CN112634388A - 一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct - Google Patents

一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct Download PDF

Info

Publication number
CN112634388A
CN112634388A CN202011375766.XA CN202011375766A CN112634388A CN 112634388 A CN112634388 A CN 112634388A CN 202011375766 A CN202011375766 A CN 202011375766A CN 112634388 A CN112634388 A CN 112634388A
Authority
CN
China
Prior art keywords
image
pixel point
reconstruction
iterative reconstruction
value
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
Application number
CN202011375766.XA
Other languages
English (en)
Other versions
CN112634388B (zh
Inventor
侯晓文
陈伟
王斌
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.)
FMI Technologies Inc
Original Assignee
FMI Technologies Inc
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 FMI Technologies Inc filed Critical FMI Technologies Inc
Priority to CN202011375766.XA priority Critical patent/CN112634388B/zh
Publication of CN112634388A publication Critical patent/CN112634388A/zh
Application granted granted Critical
Publication of CN112634388B publication Critical patent/CN112634388B/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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
    • A61B6/03—Computed tomography [CT]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
    • A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
    • A61B6/5211—Devices using data or image processing specially adapted for radiation diagnosis involving processing of medical diagnostic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • 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)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • High Energy & Nuclear Physics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Optics & Photonics (AREA)
  • Surgery (AREA)
  • Radiology & Medical Imaging (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明属于CT重建技术领域，具体涉及一种CT迭代重建代价函数的优化方法，利用q‑GGMRF正则化模型的凸特性，将势函数转换为像素独立的势函数，使得势函数对每个像素点的导数只和当前像素点有关，和CT图像中的其它像素点无关，实现q‑GGMRF正则化模型中各个像素点的相互分离，从而保证所有像素点的优化可以同时进行，有效减少迭代重建的耗时，满足临床对时效的要求。

Description

一种CT迭代重建代价函数的优化方法及CT图像重建方法、系 统及CT
技术领域
本发明属于CT重建技术领域，具体涉及一种CT迭代重建代价函数的优化方法及CT图像重建方法、系统及CT。
背景技术
计算机X射线断层扫描仪，简称CT，利用X射线旋转照射被测物体，然后通过计算机处理获得物体断层图像；其中，由处理扫描数据得到物体断层图像的过程称为CT重建。
CT重建的现有算法大致包括两类：滤波反投影FBP和迭代重建。随着CT在临床中的使用越来越广泛和频繁，被扫描患者承受的X射线辐射也越来越多。为了降低受X射线辐射所引起的病变风险，低剂量CT受到越来越多的关注。当扫描剂量变低时，FBP重建的CT图像通常存在较严重的噪声和伪影的缺陷，影响临床诊疗，而迭代重建能够避免上述缺陷，因此迭代重建得到广泛应用。CT迭代重建中，需要在代价函数中引入正则化模型，保证迭代重建的稳定性，同时降低图像噪声。若要实现CT图像迭代重建，需要对引入正则化模型的代价函数进行优化，得到最优值，该最优值就是迭代重建的CT图像。
其中，代价函数的一个常见形式如下公式：
Figure BDA0002808145720000011
其中，A表示系统矩阵，由CT系统的光路模型构建；y表示扫描得到的投影数据；D表示权重矩阵，通常是一个对角矩阵，对角线元素代表每个投影数据的权重系数；x表示CT图像，每个元素对应CT图像每个像素点的值；U(x)表示正则化模型，称为正则项，与之对应的代价函数的另一部分称为数据拟合项。
基于上述代价函数，迭代重建得到的CT图像可以表示为：
Figure BDA0002808145720000021
其中，直接计算代价函数L(x)的最小值点是非常困难的，故迭代重建的做法是通过迭代过程，逐步逼近代价函数的最小值点，这一过程也称为优化。但优化并非易事，尤其当正则化模型较为复杂时，优化更为困难。
现有的正则化模型有全变分、高斯马尔科夫随机场、广义高斯马尔科夫随机场以及q-GGMRF等。其中，q-GGMRF正则化模型既能降低图像噪声，又能有效保留图像细节，且重建CT图像的纹理具有与FBP重建图像相似的优点。q-GGMRF正则化模型的数学形式如下所示：
Figure BDA0002808145720000022
其中，ρ(△)为势函数，具体形式如下所示：
Figure BDA0002808145720000023
其中，bj,k表示方向加权系数，通常采用邻域S中，中心像素点xk和其它像素点之间距离的倒数；参数p用来平衡图像降噪和边界保持之间的关系，当参数p增大，图像降噪水平增加，边界保持减弱；参数q用来保持图像边界，当参数p固定时，参数q的值越小，图像边界信息保持越好；参数c用来确定边界的强弱，当参数c的值增大时，表示更大的像素点之间的差值Δ才被认为是边界。
Jean-Baptiste Thibault等人首次提出了q-GGMRF(q-generalized GaussianMarkov Random Field)正则化模型[A three-dimensional statistical approach toimproved image quality for multislice helical CT，Medicalphysics.2007.34.4526-4544]，能够在平滑CT图像的同时保留空间分辨率和细节；但基于该正则化模型的代价函数难以优化，其采用了ICD(iterative coordinate descend)算法优化基于q-GGMRF的代价函数。众所周知，ICD算法实现基于q-GGMRF正则化模型的代价函数的优化，每次优化中，假定除当前像素点以外的其它所有CT图像像素点的值不变，将多维优化问题转化为一维优化问题，实现代价函数的优化；随后将该优化过程遍历所有像素点，实现对整个CT图像的优化。由于CT图像的像素点个数为百万数量级，重建过程耗时非常严重，通常需要几个小时甚至几十个小时，难以满足临床的时效要求。
公开号为US20130010917A1的美国专利提出了CT迭代重建算法，其对于采用q-GGMRF作为正则项的代价函数，依然采用ICD算法优化；进一步地，其为了降低计算耗时，提出了对每个像素点的更新用二次型替代函数代替线搜索，并且将势函数的导数做成查找表预先存储，占有存储空间；虽然能够降低计算耗时，但效果有限，迭代重建的耗时仍为以小时为单位的计量，也难以满足临床的时效要求。
发明内容
基于现有技术中存在的上述缺点和不足，本发明的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本发明的目的之一是提供满足前述需求之一或多个的一种CT迭代重建代价函数的优化方法及CT图像重建方法、系统及CT。
为了达到上述发明目的，本发明采用以下技术方案：
一种CT迭代重建代价函数的优化方法，所述CT迭代重建代价函数L(x)为正则项U(x)与数据拟合项之和：
Figure BDA0002808145720000031
其中，A表示CT系统的光路模型构建的系统矩阵；y表示扫描得到的投影数据；D表示权重矩阵；x表示CT图像的像素点数据；
q-GGMRF正则化模型对应的正则项U(x)为：
Figure BDA0002808145720000041
其中，bj,k表示方向加权系数，采用以待更新像素点xj为中心的邻域Sj中的像素点xk和待更新像素点xj之间距离的倒数；参数p用来平衡图像降噪和边界保持之间的关系；参数q用于保持图像边界；参数σ用来控制邻域Sj中相对局部噪声模型的先验强度；
所述优化方法包括：利用q-GGMRF正则化模型的凸特性，将正则项U(x)中的势函数ρ(xj-xk)转换为像素点独立的势函数：
Figure BDA0002808145720000042
其中，
Figure BDA0002808145720000043
为像素点xj经过n次迭代的结果，
Figure BDA0002808145720000044
为中心像素点xk经过n次迭代的结果。
作为优选方案，所述像素点独立的势函数对像素点xj求导，得到：
Figure BDA0002808145720000045
其中，参数c用于确定边界的强弱。
作为优选方案，所述数据拟合项转换为：
Figure BDA0002808145720000046
其中，xn表示CT图像的像素点数据经过第n次迭代后的结果；Ai表示系统矩阵A的第i个元素；Aij表示系统矩阵A的第i行、第j列元素；di表示权重矩阵D的第i个元素；yi表示扫描所得投影数据y的第i个元素；
公式(3)和公式(5)组合得到的像素点可分离替代函数替代公式(1)的代价函数，并对像素点xj求导，得到像素点xj的更新公式：
Figure BDA0002808145720000047
θ1＝∑idiAij(yi-Ai*xn) (7)
θ2＝∑idiAijAi+ (8)
其中，
Figure BDA0002808145720000051
本发明还提供一种CT图像重建方法，基于如上方案所述的优化方法，所述CT图像重建方法包括以下步骤：
S1、初始化迭代重建图像；
S2、对于初始化迭代重建图像的每个像素点，根据公式(7)和(8)，并行计算相应的θ1和θ2；
S3、对于初始化迭代重建图像的每个像素点，并行计算公式(6)的根，作为各个像素点的更新值
Figure BDA0002808145720000052
得到新图像；
S4、迭代步骤S2及S3，直至满足收敛条件，得到重建后的CT图像。
作为优选方案，所述步骤S3中，通过二分搜索法计算公式(6)的根。
作为优选方案，所述通过二分搜索法计算公式(6)的根，包括以下步骤：
S31、确定公式(6)根的取值范围的最大值xmax和最小值xmin；
S32、计算最大值xmax和最小值xmin的平均值xmean；
S33、将平均值xmean代入公式(6)得到方程的值；
S34、判断方程的值的绝对值是否小于阈值ε，ε大于0；若是，则将平均值xmean作为公式(6)的根；若否，则转至步骤S34；
S35、判断方程的值是否大于ε；若是，则令xmax＝xmean，转至步骤S32；若否，则令xmin＝xmean，转至步骤S32。
作为优选方案，所述收敛条件为||(y-Ax)||2≤10-3或迭代次数达到目标次数。
作为优选方案，所述步骤(1)中，采用FBP的重建图像初始化迭代重建图像。
本发明还提供一种CT图像重建系统，对应于如上任一方案所述的CT图像重建方法，其特征在于，所述CT图像重建系统包括：
初始化模块，用于初始化迭代重建图像；
迭代重建模块，用于对初始化迭代重建图像进行迭代重建，得到迭代重建图像；
判断模块，用于判断是否满足收敛条件；若是，则将迭代重建图像作为重建后的CT图像；若否，则继续迭代重建。
本发明还提供一种CT，应用如上任一方案所述的CT图像重建方法或搭载如上方案所述的图像重建系统。
本发明与现有技术相比，有益效果是：
本发明的CT迭代重建代价函数的优化方法，利用q-GGMRF正则化模型的凸特性，将势函数转换为像素独立的势函数，使得势函数对每个像素点的导数只和当前像素点有关，和CT图像中的其它像素点无关，实现q-GGMRF正则化模型中各个像素点的相互分离，从而保证所有像素点的优化可以同时进行，有效减少迭代重建的耗时，满足临床对时效的要求。
本发明的CT图像重建方法及系统，CT图像的重建效率高，满足临床对时效的要求。
本发明的CT，能够高效输出CT图像，可广泛应用于临床扫描。
附图说明
图1是本发明实施例的CT图像重建方法的流程图；
图2是本发明实施例的CT图像重建系统的构架图。
具体实施方式
以下通过具体实施例对本发明的技术方案作进一步解释说明。
本发明实施例的CT迭代重建代价函数的优化方法，通过并行优化基于q-GGMRF正则化模型的替代函数。针对q-GGMRF正则化模型势函数为凸函数的特点，采用优化转换策略，将原有的势函数转换为各个像素点相互独立的势函数，从而保证势函数对每个像素点的求导过程是互不影响的，即所有像素点可以同时求导。此外，对代价函数中的数据拟合项同样采用优化转换，将其转换为各个像素点相互独立的函数。从而，CT迭代重建代价函数转换为每个像素点的导数相互独立的函数，其对各个像素点的优化可以同时进行，实现基于q-GGMRF正则化模型的替代函数的并行化。
具体地，CT迭代重建代价函数L(x)为正则项U(x)与数据拟合项之和：
Figure BDA0002808145720000071
其中，A表示CT系统的光路模型构建的系统矩阵；y表示扫描得到的投影数据；D表示权重矩阵，通常是一个对角矩阵，对角线元素代表每个投影数据的权重系数；x表示CT图像，每个元素对应CT图像中每个像素点的值；
基于上述代价函数，迭代重建得到的CT图像表示为：
Figure BDA0002808145720000072
迭代重建就是通过迭代的过程，逐步逼近代价函数的最小值点。
其中，q-GGMRF正则化模型对应的正则项U(x)为：
Figure BDA0002808145720000073
其中，ρ(△)为势函数，具体形式如下：
Figure BDA0002808145720000074
bj,k表示方向加权系数，采用以待更新像素点xj为中心的邻域Sj中的像素点xk和待更新像素点xj之间距离的倒数；参数p用来平衡图像降噪和边界保持之间的关系，该参数值增大，图像降噪水平增加，边界保持减弱；参数q用于保持图像边界，当参数p固定时，参数q的值越小，图像边界信息保持越好；参数σ是根据经验确定的标量，用来控制邻域Sj中相对局部噪声模型的先验强度；当其它参数固定时，σ的值越大，图像的平滑度越好；参数c用来确定边界的强弱，当该参数的值增大时，表示更大的像素点之间的差值Δ才被认为是边界。
基于此，本发明实施例的CT迭代重建代价函数的优化方法的优化方法包括：
利用q-GGMRF正则化模型的凸特性，将正则项U(x)中的势函数ρ(xj-xk)转换为像素点独立的势函数：
上述势函数的具体形式是凸函数，根据凸函数的性质，可以实现如下转换：
Figure BDA0002808145720000081
其中，
Figure BDA0002808145720000082
为像素点xj经过n次迭代的结果，
Figure BDA0002808145720000083
为中心像素点xk经过n次迭代的结果。
此时，像素点独立的势函数对像素点xj求导，得到：
Figure BDA0002808145720000084
其中，参数c用于确定边界的强弱。
由此可知，转换后的势函数对每个像素点的导数只和当前像素点有关，和CT图像中的其它像素点无关。因此，无需如ICD算法一样，在对每个像素点更新时，假定其它像素点为常量；本发明实施例的所有像素点可以同时更新，实现了q-GGMRF正则化模型的并行化。
另外，本发明实施例还对数据拟合项同样采用优化转换，转换为：
Figure BDA0002808145720000085
采用公式(3)和公式(5)组合得到像素点可分离替代函数，替代公式(1)的代价函数，并对像素点xj求导，得到像素点xj的更新公式如下：
Figure BDA0002808145720000091
θ1＝∑idiAij(yi-Ai*xn) (7)
θ2＝∑idiAijAi+ (8)
其中，
Figure BDA0002808145720000092
经过本发明实施例的优化之后，每个像素点的更新公式只与该像素点本身以及上一次迭代的结果有关，与其它像素点的当前迭代完全无关，不需要逐个遍历像素点，极大降低计算耗时。因此，所有的像素点可以同时进行迭代更新，，迭代重建耗时大约在5到10分钟。
基于本发明实施例的CT迭代重建代价函数的优化方法，本发明实施例还提供CT图像重建方法，如图1所示，包括以下步骤：
S1、初始化迭代重建图像；
具体地，采用FBP的重建图像初始化迭代重建图像。
S2、对于初始化迭代重建图像的每个像素点，根据公式(7)和(8)，并行计算相应的θ1和θ2；
S3、对于初始化迭代重建图像的每个像素点，并行计算公式(6)的根，作为各个像素点的更新值
Figure BDA0002808145720000093
得到新图像；
具体地，通过二分搜索法计算公式(6)的根，具体计算过程如下：
S31、确定公式(6)根的取值范围的最大值xmax和最小值xmin；
S32、计算最大值xmax和最小值xmin的平均值xmean；
S33、将平均值xmean代入公式(6)得到方程的值；
S34、判断方程的值的绝对值是否小于阈值ε，ε大于0；若是，则将平均值xmean作为公式(6)的根；若否，则转至步骤S34；
S35、判断方程的值是否大于ε；若是，则令xmax＝xmean，转至步骤S32；若否，则令xmin＝xmean，转至步骤S32。
S4、迭代步骤S2及S3，直至满足收敛条件，得到重建后的CT图像。
其中，收敛条件为||(y-Ax)||2≤10-3或迭代次数达到目标次数，例如：迭代次数为5次，具体的迭代次数根据实际需求进行设置。
上述并行计算过程更适合利用GPU等并行计算工具进行加速，提高计算效率。
对应于本发明实施例的CT图像重建方法，本发明实施例还提供CT图像重建系统，如图2所示，包括：
初始化模块，用于初始化迭代重建图像；具体地，采用FBP的重建图像初始化迭代重建图像。
迭代重建模块，用于对初始化迭代重建图像进行迭代重建，得到迭代重建图像；
具体地，对于初始化迭代重建图像的每个像素点，根据公式(7)和(8)，并行计算相应的θ1和θ2；对于初始化迭代重建图像的每个像素点，并行计算公式(6)的根，作为各个像素点的更新值
Figure BDA0002808145720000101
得到新图像；迭代上述过程，得到迭代重建CT图像；
判断模块，用于判断迭代过程是否满足收敛条件；若是，则将迭代重建图像作为重建后的CT图像；若否，则继续迭代重建。其中，收敛条件为(y-Ax)||2≤10-3或迭代次数达到目标次数，例如：迭代次数为5次，具体的迭代次数根据实际需求进行设置。
另外，本发明实施例还提供CT扫描仪，应用上述CT图像重建方法或搭载上述图像重建系统。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (10)

1.一种CT迭代重建代价函数的优化方法，所述CT迭代重建代价函数L(x)为正则项U(x)与数据拟合项之和：
Figure FDA0002808145710000011
其中，A表示CT系统的光路模型构建的系统矩阵；y表示扫描得到的投影数据；D表示权重矩阵；x表示CT图像的像素点数据；
q-GGMRF正则化模型对应的正则项U(x)为：
Figure FDA0002808145710000012
其中，bj,k表示方向加权系数，采用以待更新像素点xj为中心的邻域Sj中的像素点xk和待更新像素点xj之间距离的倒数；参数p用来平衡图像降噪和边界保持之间的关系；参数q用于保持图像边界；参数σ用于控制邻域Sj中相对局部噪声模型的先验强度；
其特征在于，所述优化方法包括：利用q-GGMRF正则化模型的凸特性，将正则项U(x)中的势函数ρ(xj-xk)转换为像素点独立的势函数：
Figure FDA0002808145710000013
其中，
Figure FDA0002808145710000014
为像素点xj经过n次迭代的结果，
Figure FDA0002808145710000015
为中心像素点xk经过n次迭代的结果。
2.根据权利要求1所述的一种CT迭代重建代价函数的优化方法，其特征在于，所述像素点独立的势函数对像素点xj求导，得到：
Figure FDA0002808145710000016
其中，参数c用于确定边界的强弱。
3.根据权利要求2所述的一种CT迭代重建代价函数的优化方法，其特征在于，所述数据拟合项转换为：
Figure FDA0002808145710000021
其中，xn表示CT图像的像素点数据经过第n次迭代后的结果；Ai表示系统矩阵A的第i个元素；Aij表示系统矩阵A的第i行、第j列元素；di表示权重矩阵D的第i个元素；yi表示扫描所得投影数据y的第i个元素；
公式(3)和公式(5)组合得到的像素点可分离替代函数替代公式(1)的代价函数，并对像素点xj求导，得到像素点xj的更新公式：
Figure FDA0002808145710000022
θ1＝∑idiAij(yi-Ai*xn) (7)
θ2＝∑idiAijAi+ (8)
其中，
Figure FDA0002808145710000023
4.一种CT图像重建方法，基于如权利要求3所述的优化方法，其特征在于，所述CT图像重建方法包括以下步骤：
S1、初始化迭代重建图像；
S2、对于初始化迭代重建图像的每个像素点，根据公式(7)和(8)，并行计算相应的θ1和θ2；
S3、对于初始化迭代重建图像的每个像素点，并行计算公式(6)的根，作为各个像素点的更新值
Figure FDA0002808145710000024
得到新图像；
S4、迭代步骤S2及S3，直至满足收敛条件，得到重建后的CT图像。
5.根据权利要求4所述的一种CT图像重建方法，其特征在于，所述步骤S3中，通过二分搜索法计算公式(6)的根。
6.根据权利要求5所述的一种CT图像重建方法，其特征在于，所述通过二分搜索法计算公式(6)的根，包括以下步骤：
S31、确定公式(6)根的取值范围的最大值xmax和最小值xmin；
S32、计算最大值xmax和最小值xmin的平均值xmean；
S33、将平均值xmean代入公式(6)得到方程的值；
S34、判断方程的值的绝对值是否小于阈值ε，ε大于0；若是，则将平均值xmean作为公式(6)的根；若否，则转至步骤S34；
S35、判断方程的值是否大于ε；若是，则令xmax＝xmean，转至步骤S32；若否，则令xmin＝xmean，转至步骤S32。
7.根据权利要求4所述的一种CT图像重建方法，其特征在于，所述收敛条件为||(y-Ax)||2≤10-3或迭代次数达到目标次数。
8.根据权利要求4所述的一种CT图像重建方法，其特征在于，所述步骤(1)中，采用FBP的重建图像初始化迭代重建图像。
9.一种CT图像重建系统，对应于如权利要求4-8任一项所述的CT图像重建方法，其特征在于，所述CT图像重建系统包括：
初始化模块，用于初始化迭代重建图像；
迭代重建模块，用于对初始化迭代重建图像进行迭代重建，得到迭代重建图像；
判断模块，用于判断是否满足收敛条件；若是，则将迭代重建图像作为重建后的CT图像；若否，则继续迭代重建。
10.一种CT，其特征在于，应用如权利要求4-8任一项所述的CT图像重建方法或搭载如权利要求9所述的图像重建系统。
CN202011375766.XA 2020-11-30 2020-11-30 一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct Active CN112634388B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011375766.XA CN112634388B (zh) 2020-11-30 2020-11-30 一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011375766.XA CN112634388B (zh) 2020-11-30 2020-11-30 一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct

Publications (2)

Publication Number Publication Date
CN112634388A true CN112634388A (zh) 2021-04-09
CN112634388B CN112634388B (zh) 2024-01-02

Family

ID=75306803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011375766.XA Active CN112634388B (zh) 2020-11-30 2020-11-30 一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct

Country Status (1)

Country Link
CN (1) CN112634388B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113706653A (zh) * 2021-09-23 2021-11-26 明峰医疗系统股份有限公司 基于AwTV的CT迭代重建替代函数优化方法
CN113763501A (zh) * 2021-09-08 2021-12-07 上海壁仞智能科技有限公司 图像重建模型的迭代方法和图像重建方法
CN115423890A (zh) * 2022-09-15 2022-12-02 京心禾(北京)医疗科技有限公司 一种断层图像迭代重建方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054394A1 (en) * 2008-08-28 2010-03-04 General Electric Company Method and system for image reconstruction
US20150086097A1 (en) * 2013-09-25 2015-03-26 Wisconsin Alumni Research Foundation Fast statistical imaging reconstruction via denoised ordered-subset statistically-penalized algebraic reconstruction technique
CN107274459A (zh) * 2017-05-29 2017-10-20 明峰医疗系统股份有限公司 一种用于加快锥形束ct图像迭代重建的预条件方法
CN107527359A (zh) * 2017-08-07 2017-12-29 沈阳东软医疗系统有限公司 一种pet图像重建方法及pet成像设备
CN108765514A (zh) * 2018-06-06 2018-11-06 上海交通大学 一种ct图像重建的加速方法及装置
CN109544657A (zh) * 2018-12-05 2019-03-29 上海联影医疗科技有限公司 医学图像迭代重建方法、装置、计算机设备和存储介质
CN110738672A (zh) * 2019-10-18 2020-01-31 西安交通大学深圳研究院 一种基于分层高阶条件随机场的图像分割方法
WO2020118844A1 (zh) * 2018-12-14 2020-06-18 深圳先进技术研究院 Pet图像的重建方法、计算机存储介质、计算机设备

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100054394A1 (en) * 2008-08-28 2010-03-04 General Electric Company Method and system for image reconstruction
US20150086097A1 (en) * 2013-09-25 2015-03-26 Wisconsin Alumni Research Foundation Fast statistical imaging reconstruction via denoised ordered-subset statistically-penalized algebraic reconstruction technique
CN107274459A (zh) * 2017-05-29 2017-10-20 明峰医疗系统股份有限公司 一种用于加快锥形束ct图像迭代重建的预条件方法
CN107527359A (zh) * 2017-08-07 2017-12-29 沈阳东软医疗系统有限公司 一种pet图像重建方法及pet成像设备
CN108765514A (zh) * 2018-06-06 2018-11-06 上海交通大学 一种ct图像重建的加速方法及装置
CN109544657A (zh) * 2018-12-05 2019-03-29 上海联影医疗科技有限公司 医学图像迭代重建方法、装置、计算机设备和存储介质
WO2020118844A1 (zh) * 2018-12-14 2020-06-18 深圳先进技术研究院 Pet图像的重建方法、计算机存储介质、计算机设备
CN110738672A (zh) * 2019-10-18 2020-01-31 西安交通大学深圳研究院 一种基于分层高阶条件随机场的图像分割方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
侯晓文;滕月阳;刘瑜珈;康雁;: "最大似然-可分离抛物面替代函数双能CT重建算法", 东北大学学报(自然科学版), no. 11 *
孟静;王加俊;黄贤武;仲兴荣;: "传输方程下基于模型的光学层析图像重建", 中国图象图形学报, no. 03 *
李建, 吴志芳: "最大后验概率重建算法在发射CT中的应用", CT理论与应用研究, no. 02, pages 10 - 15 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113763501A (zh) * 2021-09-08 2021-12-07 上海壁仞智能科技有限公司 图像重建模型的迭代方法和图像重建方法
CN113763501B (zh) * 2021-09-08 2024-02-27 上海壁仞智能科技有限公司 图像重建模型的迭代方法和图像重建方法
CN113706653A (zh) * 2021-09-23 2021-11-26 明峰医疗系统股份有限公司 基于AwTV的CT迭代重建替代函数优化方法
CN113706653B (zh) * 2021-09-23 2023-12-08 明峰医疗系统股份有限公司 基于AwTV的CT迭代重建替代函数优化方法
CN115423890A (zh) * 2022-09-15 2022-12-02 京心禾(北京)医疗科技有限公司 一种断层图像迭代重建方法
CN115423890B (zh) * 2022-09-15 2023-09-19 京心禾(北京)医疗科技有限公司 一种断层图像迭代重建方法

Also Published As

Publication number Publication date
CN112634388B (zh) 2024-01-02

Similar Documents

Publication Publication Date Title
Hu et al. Artifact correction in low‐dose dental CT imaging using Wasserstein generative adversarial networks
CN112634388A (zh) 一种ct迭代重建代价函数的优化方法及ct图像重建方法、系统及ct
Li et al. Investigation of low-dose CT image denoising using unpaired deep learning methods
US7831097B2 (en) System and method for image reconstruction
CN110717956B (zh) 一种有限角投影超像素引导的l0范数最优化重建方法
US9524567B1 (en) Method and system for iterative computed tomography reconstruction
Zhang et al. Statistical sinogram smoothing for low-dose CT with segmentation-based adaptive filtering
CN106909947B (zh) 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统
Ye et al. SPULTRA: Low-dose CT image reconstruction with joint statistical and learned image models
Zhang et al. REDAEP: Robust and enhanced denoising autoencoding prior for sparse-view CT reconstruction
CN104867168B (zh) 基于p范数的压缩感知计算机断层扫描图像重建方法
Brown et al. Acceleration of ML iterative algorithms for CT by the use of fast start images
CN111161182A (zh) Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法
Choi et al. Self-supervised inter-and intra-slice correlation learning for low-dose CT image restoration without ground truth
Vera et al. An automatic technique for left ventricle segmentation from msct cardiac volumes
CN109658464B (zh) 基于加权核范数极小的稀疏角ct图像重建方法
Chun et al. Joint image reconstruction and nonrigid motion estimation with a simple penalty that encourages local invertibility
Peng et al. GPU-accelerated dynamic wavelet thresholding algorithm for X-ray CT metal artifact reduction
Chang et al. Deep learning image transformation under radon transform
Lu et al. Dynamic PET denoising incorporating a composite image guided filter
CN111724452B (zh) 一种低剂量ct图像重建方法
Kang et al. Higher-order regularization based image restoration with automatic regularization parameter selection
Arya et al. Regularization based modified SART iterative method for CT image reconstruction
Xu et al. A direct algorithm for optimization problems with the Huber penalty
Wang et al. Helical ct reconstruction from sparse-view data through exploiting the 3d anatomical structure sparsity

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