CN112102428B - Ct锥形束扫描图像重建方法、扫描系统及存储介质 - Google Patents

Ct锥形束扫描图像重建方法、扫描系统及存储介质 Download PDF

Info

Publication number
CN112102428B
CN112102428B CN202011316469.8A CN202011316469A CN112102428B CN 112102428 B CN112102428 B CN 112102428B CN 202011316469 A CN202011316469 A CN 202011316469A CN 112102428 B CN112102428 B CN 112102428B
Authority
CN
China
Prior art keywords
row
image
data
transformation
scanning
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
Application number
CN202011316469.8A
Other languages
English (en)
Other versions
CN112102428A (zh
Inventor
曾凯
冯亚崇
郭桐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Anke Medical Technology Co ltd
Original Assignee
Nanjing Anke Medical Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Anke Medical Technology Co ltd filed Critical Nanjing Anke Medical Technology Co ltd
Priority to CN202011316469.8A priority Critical patent/CN112102428B/zh
Publication of CN112102428A publication Critical patent/CN112102428A/zh
Application granted granted Critical
Publication of CN112102428B publication Critical patent/CN112102428B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种CT锥形束扫描图像重建方法、扫描系统及存储介质，方法包括步骤：（1）创建CT扫描数据集：采集低排数投影数据和高排数投影数据；（2）对数据进行预处理生成训练集：分别对低排数投影数据和高排数投影数据进行重建，得到对应的低排数重建图像和高排数重建图像；根据高排数重建图像生成数据完备性map；对所有高排数重建图像和数据完备性map进行坐标转换，转移到具有平移不变性的坐标系中；（3）设计网络结构和损失函数：损失函数中包括数据完备性map权重项。本发明将用于神经网络的输入数据和目标图像都首先经过对应变换到平移不变空间中，然后在新的空间中对神经网络进行训练，能够获得更好的图像重建质量。

Description

CT锥形束扫描图像重建方法、扫描系统及存储介质
技术领域
本发明涉及医学成像技术领域，具体涉及一种CT锥形束扫描图像重建方法、扫描系统及存储介质。
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了了革命性的变化。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，见参考文献。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的近似算法。除了这些解析类的算法之外，还有应用迭代重建算法来减少误差，发送图像质量。
重建误差和锥角（正比于探测器的排数）的平方成正比，所以在锥角（探测器排数）比较小的时候还能够得到比较好的效果（小于等于64排）。但是当探测器排数增大到128甚至256排的时候，就会带来很大的误差。导致图像不能够满足临床诊断的要求，如图1所示。迭代算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。
现有基于深度学习的方法，都是基于卷积神经网络。卷积神经网络的优点是，空间不变性，因此能够用比较小的网络来达到比较好的处理效果。但这也是卷积网络最大的弱点，因为图像重建中所遇到的伪影是随着空间位置的变化，不同位置的伪影的强度，方向，样式都会不断的变换。因此目前的基于AI的方法都还存在着这个缺陷。
参考文献【1】（Cone Beam Artifacts Correction in Multidetector ComputedTomography Using Deep Neural Networks，The 6th International Conference onImage Formation in X-Ray Computed Tomography，Hao Zhao, Yanyan Liu, and GuotaoQuan）提出的锥束伪影的抑制技术，还是基于图像域的处理，在输入端增加了锥角map。该方法增加了注意力机制，但是没有考虑神经网络的空间不变性，而且锥角map相对来说精度比较低。
发明内容
技术目的：针对的不足，本发明提供了一种CT锥形束扫描图像重建方法、扫描系统及存储介质，其改进的锥束重建技术来减少锥形不伪影对图像质量带来的影响。
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锥形束扫描图像重建方法，其特征在于，包括步骤：
（1）、创建CT扫描数据集：分别用低排数CT设备和高排数CT设备对患者的同一部位进行扫描，得到对应的低排数投影数据和高排数投影数据；
（2）、对数据进行预处理生成训练集：收集m例不同扫描部位的投影数据，分别对低排数投影数据和高排数投影数据进行重建，得到对应的低排数重建图像和高排数重建图像；根据高排数重建图像生成数据完备性map；
分别对所有低排数重建图像、高排数重建图像和数据完备性map进行坐标转换，将图像由直角坐标系转移到具有平移不变性的坐标系中，得到对应的低排数坐标变换图像、高排数坐标变换图像和数据完备性map坐标变换图像；
（3）、设计网络结构和损失函数：构建U-Net神经网络作为图像增强显示网络，损失函数中包括数据完备性map的权重项；步骤（2）中得到的高排数坐标变换图像及其对应的数据完备性map坐标变换图像分别作为神经网络的第一输入和第二输入，神经网络的输出为低排数坐标变换图像；
（4）、使用Adam优化器、初始学习率为0.001对神经网络进行训练，训练过程中，使用仿射变换和弹性变换进行数据增广，最后训练完成得到图像增强显示网络的网络参数，将训练好的网络部署到CT扫描系统中；
（5）、在所述CT扫描系统中对患者进行CT扫描，输出经神经网络处理的目标图像，供医生查阅。
优选地，所述步骤（2）中，坐标变换采用小波变换、曲波变换、轮廓波变换或极坐标变换中的任一种。
优选地，所述步骤（2）中，根据高排数CT系统几何通过Radon逆变换生成数据完备性map，Radon逆变换具体公式为：
Figure 980284DEST_PATH_IMAGE001
其中，投影图像
Figure 954056DEST_PATH_IMAGE002
上的一条直线
Figure 986735DEST_PATH_IMAGE003
可以由两个参数指定，即到原点
Figure 905012DEST_PATH_IMAGE004
的距离，以 及图像平面中垂直于
Figure 946917DEST_PATH_IMAGE003
的矢量
Figure 368671DEST_PATH_IMAGE005
，D为X射线源到旋转中心的距离，
Figure 837830DEST_PATH_IMAGE006
为投影图 像平面中的向量，
Figure 853190DEST_PATH_IMAGE007
是斜入射角的余弦加权。
优选地，所述步骤（3）中，损失函数的公式：
Figure 823421DEST_PATH_IMAGE008
其中，n表示像素，
Figure 240627DEST_PATH_IMAGE009
为预测图中像素n的值，
Figure 877757DEST_PATH_IMAGE010
为真实图中像素n的值，
Figure 505047DEST_PATH_IMAGE011
为 数据完备性map中的像素n的权重，N为图像像素的总数，C为神经网络第一个输入和输出的 通道数，
Figure 888755DEST_PATH_IMAGE012
为平移变换后不同分量对应的权重。
优选地，所述步骤（1）中，通过数值模拟仿真的方式，用低排CT数设备和高排数CT设备，对数字体膜进行CT投影仿真，得到第一扫描数据和第二扫描数据。
一种扫描系统，执行所述方法，其特征在于，包括：
CT扫描模块，包括低排数CT设备和高排数CT设备，用于对患者进行扫描，得到对应的低排数投影数据和高排数投影数据；
图像重建模块，用于对低排数投影数据和高排数投影数据进行重建，得到对应的低排数重建图像和高排数重建图像；
图像处理模块，用于根据高排数重建图像生成数据完备性map；且对所有高排数重建图像和数据完备性map进行坐标转换，将图像由直角坐标系转移到具有平移不变性的坐标系中，得到对应的高排数坐标变换图像和数据完备性map坐标变换图像；
神经网络模块，将高排数坐标变换图像及其对应的数据完备性map坐标变换图像分别作为第一输入和第二输入，经神经网络处理后输出为更正重建图像的坐标变换图像；
图像输出模块，用于输出供医生查阅的图像。
一种存储介质，其特征在于：所述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图像增强显示方法。
有益效果：本发明将用于神经网络的输入数据和目标图像都首先经过对应变换到平移不变空间中，然后在新的空间中进行训练，能够获得更好的图像重建质量。
附图说明
图1为采用本发明方法和常规方法在128排的几何结构下输出的目标图像的对比示意图；
图2为数据完备性map中像素的位置与X线照射范围示意图；
图3为本发明选用的神经网络的网络模型示意图；
图4为经过小波变换后的图像；
图5中从左到右依次为高排数重建图像、数据完备性map和目标图像的效果图；
图6为一维Haar变换的示意图。
具体实施方式
本发明的目的通过深度学习结合传统重建的方法来处理图像。不同于常规的基于深度学习的图像处理方法(即输入只有原始图像，这个图像经过网络处理之后，就是输出的图像)。本发明为了能够达到更好的效果，首先把图像经过变换到更加具有平移不变空间中。在欧几里得几何中，平移是一种几何变换，表示将一幅图像或一个空间中的每一个点在相同方向移动相同距离。平移不变性意味着系统产生完全相同的响应（输出），不管它的输入是如何平移的。这些变换可以是小波变换（wavelet），曲波变换（Curvelet），轮廓波变换，或者极坐标变换。输入的数据和目标图像都首先经过对应变换到新的空间中，然后在新的空间中进行训练。
一、小波变换：小波变换使用一系列的不同尺度的小波去分解原函数，变换后得到的是原函数在不同尺度小波下的系数。比如图像处理常采用的haar小波，图像的二维离散小波分解和重构过程如下所示。分解过程可描述为：首先对图像的每一行进行1D-DWT（一维离散小波变换），获得原始图像在水平方向上的低频分量L和高频分量H，然后对变换所得数据的每一列进行1D-DWT，获得原始图像在水平和垂直方向上的低频分量LL、水平方向上的低频和垂直方向上的高频LH、水平方向上的高频和垂直方向上的低频HL以及水平和垂直方向上的高频分量HH。重构过程可描述为：首先对变换结果的每一列进行一维离散小波逆变换，再对变换所得数据的每一行进行一维离散小波逆变换，即可获得重构图像。
结合图6所示，一维Haar变换计算如下：
设原始一维数据
Figure 285101DEST_PATH_IMAGE013
，Haar低通滤波
Figure 830483DEST_PATH_IMAGE014
，Haar高通滤波
Figure 86015DEST_PATH_IMAGE015
。
则Haar小波变换为：
Figure 866889DEST_PATH_IMAGE016
，当需要进 行下2采样时计算其均值（也有保留偶数序列），直接取
Figure 524267DEST_PATH_IMAGE017
。
再次进行小波变换：
Figure 365184DEST_PATH_IMAGE018
，下2采样为
Figure 842433DEST_PATH_IMAGE019
。将
Figure 567943DEST_PATH_IMAGE020
，
Figure 938882DEST_PATH_IMAGE021
称为细 节系数。因此通过Haar变换，一幅分辨率为4的数据就可以由分辨率为1，以及3个细节系数 表示。同样由降采样的数据和细节系数可以回复出原始数据。从上面计算过程可以看出：矢 量
Figure 91646DEST_PATH_IMAGE022
与低通滤波器卷积得到近似，与高通滤波器卷积得到细节。
二、曲波变换（Curvelet）：对于具有光滑奇异性曲线的目标函数，Curvelet提供了稳定的、高效的和近乎最优的表示。对于含奇异曲线的2-D分片光滑函数的非线性逼近误差可以达到。Curvelet变换过程：首先，用子带分解法对原始图像进行分解，来完成对图像子带滤波的功能；然后对不同的子带图像进行分块，再对每一小块图像进行Ridgelet（脊波）变换就到达了Curvelet域。
三、轮廓波变换：主要目的是为了获得含有线和面奇异的图像的稀疏表示，它不仅继承了小波变换的多分辨率时频分析特征，而且拥有良好的各向异性特征。轮廓波变换是由塔形方向滤波器组（PDFB）把图像分解成各个尺度上的带通方向子带，轮廓波变换的最终结果是用类似线断的基结构来逼近原图像。
四、极坐标变换：极坐标与直角坐标互换公式如下：
Figure 915245DEST_PATH_IMAGE023
其中
Figure 447376DEST_PATH_IMAGE024
为极坐标系内图像，
Figure 548187DEST_PATH_IMAGE025
为直角坐标系图像，
Figure 730907DEST_PATH_IMAGE026
为直角坐标，
Figure 448327DEST_PATH_IMAGE027
为极坐标，横轴为角度，纵轴为长度。
下面介绍本发明的CT锥形束扫描图像重建方法的具体流程。
首先创建CT扫描数据集：包括各个部位的常规CT扫描数据，分别用低排数和高排数(比如128排)CT对同一部位进行扫描，此外，也可以是通过数值模拟仿真的方式，分别用低排CT系统和高排数CT系统，对数字体膜进行CT投影仿真，得到对比数据集。对于每一对训练数据，需要保证数据对应同一部位。但是对于多对训练数据，要保证数据的多样性，所以要对不同的部位生成数据。
1、数据预处理生成训练集：收集m例不同扫描部位的投影数据，分别利用高排数和低排数重建出卷积神经网络的输入图像和目标图像。根据高排数CT系统几何通过Radon逆变换生成数据完备性map，Radon逆变换具体公式为：
Figure 374695DEST_PATH_IMAGE001
其中，投影图像
Figure 330013DEST_PATH_IMAGE002
上的一条直线
Figure 90158DEST_PATH_IMAGE003
可以由两个参数指定，即到原点
Figure 888350DEST_PATH_IMAGE004
的距离，以 及图像平面中垂直于
Figure 493775DEST_PATH_IMAGE003
的矢量
Figure 693812DEST_PATH_IMAGE005
，D为X射线源到旋转中心的距离，
Figure 359280DEST_PATH_IMAGE006
为投影图像 平面中的向量，
Figure 785713DEST_PATH_IMAGE007
是斜入射角的余弦加权。
从公式中可以看出，因为探测器z方向的范围有限，经Radon逆变换后，重建图像存在数据不完备。
示意图如图2所示。
将上述所有图像和map全部进行上述的图像变换，如采用小波变换、曲波变换或极坐标变换方法。
2、设计网络结构和损失函数：构建U-Net的神经网络作为图像增强显示网络，输入是一个图像序列，经过下采样的编码，得到一串比原先图像更小的特征，相当于压缩，然后再经过一个解码，理想状况就是能还原到原来的图像。网络的输入有两个：第一个输入为高排数重建图像的变换图像（即通过小波变换、曲波变换或极坐标变换），第二个输入为第一个输入对应数据完备性map的变换图像(添加注意力机制)，输出为低排数重建图像的变换图像，网络如图3和图4所示。
Loss函数设计，以均方误差（MSE）损失为例，在损失中添加了数据完备性map作为权重项。MSE损失评价真实值和预测值的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。损失函数可表示为：
Figure 53883DEST_PATH_IMAGE008
其中，
Figure 246443DEST_PATH_IMAGE028
为预测图中像素n的值，
Figure 207446DEST_PATH_IMAGE029
为真实图中像素n的值，
Figure 590016DEST_PATH_IMAGE011
为像素n的权重 （这里的权重为数据完备性map），N为图像像素的总数，C为网络第一个输入和输出的通道数 （例如小波变换后通道数为4，包含低频分量、水平细节分量、垂直细节分量和对角线细节分 量，对于不同分量给予不同的权重
Figure 802823DEST_PATH_IMAGE012
）。
3、网络训练：将训练集和测试集数据输入到网络中，网络使用Adam优化器、初始学习率为0.001进行训练，训练过程中，使用仿射变换和弹性变换进行数据增广，最后训练完成得到网络的网络参数。
4、训练好的网络，并部署到实际的系统中，扫描部位重建出高排数图像，输入到网络中，得到目标图像。测试结果如图5所示。
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锥形束扫描图像重建方法，其特征在于，包括步骤：
（1）、创建CT扫描数据集：分别用低排数CT设备和高排数CT设备对患者的同一部位进行扫描，得到对应的低排数投影数据和高排数投影数据；
（2）、对数据进行预处理生成训练集：收集m例不同扫描部位的投影数据，分别对低排数投影数据和高排数投影数据进行重建，得到对应的低排数重建图像和高排数重建图像；根据高排数重建图像生成数据完备性map；
分别对所有低排数重建图像、高排数重建图像和数据完备性map进行坐标转换，将图像由直角坐标系转移到具有平移不变性的坐标系中，得到对应的低排数坐标变换图像、高排数坐标变换图像和数据完备性map坐标变换图像；
（3）、设计网络结构和损失函数：构建U-Net神经网络作为图像增强显示网络，损失函数中包括数据完备性map的权重项；步骤（2）中得到的高排数坐标变换图像及其对应的数据完备性map坐标变换图像分别作为神经网络的第一输入和第二输入，神经网络的输出为低排数坐标变换图像；
（4）、使用Adam优化器、初始学习率为0.001对神经网络进行训练，训练过程中，使用仿射变换和弹性变换进行数据增广，最后训练完成得到图像增强显示网络的网络参数，将训练好的网络部署到CT扫描系统中；
（5）、在所述CT扫描系统中对患者进行CT扫描，输出经神经网络处理的目标图像，供医生查阅；
所述步骤（2）中，根据高排数重建图像生成数据完备性map，即通过Radon逆变换生成数据完备性map，Radon逆变换具体公式为：
Figure 187638DEST_PATH_IMAGE001
其中，投影图像
Figure 404993DEST_PATH_IMAGE002
上的一条直线
Figure 221770DEST_PATH_IMAGE003
可以由两个参数指定，即到原点
Figure 945007DEST_PATH_IMAGE004
的距离，以及图像 平面中垂直于
Figure 14113DEST_PATH_IMAGE003
的矢量
Figure 707262DEST_PATH_IMAGE005
，D为X射线源到旋转中心的距离，
Figure 440863DEST_PATH_IMAGE006
为投影图像平面中 的向量，
Figure 662897DEST_PATH_IMAGE007
是斜入射角的余弦加权。
2.根据权利要求1所述的一种CT锥形束扫描图像重建方法，其特征在于：所述步骤（2）中，坐标变换采用小波变换、曲波变换、轮廓波变换或极坐标变换中的任一种。
3.根据权利要求1所述的一种CT锥形束扫描图像重建方法，其特征在于：所述步骤（3）中，损失函数的公式：
Figure 13107DEST_PATH_IMAGE008
其中，n表示像素，
Figure 978789DEST_PATH_IMAGE009
为预测图中像素n的值，
Figure 832475DEST_PATH_IMAGE010
为真实图中像素n的值，
Figure 959831DEST_PATH_IMAGE011
为数据完 备性map中的像素n的权重，N为图像像素的总数，C为神经网络第一个输入和输出的通道数，
Figure 59987DEST_PATH_IMAGE012
为平移变换后不同分量对应的权重。
4.根据权利要求1所述的一种CT锥形束扫描图像重建方法，其特征在于：所述步骤（1）中，通过数值模拟仿真的方式，用低排CT数设备和高排数CT设备，对数字体膜进行CT投影仿真，得到第一扫描数据和第二扫描数据。
5.一种扫描系统，执行权利要求1~4任一所述方法，其特征在于，包括：
CT扫描模块，包括低排数CT设备和高排数CT设备，用于对患者进行扫描，得到对应的低排数投影数据和高排数投影数据；
图像重建模块，用于对低排数投影数据和高排数投影数据进行重建，得到对应的低排数重建图像和高排数重建图像；
图像处理模块，用于根据高排数重建图像生成数据完备性map；且对所有高排数重建图像和数据完备性map进行坐标转换，将图像由直角坐标系转移到具有平移不变性的坐标系中，得到对应的高排数坐标变换图像和数据完备性map坐标变换图像；
神经网络模块，将高排数坐标变换图像及其对应的数据完备性map坐标变换图像分别作为第一输入和第二输入，经神经网络处理后输出为更正重建图像的坐标变换图像；
图像输出模块，用于输出供医生查阅的图像。
6.一种存储介质，其特征在于：所述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图像增强显示方法。
CN202011316469.8A 2020-11-23 2020-11-23 Ct锥形束扫描图像重建方法、扫描系统及存储介质 Active CN112102428B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011316469.8A CN112102428B (zh) 2020-11-23 2020-11-23 Ct锥形束扫描图像重建方法、扫描系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011316469.8A CN112102428B (zh) 2020-11-23 2020-11-23 Ct锥形束扫描图像重建方法、扫描系统及存储介质

Publications (2)

Publication Number Publication Date
CN112102428A CN112102428A (zh) 2020-12-18
CN112102428B true CN112102428B (zh) 2021-02-09

Family

ID=73785761

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011316469.8A Active CN112102428B (zh) 2020-11-23 2020-11-23 Ct锥形束扫描图像重建方法、扫描系统及存储介质

Country Status (1)

Country Link
CN (1) CN112102428B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113192155B (zh) * 2021-02-04 2023-09-26 南京安科医疗科技有限公司 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质
CN113269846B (zh) * 2021-05-24 2023-03-14 深圳安科高技术股份有限公司 一种ct全扫描图像重建方法、装置和终端设备
CN113269847B (zh) * 2021-05-24 2024-08-02 深圳安科高技术股份有限公司 基于短扫描的ct图像重建方法、装置、设备及存储介质
CN116051463A (zh) * 2022-11-04 2023-05-02 中国科学院深圳先进技术研究院 医学图像处理方法、装置、计算机设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101138506A (zh) * 2007-10-11 2008-03-12 上海交通大学 基于螺旋马鞍线的锥形束ct重建方法
CN110335325A (zh) * 2019-06-27 2019-10-15 深圳安科高技术股份有限公司 一种ct图像重建方法及其系统
CN110349234A (zh) * 2019-06-27 2019-10-18 深圳安科高技术股份有限公司 一种ct锥形束图像重建方法及其系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101138506A (zh) * 2007-10-11 2008-03-12 上海交通大学 基于螺旋马鞍线的锥形束ct重建方法
CN110335325A (zh) * 2019-06-27 2019-10-15 深圳安科高技术股份有限公司 一种ct图像重建方法及其系统
CN110349234A (zh) * 2019-06-27 2019-10-18 深圳安科高技术股份有限公司 一种ct锥形束图像重建方法及其系统

Also Published As

Publication number Publication date
CN112102428A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN112102428B (zh) Ct锥形束扫描图像重建方法、扫描系统及存储介质
US11120582B2 (en) Unified dual-domain network for medical image formation, recovery, and analysis
EP3506209B1 (en) Image processing method, image processing device and storage medium
Kuanar et al. Low dose abdominal CT image reconstruction: an unsupervised learning based approach
CN108898642B (zh) 一种基于卷积神经网络的稀疏角度ct成像方法
CN110599420B (zh) 基于深度学习的ct图像分块重建方法及系统
Ye et al. Deep residual learning for model-based iterative ct reconstruction using plug-and-play framework
CN104574456B (zh) 一种基于图正则化稀疏编码的磁共振超欠采样k数据成像方法
CN110717956A (zh) 一种有限角投影超像素引导的l0范数最优化重建方法
US20180089864A1 (en) Cbct image processing method
Okamoto et al. Artifact reduction for sparse-view CT using deep learning with band patch
CN112163998A (zh) 一种匹配自然降质条件的单图像超分辨率分析方法
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
CN112070856B (zh) 基于非下采样轮廓波变换的有限角c型臂ct图像重建方法
CN117523095A (zh) 一种基于深度学习的稀疏角度THz-CT图像重建方法
CN117475018A (zh) 一种ct运动伪影去除方法
Sun et al. A lightweight dual-domain attention framework for sparse-view CT reconstruction
CN116843779A (zh) 直线扫描探测器微分bpf重建图像稀疏伪影校正方法
CN112070704A (zh) 一种基于紧小波框架的双正则化有限角ct图像重建方法
CN105976412A (zh) 一种基于离线字典稀疏正则化的低管电流强度扫描的ct图像重建方法
CN113192155B (zh) 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质
CN115239836A (zh) 一种基于端到端神经网络的极端稀疏视角ct重建方法
CN115018950A (zh) 基于预条件矩阵的快速有限角扇束ct图像重建方法
CN112529980B (zh) 一种基于极大极小化的多目标有限角ct图像重建方法
Zhong et al. Super-resolution image reconstruction from sparsity regularization and deep residual-learned priors

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