CN112017131A - Ct图像金属伪影去除方法、装置及计算机可读存储介质 - Google Patents
Ct图像金属伪影去除方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN112017131A CN112017131A CN202011101348.1A CN202011101348A CN112017131A CN 112017131 A CN112017131 A CN 112017131A CN 202011101348 A CN202011101348 A CN 202011101348A CN 112017131 A CN112017131 A CN 112017131A
- Authority
- CN
- China
- Prior art keywords
- image
- metal
- artifact
- 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.)
- Granted
Links
- 239000002184 metal Substances 0.000 title claims abstract description 143
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 143
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 15
- 230000008520 organization Effects 0.000 claims abstract description 5
- 239000007943 implant Substances 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 239000003550 marker Substances 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000002093 peripheral effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims 1
- 239000010931 gold Substances 0.000 claims 1
- 229910052737 gold Inorganic materials 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000002591 computed tomography Methods 0.000 description 30
- 210000001519 tissue Anatomy 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 3
- 210000000988 bone and bone Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000004872 soft tissue Anatomy 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 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
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 235000003642 hunger Nutrition 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000003491 skin Anatomy 0.000 description 1
- 230000037351 starvation Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G06T5/80—
-
- 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]
-
- 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
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种CT图像金属伪影去除方法、装置及计算机可读存储介质，包括步骤：收集包含金属伪影图像和不含金属伪影图像，处理得到对应的投影数据；对生成的两种投影数据分别进行重建，生成包含金属伪影图像和无伪影图像，进一步处理得到初始伪影抑制图像和数据完整性map；设计神经网络和损失函数，神经网络输出去除伪影后的图像等。本发明的CT图像金属伪影去除方法，利用了金属伪影和周围结构的相关性，以及与组织成分的关系，克服了现有的图像域技术不能把金属扫描数据中的数据完整性信息融入到图像域的处理的过程中的问题，提高了伪影校正的准确性和CT图像的质量。
Description
技术领域
本发明涉及医学成像技术领域，具体涉及一种CT图像金属伪影去除方法、装置及计算机可读存储介质。
背景技术
计算机断层扫描（CT）能够无损检测到人体内部的组织器官结构，因此广泛的应用于临床诊断。受到金属植入物的影响，CT图像中会出现不同程度的金属伪影，表现为条状伪影和亮暗带，严重影响图像质量，阻碍医生精确诊断。因此近40年出现了大量金属伪影校正（metal artifacts reduction，MAR）方法去除金属伪影。如数据采集改进、基于物理的校正、投影数据校正、迭代方法和图像后处理技术，以及新兴的基于深度学习的方法。
数据采集改进方法，需要保证扫描区域内没有金属，如拿掉耳环，项链等，但在大多数情况下不能满足，如金属植入物在人体内，并调节扫描参数等抑制金属伪影但是该方法很难获得足够好的图像质量。基于物理的校正方法，校正射束硬化和光子饥饿等，由于X光成像系统的复杂性，很难对成像过程做出精确的模拟，通常的方法都是基于理想的近似，因此方法误差较大，无法取得令人满意的结果。基于投影数据校正的方法容易引入新的图像伪影，迭代方法虽然能提高图像质量，但是需要较大的计算量，和复杂的物理模型。另外迭代算法，通常的模型针对的是数据中的统计噪声，因此更加适合处理数据中的噪声，但是，对于存在金属伪影的数据中，更需要的是对于确实信号的恢复。因此，针对金属伪影的问题，引入了图像域后处理方法，可以抑制轻微的伪影，不能处理严重的情况。但是，这些图像域的方法给予的多是图像形态学、甚至是深度学习的方法，由于金属伪影的复杂性，很难仅仅从图像上达到满意的效果。
正是基于上述几个原因，考虑到金属伪影的严重程度，不仅与植入物的材料和形状相关，而且与植入位置以及组织背景密切相关，不同的位置和组织产生的伪影严重程度不一样。如图1所示为金属伪影不同表现的示意图。
文献【1】（即Y. Zhang and H. Yu, “Convolutional neural network basedmetal artifact reduction in x-ray computed tomography,” arXiv preprint arXiv:1709.01581, 2017.）中提出的金属伪影的抑制技术如图2所示，该方法是基于图像域的处理，虽然增加了输入信息，比如输入图像包括三种传统处理方法得到的CT图像，三个图像输入到网络以后，还需要经过后处理和正投，重建等复杂的过程才能得到临床上可以接受的图像。
现有图像域的方法，大多是从原始图像或者插值投影的图像来进行图像处理的。但是金属伪影和周围结构的相关性，还有组织的成分关系很大，比如软组织周围的金属伪影就比较少，而骨组织和金属周围的伪影就会更加严重。其次现有的图像域的技术不能把金属扫描数据中的数据完整性信息融入到图像域的处理的过程中，这个数据的完整性也是对金属伪影处理的重要意义。比如数据完整的区域不存在金属伪影，而数据缺失的区域金属伪影会比较强。而且金属伪影的方向和这个数据的完整性也有着重要的关系。如图3所示金属导致的图像数据缺失，从左到右依次为金属植入物，植入物所在投影域的图像，以及数据完整性map。在map中数值越高表示完整性越差，伪影越严重。
发明内容
技术目的：针对现有技术中的不足，本发明提出一种基于人体组织结构和数据完整性的深度学习CT图像金属伪影去除方法、装置及计算机可读存储介质，用以提高CT图像质量。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
一种CT图像金属伪影去除方法，其特征在于，包括步骤：
S1、创建数据集：收集病人的不同CT图像，包含金属伪影图像和不含金属伪影图像，处理得到对应的包含金属伪影的投影数据和不含金属伪影的投影数据；
S2、数据预处理：对步骤S1中生成的两种投影数据分别进行重建，生成包含金属伪影CT
图像
和无伪影的CT图像
；
对包含金属伪影CT图像
进行分割处理得到仅包含金属的图像，对金属图像
进行正投得到金属正投影图像，根据金属伪影的强弱受组织结构以及距离组织结构的距离
影响的关系，对金属正投影图像进行处理，得到更正的投影，然后进行重建得到初始伪影抑
制图像
；
对正投得到的金属投影图像进行反投处理，得到数据完整性map；
S3、设计神经网络：神经网络的输入为包含金属伪影CT图像
、初始伪影抑制
图像
和数据完整性map，神经网络的输出为无伪影图像
；步骤S2得
到的数据用于训练神经网络；
S4、用于CT图像金属伪影消除：将待处理的CT图像进行步骤S1和S2的处理，得到对应的
伪影数据、初始伪影抑制图像
和数据完整性map，输入到步骤S3训练得到的神
经网络中，输出经过消除伪影的图像。
优选地，步骤S1顺序执行以下步骤：
收集病人的不同CT图像，包括包含金属伪影的第一图像和不包含金属伪影的第二图像；
对第一图像进行分割处理，提取出其中的金属部分作为模拟金属植入物；
采用数值仿真的方法对第二图像进行处理，得到不含金属伪影的第一投影数据；
将得到的模拟金属植入物插入第二图像，通过数值仿真的方法得到包含金属伪影的第二投影数据。
优选地，步骤S2顺序执行以下步骤：
对包含金属伪影CT图像
进行分割处理得到仅包含金属的图像；
对金属图像进行正投得到金属正投影图像，按照金属正投影图像的轨迹对被金属植入物影响的投影数据进行线性插值；
用周围组织代替金属部分，得到插值更正的投影，然后进行重建得到初始伪影抑制图
像
。
优选地，步骤S3中构建的神经网络采用U-net网络或根据U-net网络改进的网络，其损失函数Loss为：
其中，
为欧式距离，表示像素点距离最近的金属标记物的距离，
为金属的中心位置；
为组织权重，u表示均值参数，
表示方差。
本发明还公开了一种CT图像金属伪影去除装置，其特征在于，包括处理器、存储器及通信总线；存储器上存储有可被所述处理器执行的计算机可读程序，通信总线用于实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现所述的CT图像金属伪影去除方法中的步骤。
本发明还公开了一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有至少一个可被处理器执行的指令，其中至少一个指令被处理器执行时，用于执行所述CT图像金属伪影去除方法。
技术效果：由于采用了上述技术方案，本发明具有如下技术效果：
本发明的CT图像金属伪影去除方法，利用了金属伪影和周围结构的相关性，以及与组织成分的关系，克服了现有的图像域技术不能把金属扫描数据中的数据完整性信息融入到图像域的处理的过程中的问题，提高了伪影校正的准确性和CT图像的质量。
附图说明
图1为金属伪影不同表现的示意图；
图2为参考文献1的处理过程的示意图；
图3为金属导致的图像数据缺失的示意图，从左到右依次为金属植入物的图像、植入物所在投影域的图像、数据完整性map；
图4为本发明的金属伪影去除方法的示意图一；
图5为本发明的金属伪影去除方法的示意图二；
图6为本发明的金属伪影去除方法的流程图；
图7为更正结果的示意图，从左到右依次为伪影图像、NMAR更正结果和采用本发明方法得到的图像。
具体实施方式
本发明提出一种基于人体组织结构和数据完整性的深度学习金属伪影抑制方法，用于提高CT图像质量。本发明的金属伪影去除方法的示意图如图4至图6所示。本发明的目的在于通过深度学习的方法校正金属伪影，帮助医生快速精准诊断。具体步骤如下：
1、创建数据集：包含金属伪影图像和不含金属伪影图像，以及其对应的投影图像，参考文献1。具体方法为收集病人不同CT图像，分为包含金属和不包含金属两部分；从包含金属植入物的CT图像中分割提取出其中的金属部分作为模拟植入物；通过数值仿真的方法对不包含金属伪影的图像处理，得到不含金属的投影数据；把模拟金属植入物插入不含金属伪影的CT图像，通过数值仿真的方法得到包含金属的投影数据。本发明用到的数值仿真方法可参考文献1中的方法，并对该方法进行修改。文献1中模拟了射束硬化和泊松分布的特点，没有考虑物体散射情况。为了确保与真实情况相似，影域增加一个低频信号（例如原始信号的10%），模拟散射的贡献。更精确的散射模拟，可以通过Monte Carlo仿真来实现。在本发明中，对图像细化，分为空气、水、软组织、皮肤、骨组织和金属，采用多能量多物质线性积分的方法得到投影数据。
2、数据预处理：对步骤1中生成的投影数据重建生成无伪影的CT图像
和
包含金属伪影CT图像
；对
进行分割处理得到仅包含金属的图像，对金属
图像进行正投得到金属投影图像，对金属图像进行正投操作，探测器上数值非0的点即为金
属正投影图像的轨迹。
按照金属在投影图像的轨迹对被金属植入物影响的投影数据进行线性插值，用周围组织代替金属部分，得到插值更正的投影，具体插值方法可以通过行、列和角度方向上，没有被金属污染的投影数据来恢复被污染的像素。如：线性插值、双线性插值和三线性插值以及区域填充的方法等。
然后进行重建得到初始伪影抑制图像
，重建方法用FBP传统解析法。
对正投得到的金属投影图像进行反投处理，得到数据完整性map，map中的值越大，表示该位置数据缺失越明显。
3、设计网络结构和损失函数：网络结构如U-net及其变种等，输入为
、
和map输出为无伪影图像
。金属伪影的强弱受组织结构以及距离组织
结构的距离影响，损失函数如下：
其中，
为欧式距离，表示像素点距离最近的金属标记物的距离，
为金属的中心位置；
为组织权重。例如：5000为金属HU阈值，大于该值权重为0，
例如高斯形状的权重，参数均值u=2000，方差
=200；把步骤2得到的数据输入到网络训练
调整参数，直到网络收敛。
4、将伪影数据和初始伪影抑制图像
和完整性map输入到网络，得到伪影
校正结果。如图7所示为校正结果的示意图，从左到右依次为伪影图像、NMAR更正结果和采
用本发明方法得到的图像。
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 (6)
1.一种CT图像金属伪影去除方法，其特征在于，包括步骤：
S1、创建数据集：收集病人的不同CT图像，包含金属伪影图像和不含金属伪影图像，处理得到对应的包含金属伪影的投影数据和不含金属伪影的投影数据；
S2、数据预处理：对步骤S1中生成的两种投影数据分别进行重建，生成包含金属伪影CT
图像
和无伪影的CT图像
；
对包含金属伪影CT图像
进行分割处理得到仅包含金属的图像，对金属图像进
行正投得到金属正投影图像，根据金属伪影的强弱受组织结构以及距离组织结构的距离影
响的关系，对金属正投影图像进行处理，得到更正的投影，然后进行重建得到初始伪影抑制
图像
；
对正投得到的金属投影图像进行反投处理，得到数据完整性map；
S3、设计神经网络：神经网络的输入为包含金属伪影CT图像
、初始伪影抑制图
像
和数据完整性map，神经网络的输出为无伪影图像
；步骤S2得到的
数据用于训练神经网络；
S4、用于CT图像金属伪影消除：将待处理的CT图像进行步骤S1和S2的处理，得到对应的
伪影数据、初始伪影抑制图像
和数据完整性map，输入到步骤S3训练得到的神经
网络中，输出经过消除伪影的图像。
2.根据权利要求1所述的一种CT图像金属伪影去除方法，其特征在于，步骤S1顺序执行以下步骤：
收集病人的不同CT图像，包括包含金属伪影的第一图像和不包含金属伪影的第二图像；
对第一图像进行分割处理，提取出其中的金属部分作为模拟金属植入物；
采用数值仿真的方法对第二图像进行处理，得到不含金属伪影的第一投影数据；
将得到的模拟金属植入物插入第二图像，通过数值仿真的方法得到包含金属伪影的第二投影数据。
3.根据权利要求1所述的一种CT图像金属伪影去除方法，其特征在于，步骤S2顺序执行以下步骤：
对包含金属伪影CT图像
进行分割处理得到仅包含金属的图像；
对金属图像进行正投得到金属正投影图像，按照金属正投影图像的轨迹对被金属植入物影响的投影数据进行线性插值；
用周围组织代替金属部分，得到插值更正的投影，然后进行重建得到初始伪影抑制图
像
。
4.根据权利要求1所述的一种CT图像金属伪影去除方法，其特征在于，步骤S3中构建的神经网络采用U-net网络或根据U-net网络改进的网络，其损失函数Loss为：
其中，
为欧式距离，表示像素点距离最近的金属标记物的距离，
为金属的中心位置；
为组织权重，u表示均值参数，
表示方差。
5.一种CT图像金属伪影去除装置，其特征在于，包括处理器、存储器及通信总线；存储器上存储有可被所述处理器执行的计算机可读程序，通信总线用于实现处理器和存储器之间的连接通信；
所述处理器执行所述计算机可读程序时实现如权利要求1-4任意一项所述的CT图像金属伪影去除方法中的步骤。
6.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有至少一个可被处理器执行的指令，其中至少一个指令被处理器执行时，用于执行如权利要求1至4中任一所述CT图像金属伪影去除方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011101348.1A CN112017131B (zh) | 2020-10-15 | 2020-10-15 | Ct图像金属伪影去除方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011101348.1A CN112017131B (zh) | 2020-10-15 | 2020-10-15 | Ct图像金属伪影去除方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112017131A true CN112017131A (zh) | 2020-12-01 |
| CN112017131B CN112017131B (zh) | 2021-02-09 |
Family
ID=73527363
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011101348.1A Active CN112017131B (zh) | 2020-10-15 | 2020-10-15 | Ct图像金属伪影去除方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112017131B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113520441A (zh) * | 2021-08-03 | 2021-10-22 | 浙江大学 | 消除ct高阻射物伪影干扰的组织显像方法及系统 |
| CN114241070A (zh) * | 2021-12-01 | 2022-03-25 | 北京长木谷医疗科技有限公司 | Ct图像去金属伪影以及模型训练的方法和装置 |
| CN116012478A (zh) * | 2022-12-27 | 2023-04-25 | 哈尔滨工业大学 | 一种基于收敛型扩散模型的ct金属伪影去除方法 |
| CN116740218A (zh) * | 2023-08-11 | 2023-09-12 | 南京安科医疗科技有限公司 | 一种心脏ct成像图像质量优化方法、设备及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020033355A1 (en) * | 2018-08-06 | 2020-02-13 | Vanderbilt University | Deep-learning-based method for metal reduction in ct images and applications of same |
| CN111223066A (zh) * | 2020-01-17 | 2020-06-02 | 上海联影医疗科技有限公司 | 运动伪影校正方法、装置、计算机设备和可读存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109472754A (zh) * | 2018-11-06 | 2019-03-15 | 电子科技大学 | 基于图像修复的ct图像金属伪影消除方法 |
| CN110916708A (zh) * | 2019-12-26 | 2020-03-27 | 南京安科医疗科技有限公司 | 一种ct扫描投影数据伪影校正方法、ct图像重建方法 |
-
2020
- 2020-10-15 CN CN202011101348.1A patent/CN112017131B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020033355A1 (en) * | 2018-08-06 | 2020-02-13 | Vanderbilt University | Deep-learning-based method for metal reduction in ct images and applications of same |
| CN111223066A (zh) * | 2020-01-17 | 2020-06-02 | 上海联影医疗科技有限公司 | 运动伪影校正方法、装置、计算机设备和可读存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113520441A (zh) * | 2021-08-03 | 2021-10-22 | 浙江大学 | 消除ct高阻射物伪影干扰的组织显像方法及系统 |
| CN113520441B (zh) * | 2021-08-03 | 2022-11-29 | 浙江大学 | 消除ct高阻射物伪影干扰的组织显像方法及系统 |
| CN114241070A (zh) * | 2021-12-01 | 2022-03-25 | 北京长木谷医疗科技有限公司 | Ct图像去金属伪影以及模型训练的方法和装置 |
| CN114241070B (zh) * | 2021-12-01 | 2022-09-16 | 北京长木谷医疗科技有限公司 | Ct图像去金属伪影以及模型训练的方法和装置 |
| CN116012478A (zh) * | 2022-12-27 | 2023-04-25 | 哈尔滨工业大学 | 一种基于收敛型扩散模型的ct金属伪影去除方法 |
| CN116012478B (zh) * | 2022-12-27 | 2023-08-18 | 哈尔滨工业大学 | 一种基于收敛型扩散模型的ct金属伪影去除方法 |
| CN116740218A (zh) * | 2023-08-11 | 2023-09-12 | 南京安科医疗科技有限公司 | 一种心脏ct成像图像质量优化方法、设备及介质 |
| CN116740218B (zh) * | 2023-08-11 | 2023-10-27 | 南京安科医疗科技有限公司 | 一种心脏ct成像图像质量优化方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112017131B (zh) | 2021-02-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112017131B (zh) | Ct图像金属伪影去除方法、装置及计算机可读存储介质 | |
| US11727569B2 (en) | Training a CNN with pseudo ground truth for CT artifact reduction | |
| Meilinger et al. | Metal artifact reduction in cone beam computed tomography using forward projected reconstruction information | |
| US11494957B2 (en) | Automated correction of metal affected voxel representations of x-ray data using deep learning techniques | |
| US7378660B2 (en) | Computer program, method, and system for hybrid CT attenuation correction | |
| CN111047524A (zh) | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 | |
| WO2006039809A1 (en) | Method and apparatus for metal artifact reduction in computed tomography | |
| CN106530236B (zh) | 一种医学图像处理方法及系统 | |
| CN109785243A (zh) | 基于对抗生成网络未配准低剂量ct的去噪方法、计算机 | |
| CN111080552B (zh) | 基于深度学习神经网络的胸片虚拟双能去骨方法及系统 | |
| CN111915696A (zh) | 三维图像数据辅助的低剂量扫描数据重建方法及电子介质 | |
| Zhou et al. | DuDoUFNet: dual-domain under-to-fully-complete progressive restoration network for simultaneous metal artifact reduction and low-dose CT reconstruction | |
| US11580678B2 (en) | Systems and methods for interpolation with resolution preservation | |
| CN110599530B (zh) | 基于双正则约束的mvct图像纹理增强方法 | |
| CN111223156A (zh) | 一种用于牙科锥束ct系统的金属伪影消除方法 | |
| CN113706409A (zh) | 基于人工智能的cbct图像增强方法、装置和存储介质 | |
| CN117197270A (zh) | 非线性投影分解的金属伪影校正方法、装置及成像设备 | |
| CN117522747A (zh) | 一种用于ct图像的金属伪影校正方法与系统 | |
| CN113706643B (zh) | 一种基于同形适应学习的头部ct金属伪影校正方法 | |
| CN113570586A (zh) | 神经网络系统的创建、处理ct图像的方法及其装置 | |
| Liu et al. | Cross-Domain Unpaired Learning for Low-Dose CT Imaging | |
| CN107316277B (zh) | 一种医学锥束ct图像中运动伪影修正方法 | |
| TWI593392B (zh) | Metal Detection and Artifact Removal Methods in Computerized Tomography Images | |
| Xia et al. | PND-Net: Physics based Non-local Dual-domain Network for Metal Artifact Reduction | |
| KR102553068B1 (ko) | 다중 레벨 웨이브렛 인공지능 기반 선량 저 감화를 위한 컴퓨터 단층영상 재구성 방법 |
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 |