CN112233030B - 一种基于深度学习的ct投影几何校正方法 - Google Patents
一种基于深度学习的ct投影几何校正方法 Download PDFInfo
- Publication number
- CN112233030B CN112233030B CN202011103405.XA CN202011103405A CN112233030B CN 112233030 B CN112233030 B CN 112233030B CN 202011103405 A CN202011103405 A CN 202011103405A CN 112233030 B CN112233030 B CN 112233030B
- Authority
- CN
- China
- Prior art keywords
- offset
- projection
- geometric
- data
- neural network
- 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 57
- 238000012937 correction Methods 0.000 title claims abstract description 38
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000033001 locomotion Effects 0.000 claims abstract description 16
- 238000002591 computed tomography Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 229910052704 radon Inorganic materials 0.000 claims description 4
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 210000001015 abdomen Anatomy 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013170 computed tomography imaging Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 229920001971 elastomer Polymers 0.000 description 1
- 239000000806 elastomer Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000004197 pelvis Anatomy 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
- G06T5/80—Geometric correction
-
- 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
本发明公开了一种基于深度学习的CT投影几何校正方法，其中，包含以下步骤：步骤A1：通过CT扫描获得CT原始投影数据；步骤A2：将CT原始投影数据经过神经网络后输出几何偏移向量；步骤A3：根据几何偏移向量对CT原始投影数据做修正并重建，得到无运动伪影的CT图像，能够实时自动获得几何校正偏移量，可用于修正投影或重建系统矩阵，去除机械或患者运动引发的伪影，实现更精确的诊断治疗。
Description
技术领域
本发明涉及CT成像领域，具体涉及一种基于深度学习的CT投影几何校正方法。
背景技术
CT扫描过程中的机械抖动或病人呼吸，心跳等运动均会使重建图像产生运动伪影，严重影响诊断和治疗，对于刚性运动，通常使用外部运动检测设备进行几何校正或基于投影图像信息等计算几何偏移；对于呼吸心跳等非刚性运动，主流的解决办法是使用呼吸检测仪和心电图来检测呼吸和心跳，使得CT可以在呼吸静止和心跳同一时间进行扫描，其缺陷是需借助外部模体，成本较高。
目前也有一些技术不需要外部检测仪，而利用算法来进行几何校正，如申请号为201680026497.1的一种X射线CT的自动系统校准方法，但其提供的技术方案存在计算费时的问题，无法实现实时校正的问题。
因此，本领域亟需研发一种可以克服上述缺陷，能提高几何校正的运算速度，能自动实时获得各角度下的投影偏移，消除重建图像几何运动伪影，也无需借助外部模体的CT投影几何校正方法。
发明内容
本发明要解决的技术问题是现有的几何校正方法存在计算或扫描费时的问题，无法实现实时校正的问题，本发明提供一种基于深度学习的CT投影几何校正方法，CT投影相互错位的偏移量可通过基于深度学习的神经网络进行预测，实时自动获得几何校正偏移量，可用于修正投影或重建系统矩阵，实现CT投影的几何校正，去除机械或患者运动引发的伪影，实现更精确的诊断治疗；利用CT投影存在的正弦特性，借助回归类卷积神经网络对于位置的敏感性，自动实时获得各角度下的投影偏移，将该偏移量用于修正投影，消除重建图像几何运动伪影，本发明可以提高几何校正的运算速度，也无需借助外部模体，成本更低，用以解决现有技术导致的缺陷。
为解决上述技术问题本发明提供以下的技术方案：一种基于深度学习的CT投影几何校正方法，其中，包含以下步骤：
步骤A1：通过CT扫描获得CT原始投影数据；
步骤A2：将CT原始投影数据经过回归类卷积神经网络后输出几何偏移向量；
步骤A3：根据几何偏移向量对CT原始投影数据做修正并重建，得到无运动伪影的CT图像。
上述步骤A2中的神经网络需要经过训练获得优化的神经网络参数，神经网络训练方法包括以下步骤：选择网络，确定目标函数和损失函数；生成数据，数据包括样本和标签，将数据分为训练集和验证集；将数据输入网络进行训练，对网络参数进行多次迭代，使每次迭代都可能降低损失函数的值；将最后一次迭代的参数作为网络参数；
其中采用的回归类卷积神经网络由卷积模块和全连接模块组成，可解决对具体数值的预测，网络通过训练大量数据提取正弦图特征，目标函数输入为完善或不完善的正弦图，输出为几何偏移向量，表示各扫描角度下的投影偏移；损失函数衡量预测的几何偏移向量与实际几何偏移向量的误差；为了防止过拟合并使训练更容易，通常在训练工程中使用丢弃法，加入批量归一化层等。
上述的一种基于深度学习的CT投影几何校正方法，其中，所述卷积模块由数个卷积层、数个激活函数、数个最大池化层组成；
所述全连接模块由数个全连接层、数个激活函数组成。
上述一种基于深度学习的CT投影几何校正方法，其中，所述生成数据可在无偏移的CT原始投影数据中加入偏移量，组成带偏移的CT原始投影数据，即样本，偏移量即相应的标签。
上述的一种基于深度学习的CT投影几何校正方法，其中，步骤A1中的所述CT原始投影数据各扫描角度可存在不一致的偏移或不存在偏移。
上述的一种基于深度学习的CT投影几何校正方法，其中步骤A3中的所述几何偏移向量为CT扫描各角度下的几何偏移量；步骤A3对CT投影数据做修正并重建，可使用解析或迭代重建算法进行重建；当使用解析重建算法时，将CT扫描获得的CT原始投影数据根据对应角度下的几何偏移量进行移动组成修正后的CT投影数据，再进行重建；当使用迭代重建算法时，将几何偏移向量带入算法中用于获得正确的系统矩阵进行重建。
上述的一种基于深度学习的CT投影几何校正方法，其中，所述网络训练使用了一种用于神经网络训练的数据扩增方法。
上述的一种基于深度学习的CT投影几何校正方法，其中，所述数据扩增方法包含以下步骤：
步骤B1：利用随机数构造生成各种各样的偏移曲线；
步骤B2：对不同部位的CT图像进行模拟投影，得到投影图；
步骤B3：将步骤B2得到的投影图与步骤B1得到的偏移曲线结合，构造存在偏移的投影。
上述的一种基于深度学习的CT投影几何校正方法，其中，步骤B1中所述偏移曲线的结合由不同幅度和周期的正弦曲线组合，以模拟CT抖动的物理过程。
上述的一种基于深度学习的CT投影几何校正方法，其中，步骤B2中所述随机曲线的生成包含了加入随机噪声或不加入随机噪声，以扩大模型的适用范围。
依据上述本发明一种基于深度学习的CT投影几何校正方法提供的技术方案具有以下技术效果：
能够实时自动获得几何校正偏移量，可用于修正投影或重建系统矩阵，去除机械或患者运动引发的伪影，实现更精确的诊断治疗；
利用CT投影存在的正弦特性，借助回归类卷积神经网络对于位置的敏感性，自动实时获得各角度下的投影偏移，将该偏移量用于修正投影，消除重建图像几何运动伪影，本发明可以提高几何校正的运算速度，与申请号为201680026497.1的专利相比能够由分钟级甚至小时级提升为秒级，也无需借助外部模体，成本更低。
附图说明
图1为本发明一种基于深度学习的CT投影几何校正方法中回归类卷积神经网络进行几何校正的流程图；
图2为本发明一种基于深度学习的CT投影几何校正方法中Alexnet网络进行几何校正训练示意图；
图3为本发明一种基于深度学习的CT投影几何校正方法中使用Alexnet网络进行几何校正投影及重建结果对比图；
图4为本发明一种基于深度学习的CT投影几何校正方法中对存在不同程度偏移的投影使用Alexnet网络进行几何校正计算的几何偏移与标签对比图；
图5为本发明一种基于深度学习的CT投影几何校正方法中对无偏移的投影使用Alexnet网络进行几何校正计算的几何偏移与标签对比图；
图6为几何偏移前后正弦图对比图。
其中，u为探测器个数,v为投影角度数。
具体实施方式
为了使发明实现的技术手段、创造特征、达成目的和功效易于明白了解，下结合具体图示，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
须知，本说明书所附图式所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
同时，本说明书中所引用的如“上”、“下”、“左”、“右”、“中间”及“一”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
本发明的一较佳实施例是提供一种基于深度学习的CT投影几何校正方法，目的是能够实时自动获得几何校正偏移量，可用于修正投影或重建系统矩阵，去除机械或患者运动引发的伪影，实现更精确的诊断治疗；利用CT投影存在的正弦特性，借助回归类卷积神经网络对于位置的敏感性，自动实时获得各角度下的投影偏移，将该偏移量用于修正投影，消除重建图像几何运动伪影，本发明可以提高几何校正的运算速度，也无需借助外部模体，成本更低。
如图1所示，一种基于深度学习的CT投影几何校正方法，其中，包含以下步骤：
步骤A1：通过CT扫描获得CT原始投影数据；
步骤A2：将CT原始投影数据经过回归类卷积神经网络后输出几何偏移向量；
步骤A3：根据几何偏移向量对CT原始投影数据做修正并重建，得到无运动伪影的CT图像。
上述步骤A2中的神经网络需要经过训练获得优化的神经网络参数，神经网络训练方法包括以下步骤：选择网络，确定目标函数和损失函数；生成数据，数据包括样本和标签，将数据分为训练集和验证集；将数据输入网络进行训练，对网络参数进行多次迭代，使每次迭代都可能降低损失函数的值；将最后一次迭代的参数作为网络参数；
其中，采用的回归类卷积神经网络由卷积模块和全连接模块组成，可解决对具体数值的预测，网络通过训练大量数据提取正弦图特征，目标函数输入为完善或不完善的正弦图，输出为几何偏移向量，表示各扫描角度下的投影偏移；损失函数衡量预测的几何偏移向量与实际几何偏移向量的误差；为了防止过拟合并使训练更容易，通常在训练工程中使用丢弃法，加入批量归一化层等；
其中，卷积模块由数个卷积层、数个激活函数、数个最大池化层组成；
全连接模块由数个全连接层、数个激活函数组成。
其中，生成数据可在无偏移的CT原始投影数据中加入偏移量，组成带偏移的CT原始投影数据，即样本，偏移量即相应的标签。
其中，步骤A1中的CT原始投影数据各扫描角度可存在不一致的偏移或不存在偏移。
其中，步骤A3中的几何偏移向量为CT扫描各角度下的几何偏移量；步骤A3对CT投影数据做修正并重建，可使用解析或迭代重建算法进行重建；当使用解析重建算法时，将CT扫描获得的CT原始投影数据根据对应角度下的几何偏移量进行移动组成修正后的CT投影数据，再进行重建；当使用迭代重建算法时，将几何偏移向量带入算法中用于获得正确的系统矩阵进行重建。
其中，网络训练使用了一种用于神经网络训练的数据扩增方法。
其中，数据扩增方法包含以下步骤：
步骤B1：利用随机数构造生成各种各样的偏移曲线；
步骤B2：对不同部位的CT图像进行模拟投影，得到投影图；
步骤B3：将步骤B2得到的投影图与步骤B1得到的偏移曲线结合，构造存在偏移的投影。
其中，步骤B1中偏移曲线的结合由不同幅度和周期的正弦曲线组合，以模拟CT抖动的物理过程。
其中，步骤B2中随机曲线的生成包含了加入随机噪声或不加入随机噪声，以扩大模型的适用范围。
具体使用时，网络选择采用Alexnet网络，对其进行修改，使其成为回归类卷积神经网络用于训练数据，其输入由3通道变为1通道，输出通道由1000变为227，损失函数由softmax改为求标签和网络输出的均方误差(Mean Square Error，MSE)，其训练问题为下式最小化求解：
其中N为训练样本数，sn为一个样本，pn为其对应的标签，F为范数，H为我们要求解的目标函数；
具体网络结构如图2所示，其中卷积模块包含5层卷积层，全连接模块包含3层全连接层，卷积层和全连接层后都接relu激活函数；
其中生成数据为在本实例中使用头部，胸部，腹部和盆骨的CT图像经radon变换处理得到无偏移的投影(探测器个数及投影角度数均为227)，加入由如下公式随机生成的曲线，构造存在偏移的投影，该偏移投影为输入数据，即样本，而曲线则为相应的标签：
其中a0及am均为0到5内的随机数，θ为0到360的随机数，x是扫描角度值，noise是噪声值；
生成的数据共4126组，其中80％为训练集，20％为验证集，输入网络中进行200次迭代得到优化的网络参数；
其中重建方法采用解析重建算法的滤波反投影(Filter Back Projection,FBP)，验证集中选择两组数据，第一组数据各角度存在不同程度的偏移，第二组数据无偏移，将输入数据经训练后网络得到预测的几何偏移向量，将输入数据根据对应角度下的几何偏移量进行移动组成修正后的CT投影数据，再使用FBP进行重建，图3(a),(b),(e),(f)分别为第一组数据校正前后的投影及相对应的重建图，图3(c),(d),(g),(h)分别为第二组数据校正前后的投影及相对应的重建图，图4-5分别为两组数据标签及经网络计算的几何偏移曲线对比，网络计算偏移量与标签能较好吻合，表明网络能较好计算几何偏移量，实现几何校正。
CT投影，因具有正弦特性，也叫正弦图，在扫描过程中因机械抖动或病人呼吸，心跳等运动会使得获得的投影相互错位而无法形成平滑完善的正弦图，如图6所示；
Alexnet网络是一种卷积神经网络模型，参考文献Krizhevsky A,Sutskever I,Hinton G E.ImageNet classification with deep convolutional neural networks[C]//International Conference on Neural Information Processing Systems.CurranAssociates Inc.2012:1097-1105；
Softmax是一种回归模型，在深度学习中主要用于分类；
均方误差(Mean Square Error，MSE)，其用于计算两者的差异；
radon变换，参考文献Deans SR,The radon transform and some of itsaoolications.Jone Wiley&Sons,New York,1983；
滤波反投影(Filter Back Projection,FBP)是一种CT解析重建算法，参考文献Zeng G,Gullberg G,editors.Ray-driven backprojector for backprojectionfiltering and filtered backprojection algorithms.Proceedings of the 1993IEEENuclear Science Symposium&Medical Imaging Conference；1994:Publ by IEEE。
综上，本发明的一种基于深度学习的CT投影几何校正方法，能够实时自动获得几何校正偏移量，可用于修正投影或重建系统矩阵，去除机械或患者运动引发的伪影，实现更精确的诊断治疗；利用CT投影存在的正弦特性，借助回归类卷积神经网络对于位置的敏感性，自动实时获得各角度下的投影偏移，将该偏移量用于修正投影，消除重建图像几何运动伪影，本发明可以提高几何校正的运算速度，也无需借助外部模体。
以上对发明的具体实施例进行了描述。需要理解的是，发明并不局限于上述特定实施方式，其中未尽详细描述的设备和结构应该理解为用本领域中的普通方式予以实施；本领域技术人员可以在权利要求的范围内做出各种变形或修改做出若干简单推演、变形或替换，这并不影响发明的实质内容。
Claims (7)
1.一种基于深度学习的CT投影几何校正方法，其特征在于，包含以下步骤：
步骤A1：通过CT扫描获得CT原始投影数据；
步骤A2：将CT原始投影数据经过神经网络后输出几何偏移向量；其中，所述神经网络为回归类卷积神经网络，所述回归类卷积神经网络由卷积模块与全连接模块组成；所述神经网络通过训练大量数据提取正弦图特征，目标函数输入为完善或不完善的正弦图，输出为几何偏移向量，表示各扫描角度下的投影偏移；
网络训练使用了一种用于神经网络训练的数据扩增方法；所述数据扩增方法包含以下步骤：
步骤B1：利用随机数构造生成各种各样的偏移曲线；
步骤B2：对不同部位的CT图像进行模拟投影，得到投影图；
步骤B3：将步骤B2得到的投影图与步骤B1得到的偏移曲线结合，构造存在偏移的投影；
其中构造的生成数据为CT图像经radon变换处理得到无偏移的投影，加入由如下公式随机生成的偏移量，构造存在偏移的投影，该偏移投影为输入数据，即样本，而偏移量则为相应的标签：
其中a0及am均为0到5内的随机数，θ为0到360的随机数，x是扫描角度值，noise是噪声值，f(x)为偏移量；
步骤A3：根据几何偏移向量对CT原始投影数据做修正并重建，得到无运动伪影的CT图像。
2.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，所述卷积模块由数个卷积层、数个激活函数、数个最大池化层组成；
所述全连接模块由数个全连接层、数个激活函数组成。
3.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤A1中的所述CT原始投影数据各扫描角度可存在不一致的偏移或不存在偏移。
4.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤A2中的所述回归类卷积神经网络在进行网络训练过程中可加入丢弃法和批量归一化层。
5.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤B1中所述偏移曲线的结合由不同幅度和周期的正弦曲线组合，以模拟CT抖动的物理过程。
6.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤B2中所述随机曲线的生成包含了加入随机噪声或不加入随机噪声的情况，以扩大模型的适用范围。
7.如权利要求1所述的一种基于深度学习的CT投影几何校正方法，其特征在于，步骤A3中的所述几何偏移向量为CT扫描各角度下的几何偏移量；
所述CT原始投影数据的修正并重建使用解析重建算法或迭代重建算法进行修正并重建；
使用解析重建算法时，将CT扫描获得的所述CT原始投影数据根据对应角度下的几何偏移量进行移动组成修正后的CT投影数据，再进行重建；
使用迭代重建算法时，将几何偏移向量带入算法中用于获得正确的系统矩阵进行重建。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011103405.XA CN112233030B (zh) | 2020-10-15 | 2020-10-15 | 一种基于深度学习的ct投影几何校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011103405.XA CN112233030B (zh) | 2020-10-15 | 2020-10-15 | 一种基于深度学习的ct投影几何校正方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112233030A CN112233030A (zh) | 2021-01-15 |
| CN112233030B true CN112233030B (zh) | 2023-01-03 |
Family
ID=74117299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011103405.XA Active CN112233030B (zh) | 2020-10-15 | 2020-10-15 | 一种基于深度学习的ct投影几何校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112233030B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114018962B (zh) * | 2021-11-01 | 2024-03-08 | 北京航空航天大学宁波创新研究院 | 一种基于深度学习的同步多螺旋计算机断层成像方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101584587A (zh) * | 2008-05-21 | 2009-11-25 | 中国科学院过程工程研究所 | 一种ct投影中心的自动校正方法 |
| CN101750430A (zh) * | 2009-06-10 | 2010-06-23 | 中国科学院自动化研究所 | X射线计算机断层成像系统的几何校正方法 |
| CN103519833A (zh) * | 2013-06-05 | 2014-01-22 | 东南大学 | 一种旋转c型臂x射线机的三维校正重建方法 |
| CN105023251A (zh) * | 2015-07-07 | 2015-11-04 | 苏州海斯菲德信息科技有限公司 | 一种高分辨锥束ct系统的几何校正方法 |
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| WO2019010648A1 (en) * | 2017-07-12 | 2019-01-17 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR CORRECTION TO AIR |
| CN109801234A (zh) * | 2018-12-28 | 2019-05-24 | 南京美乐威电子科技有限公司 | 图像几何校正方法及装置 |
| CN109816742A (zh) * | 2018-12-14 | 2019-05-28 | 中国人民解放军战略支援部队信息工程大学 | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 |
| CN110189389A (zh) * | 2019-05-31 | 2019-08-30 | 首都师范大学 | 基于深度学习的双能谱ct投影域基材料分解方法及装置 |
-
2020
- 2020-10-15 CN CN202011103405.XA patent/CN112233030B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101584587A (zh) * | 2008-05-21 | 2009-11-25 | 中国科学院过程工程研究所 | 一种ct投影中心的自动校正方法 |
| CN101750430A (zh) * | 2009-06-10 | 2010-06-23 | 中国科学院自动化研究所 | X射线计算机断层成像系统的几何校正方法 |
| CN103519833A (zh) * | 2013-06-05 | 2014-01-22 | 东南大学 | 一种旋转c型臂x射线机的三维校正重建方法 |
| CN105023251A (zh) * | 2015-07-07 | 2015-11-04 | 苏州海斯菲德信息科技有限公司 | 一种高分辨锥束ct系统的几何校正方法 |
| WO2019010648A1 (en) * | 2017-07-12 | 2019-01-17 | Shenzhen United Imaging Healthcare Co., Ltd. | SYSTEM AND METHOD FOR CORRECTION TO AIR |
| CN107945132A (zh) * | 2017-11-29 | 2018-04-20 | 深圳安科高技术股份有限公司 | 一种基于神经网络的ct图像的伪影校正方法及装置 |
| CN109816742A (zh) * | 2018-12-14 | 2019-05-28 | 中国人民解放军战略支援部队信息工程大学 | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 |
| CN109801234A (zh) * | 2018-12-28 | 2019-05-24 | 南京美乐威电子科技有限公司 | 图像几何校正方法及装置 |
| CN110189389A (zh) * | 2019-05-31 | 2019-08-30 | 首都师范大学 | 基于深度学习的双能谱ct投影域基材料分解方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112233030A (zh) | 2021-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109509235B (zh) | Ct图像的重建方法、装置、设备及存储介质 | |
| CN109816742B (zh) | 基于全连接卷积神经网络的锥束ct几何伪影去除方法 | |
| CN110047113A (zh) | 神经网络训练方法和设备、图像处理方法和设备和存储介质 | |
| US10925568B2 (en) | Apparatus and method using physical model based deep learning (DL) to improve image quality in images that are reconstructed using computed tomography (CT) | |
| CN110728729B (zh) | 一种基于注意机制的无监督ct投影域数据恢复方法 | |
| Yuan et al. | SIPID: A deep learning framework for sinogram interpolation and image denoising in low-dose CT reconstruction | |
| CN110298447B (zh) | 用于处理机器学习方法的参数的方法以及重建方法 | |
| JP2012512730A (ja) | 医療用途のデジタルｘ線画像の対象領域における明るさレベルを計算する方法 | |
| CN111127579A (zh) | 一种基于神经网络去锥形束伪影的ct重建方法 | |
| CN110060315B (zh) | 一种基于人工智能的图像运动伪影消除方法及系统 | |
| Gajera et al. | CT-scan denoising using a charbonnier loss generative adversarial network | |
| JP7475979B2 (ja) | Ｘ線システム及び撮像プログラム | |
| WO2023138197A1 (zh) | 图像重建方法及训练方法、装置、设备及存储介质 | |
| CN112233030B (zh) | 一种基于深度学习的ct投影几何校正方法 | |
| JP2022161857A (ja) | 深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法 | |
| CN112767273B (zh) | 一种应用特征解耦的低剂量ct图像修复方法及系统 | |
| Kim et al. | Sparsier2Sparse: Self‐supervised convolutional neural network‐based streak artifacts reduction in sparse‐view CT images | |
| JP7430232B2 (ja) | グラフ学習に基づくスパース投影再構成方法 | |
| CN117197349A (zh) | 一种ct图像重建方法及装置 | |
| Xie et al. | Joint reconstruction and calibration using regularization by denoising with application to computed tomography | |
| CN116740215A (zh) | 四维ct图像重建方法、装置、医疗设备及存储介质 | |
| CN115100308B (zh) | 用于去除ct伪影的神经网络训练方法及系统 | |
| CN110827370B (zh) | 一种非等厚构件的多能ct循环迭代重建方法 | |
| CN110264536B (zh) | 一种在平行束超分重建中计算高低分辨率投影关系的方法 | |
| CN113192155A (zh) | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230508 Address after: 201612 Room 202, 3rd floor, No.6 Lane 780, Xinge Road, Xinqiao Town, Songjiang District, Shanghai Patentee after: Shanghai youyiji Medical Technology Co.,Ltd. Address before: Room 106, 1st floor, building 1, 3279 Sanlu Road, Minhang District, Shanghai, 201112 Patentee before: Shanghai youyiji medical equipment Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |