鉴别器均采用全卷积层的形式，生成器用于实现90°投影数据到估计的180°投影数据的非线性映射关系，鉴别器用于对真实180°投影数据和估计的180°投影数据进行鉴别，用于提高估计数据的真实性。如图4所示，生成器是基于U-Net的结构设计的，包括编码器和解码器。编码器利用八个卷积层从输入图像中提取图像特征。输入的CT图像大小为512×512×1。前三个卷积层的卷积核大小为4×4，重叠步长为2×2，滤波器内核通道数量分别设置为64、128和256。后五个卷积层的卷积核大小为4×4，重叠步长为2×2，滤波器内核通道数量都设置为512。解码器由相应的八个反卷积层组成。第一到第四个反卷积层卷积核大小为4×4，重叠步长为2×2，滤波器内核通道数量为512。第五个到第八的反卷积层的卷积核大小为4×4，重叠步长为2×2，滤波器内核通道数量为256、128、64和64。其中，编码器和解码器之间有跨层连接，以更好的使解码器恢复标签图像的细节。如图5所示，鉴别器的结构为CNN结构。鉴别器的输入是在双能级下成对的有限角度和对应的180°正弦图。鉴别器网络结构一共包含五层卷积层，滤波器内核通道数量分别为64、128、256、512和1。前三个卷积层的卷积核大小为4×4，重叠步长为2×2，后两个卷积层的卷积核大小为4×4，重叠步长为1×1。除了最后一层的激励函数为Sigmoid函数外，其余四层的激励函数为ReLU函数。这种结构能有效地捕获局部高频特征(细节部分)。假设其输出大小为N×N的图像块，则将其所有的概率值取平均值，以作为区分匹配正弦图的真实性的基础。这种鉴别器设计的好处是计算过程具有较少的参数，并减少了运行时间。在本实施例中，图像块大小设置为64×64。
步骤S102：构建用于生成双能180°投影数据的生成对抗网络训练集，通过所述训练集对设计的对抗网络模型进行训练，得到训练后的生成对抗网络模型；
具体地，为了训练生成对抗网络，所需生成对抗网络训练集包括生成对抗网络模型的输入数据和输出数据。对于U-Net结构的生成器网络模型，所述输入数据为低能90°投影数据或高能90°投影数据，所述输出数据为相应能级的180°投影数据，即低能180°投影数据和高能180°投影数据。其中高能管电压设置为140kVp，低能管电压设置为80kVp。生成对抗网络训练集主要从河南省人民医院放射科获得诊断CT图像和放射科医师进行专业标注的标记图像。临床采集匹配的数据共计229对，通过对图像数据进行处理，最终由3000例头部和胸腔样本构成生成对抗网络训练集。将训练集输入设计好的生成对抗网络进行网络参数的更新和训练，得到训练后的生成对抗网络模型。
具体地，通过如下方式对图像数据进行处理：
1、对每个CT图像执行值归一化，图像值重新缩放为[0,1]；
2、应用光线跟踪算法来模拟扇形光束的几何形状。我们使用512个线性探测器生成了相同大小图像的180°正弦图，并通过设置不同的管电压，通过模拟射线源来模拟高能谱和低能谱，生成的正弦图用作生成对抗网络(CSI-GAN网络)的标签，并且删除90°投影数据作为输入；
3、根据前两步生成的正弦图，准备了3000对图像大小都为512×512的标签和输入正弦图。为了提高实验的可靠性，在正弦图中添加了背景噪声，噪声被建模为零均值和方差为σ2＝2×10-6的高斯噪声。
步骤S103：利用训练后的生成对抗网络模型对低能90°投影数据和高能90°投影数据补全至对应能级的180°投影数据。
步骤S104：利用SART-TV算法对补全后的双能180°投影数据进行重建，得到重建后的低能图像和高能图像。
综上，本发明通过采用生成对抗网络，使网络输入的双能双90°投影数据生成双能双180°投影数据，在减少硬件成本和提高图像质量上达到了良好的性能效果，提高了物体基材料分解的准确性。
图6显示了在不同方法下QRM体模重建的结果以及感兴趣区域(ROI)放大后的图像。从左至右分别代表真实图像，基于FBP(H.K Tuy,An Inversion Formula for Cone-Beam Reconstruction.Siam J Appl Math,43(1983),546–552.)(A.Katsevich,Theoretically Exact Filtered Backprojection-Type Inversion Algorithm forSpiral CT,Siam J Appl Math,62(2002),2012–2026.)的重建图像，基于SART-TV(H.Yuand G.Wang,Compressed sensing based interior tomography,Phys Med Biol 54(2009),2791–2805.)的重建图像，基于Patch-GAN+SART-TV(Z.Li,W.Zhang and L.Wang,ASinogram Inpainting Method based on Generative Adversarial Network forLimited-angle Computed Tomography,In Proceedings of the SPIE 1107215thInternational Meeting on Fully Three-Dimensional Image Reconstruction inRadiology and Nuclear Medicine,Philadelphia,PA,USA,2–6June 2019.)的重建图像，以及通过本申请方法(CSI-GAN+SART-TV)重建的图像。上排和下排分别表示低能量和高能量图像。如图6所示，FBP的结果包含噪声，图像严重失真。SART-TV方法可以获得比FBP更高的图像质量，但是重建的图像仍然模糊。而在网络对正弦图进行补全后，可显著提高重建图像的质量。Patch-GAN+SART-TV方法比传统方法具有更高的图像质量，因为该方法在投影域中修复了缺失信息；但是，如图中的箭头所示，该方法仍然存在边缘信息丢失和表面不光滑的问题。而本发明提出的方法可以有效地降低图像噪声，并且提供具有清晰边缘的结果。
对图6中的ROI进一步评估。FBP和SART-TV的重建结果具有严重的方向性伪像。与传统算法相比，通过神经网络修复正弦图的方法在改善图像质量上的效果尤为明显。基于Patch-GAN+SART-TV的方法可以有效抑制纹理图的重建噪声；如图6中箭头所示的区域所示，在图像内保留边缘的效果很差，并且存在边缘模糊的现象。而本发明所提出的方法在噪声抑制方面表现出令人鼓舞的性能，并且可以以更高的精度恢复图像边缘。
在上述实施例的基础上，如图7所示，本发明还公开一种基于生成对抗网络的双能双90°CT扫描重建图像的装置，包括：
模型设计模块201，用于设计生成对抗网络模型，用于描述缺失投影数据与180°投影数据分布概率之间耦合关系；
模型训练模块202，用于构建用于生成双能180°投影数据的生成对抗网络训练集，通过所述训练集对设计的对抗网络模型进行训练，得到训练后的生成对抗网络模型；
数据补全模块203，用于利用训练后的生成对抗网络模型对低能90°投影数据和高能90°投影数据补全至对应能级的180°投影数据；
图像重建模块204，用于利用SART-TV算法对补全后的双能180°投影数据进行重建，得到重建后的低能图像和高能图像。
进一步地，所述生成对抗网络模型为单输入、单输出的网络结构模型，包含单个生成器和单个鉴别器，生成器和鉴别器均采用全卷积层的形式，生成器用于实现90°投影数据到估计的180°投影数据的非线性映射关系，鉴别器用于对真实180°投影数据和估计的180°投影数据进行鉴别。
进一步地，所述生成器基于U-Net的结构设计，包括编码器和解码器，编码器利用多个卷积层从输入图像中提取图像特征，解码器由相应数目的反卷积层组成，编码器和解码器之间有跨层连接。
进一步地，所述生成对抗网络训练集包括输入数据和输出数据，所述输入数据包括低能90°投影数据和高能90°投影数据，所述输出数据包括低能180°投影数据和高能180°投影数据。
以上所示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 (2)
1.一种基于生成对抗网络的双能双90°CT扫描重建图像的方法，其特征在于，包括：
步骤1：设计生成对抗网络模型，用于描述缺失投影数据与180°投影数据分布概率之间耦合关系；所述生成对抗网络模型为单输入、单输出的网络结构模型，包含单个生成器和单个鉴别器，生成器和鉴别器均采用全卷积层的形式，生成器用于实现90°投影数据到估计的180°投影数据的非线性映射关系，鉴别器用于对真实180°投影数据和估计的180°投影数据进行鉴别；所述生成器基于U-Net的结构设计，包括编码器和解码器，编码器利用多个卷积层从输入图像中提取图像特征，解码器由相应数目的反卷积层组成，编码器和解码器之间有跨层连接；
步骤2：构建用于生成双能180°投影数据的生成对抗网络训练集，通过所述训练集对设计的对抗网络模型进行训练，得到训练后的生成对抗网络模型；所述生成对抗网络训练集包括输入数据和输出数据，所述输入数据包括低能90°投影数据和高能90°投影数据，所述输出数据包括低能180°投影数据和高能180°投影数据；
步骤3：利用训练后的生成对抗网络模型对低能90°投影数据和高能90°投影数据补全至对应能级的180°投影数据；
步骤4：利用SART-TV算法对补全后的双能180°投影数据进行重建，得到重建后的低能图像和高能图像。
2.一种基于生成对抗网络的双能双90°CT扫描重建图像的装置，其特征在于，包括：
模型设计模块，用于设计生成对抗网络模型，用于描述缺失投影数据与180°投影数据分布概率之间耦合关系；所述生成对抗网络模型为单输入、单输出的网络结构模型，包含单个生成器和单个鉴别器，生成器和鉴别器均采用全卷积层的形式，生成器用于实现90°投影数据到估计的180°投影数据的非线性映射关系，鉴别器用于对真实180°投影数据和估计的180°投影数据进行鉴别；所述生成器基于U-Net的结构设计，包括编码器和解码器，编码器利用多个卷积层从输入图像中提取图像特征，解码器由相应数目的反卷积层组成，编码器和解码器之间有跨层连接；
模型训练模块，用于构建用于生成双能180°投影数据的生成对抗网络训练集，通过所述训练集对设计的对抗网络模型进行训练，得到训练后的生成对抗网络模型；所述生成对抗网络训练集包括输入数据和输出数据，所述输入数据包括低能90°投影数据和高能90°投影数据，所述输出数据包括低能180°投影数据和高能180°投影数据；
数据补全模块，用于利用训练后的生成对抗网络模型对低能90°投影数据和高能90°投影数据补全至对应能级的180°投影数据；
图像重建模块，用于利用SART-TV算法对补全后的双能180°投影数据进行重建，得到重建后的低能图像和高能图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010736905.0A CN112001978B (zh) | 2020-07-28 | 2020-07-28 | 一种基于生成对抗网络的双能双90°ct扫描重建图像的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010736905.0A CN112001978B (zh) | 2020-07-28 | 2020-07-28 | 一种基于生成对抗网络的双能双90°ct扫描重建图像的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112001978A CN112001978A (zh) | 2020-11-27 |
| CN112001978B true CN112001978B (zh) | 2023-09-01 |
Family
ID=73467779
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010736905.0A Active CN112001978B (zh) | 2020-07-28 | 2020-07-28 | 一种基于生成对抗网络的双能双90°ct扫描重建图像的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001978B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114283235B (zh) * | 2021-12-07 | 2022-08-23 | 中国科学院国家空间科学中心 | 一种基于有限角度投影数据的三维磁层重构方法及系统 |
| CN114757928B (zh) * | 2022-04-25 | 2024-07-12 | 东南大学 | 一种基于深度训练网络的一步式双能有限角ct重建方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728727A (zh) * | 2019-09-03 | 2020-01-24 | 天津大学 | 一种低剂量能谱ct投影数据的恢复方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017223560A1 (en) * | 2016-06-24 | 2017-12-28 | Rensselaer Polytechnic Institute | Tomographic image reconstruction via machine learning |
| US10859657B2 (en) * | 2018-05-31 | 2020-12-08 | The Board Of Trustees Of The Leland Stanford Junior University | MRI reconstruction using deep learning, generative adversarial network and acquisition signal model |
-
2020
- 2020-07-28 CN CN202010736905.0A patent/CN112001978B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110728727A (zh) * | 2019-09-03 | 2020-01-24 | 天津大学 | 一种低剂量能谱ct投影数据的恢复方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高净植 ; 刘 ; 张权 ; 桂志国 ; .改进深度残差卷积神经网络的LDCT图像估计.计算机工程与应用.2018,(16),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112001978A (zh) | 2020-11-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Image domain dual material decomposition for dual‐energy CT using butterfly network | |
| Zhang et al. | Image prediction for limited-angle tomography via deep learning with convolutional neural network | |
| Huang et al. | CaGAN: A cycle-consistent generative adversarial network with attention for low-dose CT imaging | |
| Xu et al. | Limited-angle X-ray CT reconstruction using image gradient ℓ₀-norm with dictionary learning | |
| US11126914B2 (en) | Image generation using machine learning | |
| Jin et al. | A model-based image reconstruction algorithm with simultaneous beam hardening correction for X-ray CT | |
| Niu et al. | Noise suppression with similarity-based self-supervised deep learning | |
| Yang et al. | Low-dose CT denoising via sinogram inner-structure transformer | |
| CN110462689A (zh) | 基于深度学习的断层摄影重建 | |
| Wang et al. | FBP-Net for direct reconstruction of dynamic PET images | |
| Wu et al. | Image-domain material decomposition for spectral CT using a generalized dictionary learning | |
| Zheng et al. | A dual-domain deep learning-based reconstruction method for fully 3D sparse data helical CT | |
| CN112001978B (zh) | 一种基于生成对抗网络的双能双90°ct扫描重建图像的方法及装置 | |
| Chen et al. | A new data consistency condition for fan‐beam projection data | |
| Tao et al. | VVBP-tensor in the FBP algorithm: its properties and application in low-dose CT reconstruction | |
| He et al. | Downsampled imaging geometric modeling for accurate CT reconstruction via deep learning | |
| Su et al. | Generalized deep iterative reconstruction for sparse-view CT imaging | |
| Kim et al. | A streak artifact reduction algorithm in sparse‐view CT using a self‐supervised neural representation | |
| CN103793890A (zh) | 一种能谱ct图像的恢复处理方法 | |
| Bousse et al. | Systematic review on learning-based spectral CT | |
| Lv et al. | A back‐projection‐and‐filtering‐like (BPF‐like) reconstruction method with the deep learning filtration from listmode data in TOF‐PET | |
| Wang et al. | One half-scan dual-energy CT imaging using the Dual-domain Dual-way Estimated Network (DoDa-Net) model | |
| Zhao et al. | A fast image reconstruction method for planar objects CT inspired by differentiation property of Fourier transform (DPFT) | |
| Lu et al. | Adaptive wavelet-Galerkin methods for limited angle tomography | |
| Góes et al. | Poisson denoising under a Bayesian nonlocal approach using geodesic distances with low-dose CT applications |
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 |