CN112435307A - 一种深度神经网络辅助的四维锥束ct影像重建方法 - Google Patents
一种深度神经网络辅助的四维锥束ct影像重建方法 Download PDFInfo
- Publication number
- CN112435307A CN112435307A CN202011354393.8A CN202011354393A CN112435307A CN 112435307 A CN112435307 A CN 112435307A CN 202011354393 A CN202011354393 A CN 202011354393A CN 112435307 A CN112435307 A CN 112435307A
- Authority
- CN
- China
- Prior art keywords
- image
- projection
- reconstruction
- time phase
- deformation field
- 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
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
-
- 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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/421—Filtered back projection [FBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2211/00—Image generation
- G06T2211/40—Computed tomography
- G06T2211/424—Iterative
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
本发明公开了一种深度神经网络辅助的四维锥束CT影像重建方法,包括:(1)获取投影数据,并对投影数据按照呼吸时相进行分组,得到时相投影图;(2)对时相投影图进行重建,得到带有的伪影的初始锥束CT图像;(3)利用基于深度神经网络构建的去伪影模型对初始锥束CT图像进行去伪影处理,得到时相重建图像;(4)基于时相重建图像,将其他时相重建图像与初始时相重建图像进行柔性配准获得其他时相重建图像相对于初始时相重建图像的正形变场和逆形变场;(5)基于时相投影图及对应的正形变场和逆形变场,进行运动补偿重建,获得四维锥束CT影像。能够实现以对单次常规锥束CT扫描中获得病人的四维锥束CT图像。
Description
技术领域
本发明属于图像重建技术领域,尤其涉及一种深度神经网络辅助的四维锥束CT影像重建方法。
背景技术
在放射治疗中减少目标定位误差十分重要。减少放疗中由于肿瘤运动带来的目标定位误差对提升肿瘤控制效果和降低的正常组织因放疗收到的毒性有很大帮助。立体定向放疗(SBRT)正在成为一种新兴的,有效的抑制和治疗肺癌和肝癌等肿瘤的放射治疗方法。呼吸运动会使得肺部以及肺部周边的脏器如胰腺、肝脏以及肺部及周边脏器部位的肿瘤产生位移,是放疗中肿瘤运动的主要影响因素。在SBRT治疗中,锥束CT被用来在放疗前对病人进行成像,以矫正放疗计划,使得高能X射线能够更精准的投放到肿瘤靶区。常规锥束CT扫描难以处理在扫描中病人的呼吸运动对图像的影响,也难以捕捉到肿瘤的运动情况。
近年来,四维锥束CT和四维数字断层成像方法被开发出来,通过在病人身上放置标志物,并通过外部传感器对呼吸运动情况进行捕捉,从而筛选出不同时相的投影。然而常规的四维锥束CT需要获得每个时相的全角度投影,因此需要较长的采集时间(约数分钟),病人也需要接收更高的辐射剂量。而四维数字断层成像方式,可以在有限角度的投影下进行重建,因此扫描时间和剂量都会更少。但该种成像方式不能重建出完整的体积信息,因此受到限制。有研究团队将呼吸门控技术加入到四维锥束CT扫描中来,可以有效减少四维锥束CT的辐射剂量,但仍无法有效缩小扫描时间,且该方法需要改动现有放疗机的锥束CT成像设备,使用难度较高,临床实用性差。在现有硬件基础上,如何更好的捕捉受呼吸运动影响的肿瘤的运动信息,获得四维的锥束CT影像是当前的SBRT中锥束CT成像方面的一个限制。因此有团队在图像重建的方向提出了改进措施。有团队提出出建立运动模型和基于先验知识的方法用于从单次锥束CT扫描中获得四维锥束CT影像。基于运动模型的方法前期通过建立病人的呼吸运动和器官变形的模型来辅助修正重建过程,但器官变形模型建立难度大,不同病人之间差异较大,使用时对病人的差异敏感,因此临床实用性不高。基于先验知识的方法使用病人术前获得的计划CT影像,通过与锥束CT的变形配准,获得锥束CT对应状态的计划CT影像。由于锥束CT图像质量与计划CT图像质量相差较大,在直接变形配准时误差较大,而使用先验知识辅助修正重建过程的方法,对于先验知识依赖较大,在使用时可能会面临信息缺失的限制。因此如何在现有硬件基础上改进图像重建算法,且不依赖先验知识是目前急需解决的一个问题。四维锥束CT图像由于呼吸时相筛选导致的投影角度缺失,是图像质量差的主要因素之一。近年来深度学习在图像填充方面有了一些发展,可以用来恢复信息缺失的图像。将深度学习技术用于恢复投影角度缺失的锥束CT图像,即可将其作为模板图像,提升图像配准的精度,获得运动形变场,补偿重建过程。深度学习网络通过大量数据训练构建的模型有着更高的适用性,对不同病人的处理适用能力更高,将有助于突破现有技术在使用时的限制。
发明内容
为了克服现有技术的不足,本发明提供了一种深度神经网络辅助的四维锥束CT影像重建方法,以对单次常规锥束CT扫描他图像中获得病人的四维锥束CT图像。
本发明采用的技术方案为:
一种深度神经网络辅助的四维锥束CT影像重建方法,包括以下步骤:
(1)获取投影数据,并对投影数据按照呼吸时相进行分组,得到时相投影图;
(2)对时相投影图进行重建,得到带有的伪影的初始锥束CT图像;
(3)利用基于深度神经网络构建的去伪影模型对初始锥束CT图像进行去伪影处理,得到时相重建图像;
(4)基于时相重建图像,将其他时相重建图像与初始时相重建图像进行柔性配准获得其他时相重建图像相对于初始时相重建图像的正形变场和逆形变场;
(5)基于时相投影图及对应的正形变场和逆形变场,进行运动补偿重建,获得四维锥束CT影像。
优选地,所述基于深度神经网络构建的去伪影模型的构建过程为:
获取虚拟的锥束CT投影数据,并对锥束CT投影数据进行数据增强,根据呼吸运动幅度曲线获得一组初始投影角度分布,并对每个时相的投影角度进行数据增强,获得多组呼吸时相对应的投影角度分布,根据数据增强后的锥束CT投影数据和多组呼吸时相对应的投影角度分布,采用滤波反投影方法进行重建,获得多组呼吸时相对应的带有伪影的重建图像作为深度神经网络的输入图像,使用全部角度的锥束CT投影数据进行重建获得无伪影的重建图像作为深度神经网络的标签图像,有伪影的重建图像和无伪影的重建图像作为一个样本;
深度神经网络采用包含生成器和判别器的生成式对抗网络,利用样本对生成式对抗网络进行训练,训练结束后提取参数确定的生成器作为去伪影模型。
优选地,所述生成器采用Unet网络或Resnet网络;所述判别器采用多层卷积层。
与现有技术相比,本发明具有的有益效果至少包括:
本发明提供的深度神经网络辅助的四维锥束CT影像重建方法可以在现有放疗设备基础上,不依赖于外部增设位置传感器,可以有效从常规锥束CT扫描中估计出四维锥束CT影像。该方法不会引入更高的辐射剂量,有望运用于现有的临床治疗过程中,提高锥束CT在立体定向放射治疗中的作用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动前提下,还可以根据这些附图获得其他附图。
图1是本发明实施例提供的深度神经网络辅助的四维锥束CT影像重建方法的流程图;
图2是本发明实施例提供的深度神经网络的训练过程图;
图3是本发明实施例提供的去伪影模型去伪影处理结果图;
图4是本发明实施例提供的三种重建方法的重建图像。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明进行进一步的详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不限定本发明的保护范围。
图1是本发明实施例提供的深度神经网络辅助的四维锥束CT影像重建方法的流程图。如图1所示,实施例提供的四维锥束CT影像重建方法包括以下步骤:
步骤1,获取投影数据,并对投影数据按照呼吸时相进行分组,得到时相投影图。
原始投影数据P可以直接从放疗机载锥束CT机获得,使用投影中的肺隔膜位置,判断呼吸时相,对原始投影数据P进行分组,获得时相投影图Pi,i=1,2,3,…,n,n为呼吸时相的个数。
步骤2,对时相投影图进行重建,得到带有的伪影的初始锥束CT图像。
实施例中,采用波反投影方法对分组后的时相投影图Pi进行重建获得带有伪影的初始锥束CT重建图像fi 0。
步骤3,利用基于深度神经网络构建的去伪影模型对初始锥束CT图像进行去伪影处理,得到时相重建图像。
实施例中,将初始锥束CT重建图像fi 0输入至去伪影模型中,经计算实现去伪影处理,得到时相重建图像fi。
实施例中,去伪影模型由端到端结构的生成对抗(GAN)网络训练得到。具体地,如图2所示,构建过程为:
(a)获取计划CT的影像数据,通过虚拟正投获得虚拟的锥束CT投影数据。虚拟正投的几何参数模拟真实的放疗设备中的成像参数。同时考虑到在实际扫描中的位置可能有所不同,因此在原始计划CT数据基础上进行数据增强,随机进行一定程度的平移、旋转,以模拟真实扫描位置和状态。
(b)根据实际呼吸运动幅度曲线获得一组初始的投影角度分布An,即每个呼吸时相对应的投影的扫描角度。对于每个时相的投影角度进行数据增强,通过随机删除、增大或减小一部分投影的角度,获得多组时相对应的投影角度分布其中j为增强的次数。
(c)基于(a)中获得的虚拟投影数据和(b)中的多组呼吸时相对应的投影角度分布,使用滤波反投影方法进行重建,获得该组呼吸时相对应的带有伪影的重建图像fi 0,用来作为生成对抗网络的输入图像;使用全部角度的投影数据进行重建获得无伪影的锥束CT重建图像fi,作为生成对抗网络的输出图像。将重建图像fi 0和锥束CT重建图像fi作为一个训练样本数据;
(d)将训练样本数据输入深度神经网络进行训练,其中,神经网络采用生成对抗网络架构,使用的生成器包括但不限于Unet和Resnet网络架构,判别器有多层卷积层构成,通过训练调节各网络层的参数使得网络输出的图像与训练数据中的无伪影图像差异最小,这种差异包括但不限于图像差的1范数或2范数。
步骤4,基于时相重建图像,将其他时相重建图像与初始时相重建图像进行柔性配准获得其他时相重建图像相对于初始时相重建图像的正形变场和逆形变场。
具体地,柔性配准的过程为:对一组时相重建图像I0和In,即初始时相重建图像和第n个时相重建图像,首先将图像进行降采样,使得图像变为原始图像的1/N,N是2的指数倍,对于该尺度下的图像和存在一组中间柔性形变场T1和T2,利用符号做变形操作,使得与相似度最大,该组T1和T2通过梯度下降的优化方法获得,则此时可以获得和之间的形变场以及相应的逆形变场DR,随后将该组形变场通过插值的方法获得更高尺度的形变场,插值后的形变场尺寸为之前的2倍,并作为初值进行该尺度下图像形变场的优化求解,尺度不断上升直至与原始图像一致,最终获得两个图像之间的柔性形变场,在进行多组时相的图像的形变场提取时,上一组时相的形变场将作为该组形变场求解的初值,以加速求解过程。
步骤5,基于时相投影图及对应的正形变场和逆形变场,进行运动补偿重建,获得四维锥束CT影像。
运动补偿重建时,对每组时相投影图进行一次迭代运动补偿重建,在每次迭代运动补偿重建的过程中,将正形变场和逆形变场补偿到时相投影图的正反投过程中,迭代结束后,获得的重建影像为四维锥束CT影像。
具体地,针对第n个时相投影图Pn的第k次迭代,在正投过程中,对初始时相重建图像补偿其他时相对应的正形变场Di-1,i=2,3,…,n,得到第n个时相对应的重建影像并根据该重建影像获得对应的重建投影图计算该重建投影图与步骤(1)中获得的第n个时相对应的真实投影图Pn的差值Diffk;
在反投过程中,对差值Diffk补偿其他时相对应的逆形变场i=2,3,…,n,得到初始时相对应的补偿数据,并将该补偿数据添加到初始时相重建图像中,更新初始时相重建图像为更新后的初始时相重建图像用于下一次迭代。
运动补偿重建时,使用的重建迭代框架包括但不限于联合代数迭代重建(SART)或快速迭代阈值收缩算法(FISTA)。在达到设定的迭代停止条件后,获得最终的重建图像。
在实施例的一个典型实施方式中,提供的四维锥束CT影像重建方法,包括首先从常规锥束CT扫描中获得的锥束CT投影进行相位筛选。在本示例中,所使用的锥束CT投影从瓦里安公司的Trilogy放疗机机载锥束CT设备获得,扫描方式为half-fan扫描。扫描部分为肝脏,接受了立体定向放射治疗,锥束CT用来校正放疗计划。在本示例中,全部的投影个数为660个,投影被分为10个呼吸时相。在每组投影中,投影首先通过FDK方法进行重建,获得带有伪影的锥束CT图像,而后带有伪影的锥束CT图像经过深度神经网络进行处理,获得高质量的锥束CT图像,如图3所示,图中的显示窗为[0.015 0.025]mm-1。获得高质量的锥束CT图像后,通过柔性配准获得各时相图像之间的形变场。随后形变场被用于补偿到锥束CT的重建中,得到各个时相的重建图像,如图4所示。图4中,从左到右依次为将投影分为10个呼吸时相后分时相重建的锥束CT图像。第一行为直接使用FDK进行图像重建的图像,第二行为使用本发明提出的方法进行重建获得的横断面锥束CT图像,第三行为使用本发明提出的方法进行重建获得的冠状面锥束CT图像,图中的显示窗为[0.015 0.025]mm-1。
上述四维锥束CT影像重建方法可以在现有放疗设备基础上,不依赖于外部增设位置传感器,可以有效从常规锥束CT扫描中估计出四维锥束CT影像。该方法不会引入更高的辐射剂量,有望运用于现有的临床治疗过程中,提高锥束CT在立体定向放射治疗中的作用。
以上所述的具体实施方式对本发明的技术方案和有益效果进行了详细说明,应理解的是以上所述仅为本发明的最优选实施例,并不用于限制本发明,凡在本发明的原则范围内所做的任何修改、补充和等同替换等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种深度神经网络辅助的四维锥束CT影像重建方法,其特征在于,包括以下步骤:
(1)获取投影数据,并对投影数据按照呼吸时相进行分组,得到时相投影图;
(2)对时相投影图进行重建,得到带有的伪影的初始锥束CT图像;
(3)利用基于深度神经网络构建的去伪影模型对初始锥束CT图像进行去伪影处理,得到时相重建图像;
(4)基于时相重建图像,将其他时相重建图像与初始时相重建图像进行柔性配准获得其他时相重建图像相对于初始时相重建图像的正形变场和逆形变场;
(5)基于时相投影图及对应的正形变场和逆形变场,进行运动补偿重建,获得四维锥束CT影像。
2.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法,其特征在于,步骤(2)中,采用滤波反投影方法对时相投影图进行重建,得到带有的伪影的初始锥束CT图像。
3.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法,其特征在于,所述基于深度神经网络构建的去伪影模型的构建过程为:
获取虚拟的锥束CT投影数据,并对锥束CT投影数据进行数据增强,根据呼吸运动幅度曲线获得一组初始投影角度分布,并对每个时相的投影角度进行数据增强,获得多组呼吸时相对应的投影角度分布,根据数据增强后的锥束CT投影数据和多组呼吸时相对应的投影角度分布,采用滤波反投影方法进行重建,获得多组呼吸时相对应的带有伪影的重建图像作为深度神经网络的输入图像,使用全部角度的锥束CT投影数据进行重建获得无伪影的重建图像作为深度神经网络的标签图像,有伪影的重建图像和无伪影的重建图像作为一个样本;
深度神经网络采用包含生成器和判别器的生成式对抗网络,利用样本对生成式对抗网络进行训练,训练结束后提取参数确定的生成器作为去伪影模型。
4.如权利要求3所述的深度神经网络辅助的四维锥束CT影像重建方法,其特征在于,所述生成器采用Unet网络或Resnet网络;所述判别器采用多层卷积层。
5.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法,其特征在于,步骤(4)中,柔性配准过程为:对一组时相重建图像I0和In,即初始时相重建图像和第n个时相重建图像,首先将图像进行降采样,使得图像变为原始图像的1/N,N是2的指数倍,对于该尺度下的图像和存在一组中间柔性形变场T1和T2,利用符号做变形操作,使得与相似度最大,该组T1和T2通过梯度下降的优化方法获得,则此时可以获得和之间的形变场以及相应的逆形变场DR,随后将该组形变场通过插值的方法获得更高尺度的形变场,插值后的形变场尺寸为之前的2倍,并作为初值进行该尺度下图像形变场的优化求解,尺度不断上升直至与原始图像一致,最终获得两个图像之间的柔性形变场,在进行多组时相的图像的形变场提取时,上一组时相的形变场将作为该组形变场求解的初值,以加速求解过程。
6.如权利要求1所述的深度神经网络辅助的四维锥束CT影像重建方法,其特征在于,运动补偿重建时,分别对每组时相投影图进行一次迭代运动补偿重建,在每次迭代运动补偿重建的过程中,将正形变场和逆形变场补偿到其他时相投影图的正反投过程中,迭代结束后,获得的该时相重建影像,每个时相的重建图像组成了四维锥束CT影像。
8.如权利要求1或7所述的深度神经网络辅助的四维锥束CT影像重建方法,其特征在于,运动补偿重建时,采用联合代数迭代重建方法或快速迭代阈值收缩算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354393.8A CN112435307B (zh) | 2020-11-26 | 2020-11-26 | 一种深度神经网络辅助的四维锥束ct影像重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011354393.8A CN112435307B (zh) | 2020-11-26 | 2020-11-26 | 一种深度神经网络辅助的四维锥束ct影像重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112435307A true CN112435307A (zh) | 2021-03-02 |
CN112435307B CN112435307B (zh) | 2022-05-10 |
Family
ID=74699055
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011354393.8A Active CN112435307B (zh) | 2020-11-26 | 2020-11-26 | 一种深度神经网络辅助的四维锥束ct影像重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435307B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034636A (zh) * | 2021-03-09 | 2021-06-25 | 浙江大学 | 基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置 |
CN113643394A (zh) * | 2021-07-22 | 2021-11-12 | 上海联影医疗科技股份有限公司 | 散射校正方法、装置、计算机设备和存储介质 |
CN113812971A (zh) * | 2021-08-27 | 2021-12-21 | 浙江大学 | 一种多自由度四维双能锥束ct成像系统及方法 |
CN115393534A (zh) * | 2022-10-31 | 2022-11-25 | 深圳市宝润科技有限公司 | 基于深度学习的锥束三维dr重建的方法及系统 |
CN115957451A (zh) * | 2021-05-20 | 2023-04-14 | 合肥锐视医疗科技有限公司 | 一种基于双能锥束ct引导的放射治疗装置及图像矫正算法 |
CN115996668A (zh) * | 2022-11-23 | 2023-04-21 | 北京肿瘤医院(北京大学肿瘤医院) | 一种基于四维体表呼吸信号的非接触式四维成像方法和系统 |
CN117036533A (zh) * | 2023-10-10 | 2023-11-10 | 北京理工大学 | 一种用于同轴相位衬度成像的稀疏角ct重建方法和系统 |
CN117372565A (zh) * | 2023-12-06 | 2024-01-09 | 合肥锐视医疗科技有限公司 | 一种基于神经网络时相判别的呼吸门控ct成像方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006075333A2 (en) * | 2005-01-13 | 2006-07-20 | Spectrum Dynamics Llc | Multi-dimensional image reconstruction and analysis for expert-system diagnosis |
WO2019005180A1 (en) * | 2017-06-26 | 2019-01-03 | Elekta, Inc. | METHOD FOR ENHANCING CT QUALITY QUALITY WITH CONIC BEAM THROUGH DEEP CONVOLUTIVE NEURAL NETWORK |
WO2019051464A1 (en) * | 2017-09-11 | 2019-03-14 | Lang Philipp K | INCREASED REALITY DISPLAY FOR VASCULAR AND OTHER INTERVENTIONS, COMPENSATION FOR CARDIAC AND RESPIRATORY MOVEMENT |
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 |
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 |
US20190329072A1 (en) * | 2018-04-30 | 2019-10-31 | Elekta, Inc. | Phantom for adaptive radiotherapy |
CN111696166A (zh) * | 2020-06-10 | 2020-09-22 | 浙江大学 | 基于fdk型预处理矩阵的圆周锥束ct快速迭代重建方法 |
-
2020
- 2020-11-26 CN CN202011354393.8A patent/CN112435307B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2006075333A2 (en) * | 2005-01-13 | 2006-07-20 | Spectrum Dynamics Llc | Multi-dimensional image reconstruction and analysis for expert-system diagnosis |
WO2019005180A1 (en) * | 2017-06-26 | 2019-01-03 | Elekta, Inc. | METHOD FOR ENHANCING CT QUALITY QUALITY WITH CONIC BEAM THROUGH DEEP CONVOLUTIVE NEURAL NETWORK |
WO2019051464A1 (en) * | 2017-09-11 | 2019-03-14 | Lang Philipp K | INCREASED REALITY DISPLAY FOR VASCULAR AND OTHER INTERVENTIONS, COMPENSATION FOR CARDIAC AND RESPIRATORY MOVEMENT |
US20190329072A1 (en) * | 2018-04-30 | 2019-10-31 | Elekta, Inc. | Phantom for adaptive radiotherapy |
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 |
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 |
CN111696166A (zh) * | 2020-06-10 | 2020-09-22 | 浙江大学 | 基于fdk型预处理矩阵的圆周锥束ct快速迭代重建方法 |
Non-Patent Citations (2)
Title |
---|
YANGKANG JIANG ET AL.: "Scatter correction of cone-beam CT using a deep residual convolution neural network (DRCNN)", 《PHYSICS IN MEDICINE & BIOLOGY》 * |
杨春林: "锥束CT迭代重建及阴影伪影修正技术研究", 《中国优秀博硕士学位论文全文数据库(硕士) 医药卫生科技辑》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034636A (zh) * | 2021-03-09 | 2021-06-25 | 浙江大学 | 基于跨尺度多能谱ct标签的锥束ct图像质量改善方法和装置 |
CN115957451A (zh) * | 2021-05-20 | 2023-04-14 | 合肥锐视医疗科技有限公司 | 一种基于双能锥束ct引导的放射治疗装置及图像矫正算法 |
CN115957451B (zh) * | 2021-05-20 | 2023-09-08 | 合肥锐视医疗科技有限公司 | 一种基于双能锥束ct引导的放射治疗装置及图像矫正算法 |
CN113643394A (zh) * | 2021-07-22 | 2021-11-12 | 上海联影医疗科技股份有限公司 | 散射校正方法、装置、计算机设备和存储介质 |
CN113812971A (zh) * | 2021-08-27 | 2021-12-21 | 浙江大学 | 一种多自由度四维双能锥束ct成像系统及方法 |
CN113812971B (zh) * | 2021-08-27 | 2023-10-13 | 浙江大学 | 一种多自由度四维双能锥束ct成像系统及方法 |
CN115393534A (zh) * | 2022-10-31 | 2022-11-25 | 深圳市宝润科技有限公司 | 基于深度学习的锥束三维dr重建的方法及系统 |
CN115996668A (zh) * | 2022-11-23 | 2023-04-21 | 北京肿瘤医院(北京大学肿瘤医院) | 一种基于四维体表呼吸信号的非接触式四维成像方法和系统 |
CN117036533A (zh) * | 2023-10-10 | 2023-11-10 | 北京理工大学 | 一种用于同轴相位衬度成像的稀疏角ct重建方法和系统 |
CN117036533B (zh) * | 2023-10-10 | 2024-02-13 | 北京理工大学 | 一种用于同轴相位衬度成像的稀疏角ct重建方法和系统 |
CN117372565A (zh) * | 2023-12-06 | 2024-01-09 | 合肥锐视医疗科技有限公司 | 一种基于神经网络时相判别的呼吸门控ct成像方法 |
CN117372565B (zh) * | 2023-12-06 | 2024-03-15 | 合肥锐视医疗科技有限公司 | 一种基于神经网络时相判别的呼吸门控ct成像方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112435307B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112435307B (zh) | 一种深度神经网络辅助的四维锥束ct影像重建方法 | |
Li et al. | Motion correction for improved target localization with on-board cone-beam computed tomography | |
Lei et al. | Learning‐based CBCT correction using alternating random forest based on auto‐context model | |
JP5491174B2 (ja) | 画像誘導型放射線治療のための画像の変形可能なレジストレーション | |
Xie et al. | Scatter artifacts removal using learning-based method for CBCT in IGRT system | |
CN111867474A (zh) | 使用深度学习根据低剂量pet成像进行全剂量pet图像估计 | |
US7378660B2 (en) | Computer program, method, and system for hybrid CT attenuation correction | |
Hristov et al. | A grey‐level image alignment algorithm for registration of portal images and digitally reconstructed radiographs | |
CN106846430B (zh) | 一种图像重建方法 | |
CN112822982B (zh) | 图像制作装置、图像制作方法以及学习完毕模型的制作方法 | |
JP2009536857A5 (ja) | 画像誘導型放射線治療のための画像の変形可能なレジストレーション | |
US10682110B2 (en) | Methods for performing digital subtraction angiography, hybrid imaging devices, computer programs, and electronically readable storage media | |
CN109961419B (zh) | 对pet活度分布图像进行衰减校正的校正信息获取方法 | |
US10388036B2 (en) | Common-mask guided image reconstruction for enhanced four-dimensional cone-beam computed tomography | |
Tong et al. | X-ray2Shape: reconstruction of 3D liver shape from a single 2D projection image | |
Du et al. | A convolutional neural network based auto-positioning method for dental arch in rotational panoramic radiography | |
CN110458913B (zh) | 一种多阈值分割ct图像校正图像重建中骨硬化伪影的方法 | |
CN113574565A (zh) | 一种利用光学体表运动信号合成实时图像的系统 | |
JP7238134B2 (ja) | Pet画像化中の自動的な動き補正 | |
CN111080736A (zh) | 一种基于稀疏变换的低剂量ct图像重建方法 | |
CN116630738A (zh) | 一种基于深度卷积稀疏表示重建网络的能谱ct成像方法 | |
Amirian et al. | Mitigation of motion‐induced artifacts in cone beam computed tomography using deep convolutional neural networks | |
Turco et al. | Impact of CT-based attenuation correction on the registration between dual-gated cardiac PET and high-resolution CT | |
Xie et al. | New technique and application of truncated CBCT processing in adaptive radiotherapy for breast cancer | |
CN114558251A (zh) | 一种基于深度学习的自动摆位方法、装置及放射治疗设备 |
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 |