CN112862915A - 基于非训练神经网络的pet图像重建方法、系统及计算机可读存储介质 - Google Patents

基于非训练神经网络的pet图像重建方法、系统及计算机可读存储介质 Download PDF

Info

Publication number
CN112862915A
CN112862915A CN202110231636.7A CN202110231636A CN112862915A CN 112862915 A CN112862915 A CN 112862915A CN 202110231636 A CN202110231636 A CN 202110231636A CN 112862915 A CN112862915 A CN 112862915A
Authority
CN
China
Prior art keywords
image
reconstruction
neural network
pet
deep learning
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
CN202110231636.7A
Other languages
English (en)
Other versions
CN112862915B (zh
Inventor
王鑫辉
叶宏伟
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 CN202110231636.7A priority Critical patent/CN112862915B/zh
Publication of CN112862915A publication Critical patent/CN112862915A/zh
Application granted granted Critical
Publication of CN112862915B publication Critical patent/CN112862915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/002D [Two Dimensional] image generation
    • G06T11/003Reconstruction from projections, e.g. tomography
    • G06T11/008Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/50Image enhancement or restoration using two or more images, e.g. averaging or subtraction
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00Image enhancement or restoration
    • G06T5/73Deblurring; Sharpening
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • G06T2207/10104Positron emission tomography [PET]

Landscapes

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

Abstract

本发明提供了一种基于非训练神经网络的PET图像重建方法、系统及计算机可读存储介质,通过RNN深度学习模型对PET图像进行降噪优化处理,再结合本发明提供的新的非训练神经网络,在应用于低剂量扫描图像重建中,降低噪声的同时还可保留图像细节信息;且该非训练神经网络包含最大后验重建算法,通过获取PET图像的相对差异先验信息,实现算法的性能评估,保证所述非训练神经网络的有效性。

Description

基于非训练神经网络的PET图像重建方法、系统及计算机可读 存储介质
技术领域
本发明涉及PET成像技术领域,尤其涉及一种基于非训练神经网络的PET图像重建方法、系统及计算机可读存储介质。
背景技术
PET成像通过注射放射性示踪剂观察组织内部分子水平的活性,因此在神经病学,肿瘤学和心脏病学中得到了广泛的应用。然而,示踪剂的辐射使患者处于发生癌症的潜 在风险中。因此,需要减少放射性示踪剂的剂量以最小化辐射暴露。由于PET/CT系统本 身的固有噪声和有限的分辨率,降低示踪剂的剂量会导致图像质量显著下降,包括噪声 的增加,偏差的增大以及图像细节和结构的丢失等。
现阶段开发出的改善低剂量PET图像质量的方法包括传统方法和深度学习技术。传 统方法包括图像后处理方法和迭代重建。传统的图像后处理方法集中于滤波平滑技术,包括高斯滤波,非局部均值滤波等。但是,它们可能使图像的重要特征(例如器官和病 变边界)变平滑和模糊,从而导致偏差增加和对比度降低。传统的迭代重建算法包括最 大后验重建,其通过加入先验信息降低重建图像的噪声。然而该算法降噪的同时会造成 图像细节的丢失。
最近深度学习在医学影像领域快速发展,神经网络已经被证明是用于医学图像分析 的强大工具,例如降噪、分割、分类和诊断。基于CNN和GAN网络的深度学习后处理 被应用于低剂量PET图像中,降低了图像的噪声,然而会减小各器官和病灶点的对比度 并且丢失图像的细节信息。
发明内容
为了克服上述技术缺陷,本发明的目的在于提供一种应用于低剂量PET成像在降低 噪声的同时保留了图像的细节和对比度的基于非训练神经网络的PET图像重建方法、系统及计算机可读存储介质。
本发明公开了一种基于非训练神经网络的PET图像重建方法,包括如下步骤:对PET 原始数据通过最大似然估计法进行迭代计算获取初始重建图像;建立RNN深度学习模型, 所述RNN深度学习模型包含所述PET图像的先验信息;利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像;结合所述初始重建图像和所述降噪图像获取第二重建图像,将所述第二重建图像经非训练神经网络计算获取最终重建图像。
优选地,所述建立RNN深度学习模型,所述RNN深度学习模型包含所述PET图像的先验信息;利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像步骤之前还 包括:对所述初始重建图像进行非局部均值滤波处理,再利用所述RNN深度学习模型从 所述初始重建图像中获取降噪图像。
优选地,给定一图像x,测得图像x的正弦图数据y,通过函数P(x|y)的最大后验信息重建图像,根据贝叶斯法则
Figure BDA0002958569820000021
其中,P(x)是重建图像的先验信息, 作为最大后验重建算法的正则项;假设先验信息遵循吉布斯分布,其形式为: P(x)=exp(-βV(x))/W,其中βV(x)表示加权吉布斯能量函数,W是归一化因子,寻找P(x|y) 的最大值等同于寻求对数后验概率的最大值;logP(y|x)-βV(x)+c,其中,c是常数,将泊 松分布应用于P(y|x)中,得到所述迭代计算公式:
Figure BDA0002958569820000022
其中,其中
Figure BDA0002958569820000023
是图像x中体素i的新估值,
Figure BDA0002958569820000024
表示待更新的旧图像,V(x)为先验信 息势函数,aij表示系统矩阵的元素,是体素i对每一个投影j贡献值的建模,β为所述 先验信息的权重函数。
优选地,所述RNN深度学习模型基于的先验信息势函数为:
Figure BDA0002958569820000025
其中,D为所述非训练神经网络,x*为所述非训练神经网络 的输入图像,D(x*)表示所述非训练神经网络的输出图像,即为所述最终降噪图像。
优选地,所述结合所述初始重建图像和所述降噪图像获取第二重建图像,将所述第 二重建图像经非训练神经网络计算获取最终重建图像包括:将所述初始重建图像再次进 行迭代计算获取二次迭代重建图像,结合所述二次迭代重建图像和所述降噪图像获取第 二重建图像。
优选地,V(x)相对于图像x的导数由如下公式计算:
Figure BDA0002958569820000031
一种基于非训练神经网络的PET图像重建系统,包括迭代计算模块、滤波模块和深度学习模块;通过所述迭代计算模块对PET原始数据进行最大似然估计法的迭代计算获 取初始重建图像;通过所述滤波模块对所述初始重建图像进行非局部均值滤波处理;通 过所述深度学习模块建立RNN深度学习模型,所述RNN深度学习模型包含所述PET图像 的先验信息,利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像;并结合 所述初始重建图像和所述降噪图像获取第二重建图像,将所述第二重建图像经非训练神 经网络计算获取最终重建图像并输出。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行 时实现上述任一所述的方法的步骤。
采用了上述技术方案后,与现有技术相比,具有以下有益效果:
通过所述RNN深度学习模型对PET图像进行降噪优化处理,再结合本发明提供的新的所述非训练神经网络,在应用于低剂量扫描图像重建中,降低噪声的同时还可保留图 像细节信息;且该非训练神经网络包含最大后验重建算法,通过获取PET图像的相对差 异先验信息,实现算法的性能评估,保证所述非训练神经网络的有效性。
附图说明
图1为本发明提供的基于非训练神经网络的PET图像重建方法的流程图;
图2为本发明提供的基于非训练神经网络的PET图像重建方法的重建图像的优选实 施例的流程框图;
图3为本发明提供的基于非训练神经网络的PET图像重建方法的迭代原理图;
图4为本发明提供的基于非训练神经网络的PET图像重建方法的对低剂量Jaszczak 模体通过最大似然估计法进行图像重建的横轴视图;
图5为图4所示的横轴视图的噪声点的放大图;
图6为本发明提供的基于非训练神经网络的PET图像重建方法的对低剂量Jaszczak 模体经过非局部均值滤波处理后的横轴视图;
图7为图6所示的横轴视图的噪声点的放大图;
图8为本发明提供的基于非训练神经网络的PET图像重建方法的对低剂量Jaszczak 模体经非训练神经网络计算获取的最终重建图像的横轴视图;
图9为图8所示的横轴视图的噪声点的放大图;
图10为本发明提供的基于非训练神经网络的PET图像重建方法的低剂量扫描身体病 人通过最大似然估计法进行图像重建的横轴视图;
图11为本发明提供的基于非训练神经网络的PET图像重建方法的低剂量扫描身体病 人经过非局部均值滤波处理后的横轴视图;
图12为本发明提供的基于非训练神经网络的PET图像重建方法的低剂量扫描身体病 人经非训练神经网络计算获取的最终重建图像的横轴视图。
具体实施方式
以下结合附图与具体实施例进一步阐述本发明的优点。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附 图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如 所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
在本公开使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本公开。在 本公开和所附权利要求书中所使用的单数形式的“一种”、“”和“该”也旨在包括多数 形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指 并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种信息,但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如,在不 脱离本公开范围的情况下,第一信息也可以被称为第二信息,类似地,第二信息也可以 被称为第一信息。取决于语境,如在此所使用的词语“如果”可以被解释成为“在…… 时”或“当……时”或“响应于确定”。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基 于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗 示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为 对本发明的限制。
在本发明的描述中,除非另有规定和限定,需要说明的是,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是机械连接或电连接,也可以是两个元件内部的连 通,可以是直接相连,也可以通过中间媒介间接相连,对于本领域的普通技术人员而言, 可以根据具体情况理解上述术语的具体含义。
在后续的描述中,使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有 利于本发明的说明,其本身并没有特定的意义。因此,“模块”与“部件”可以混合地使用。
参见附图1-3,本发明公开了一种基于非训练神经网络的PET图像重建方法,包括如 下步骤:
S1、对PET原始数据通过最大似然估计法进行迭代计算获取初始重建图像;
S2、对初始重建图像进行非局部均值滤波处理;
S3、建立RNN深度学习模型,RNN深度学习模型包含PET图像的先验信息;利用RNN深度学习模型从非局部均值滤波处理后的初始重建图像中获取降噪图像;
S4、将初始重建图像再次进行迭代计算获取二次迭代重建图像;
S5、结合二次迭代重建图像和降噪图像获取第二重建图像,将第二重建图像经非训 练神经网络计算获取最终重建图像。
具体地,给定一图像x,测得图像x的正弦图数据y,通过函数P(x|y)的最大后验信息重建图像,根据贝叶斯法则
Figure RE-GDA0003030700920000051
其中,P(x)是重建图像的先验信息, 作为最大后验重建算法的正则项;假设先验信息遵循吉布斯分布,其形式为 P(x)=exp(-βV(x))/W;其中βV(x)表示加权吉布斯能量函数,W是归一化因子,寻找P(x|y) 的最大值等同于寻求对数后验概率的最大值;log P(y|x)-βV(x)+c,其中,c是常数,将泊 松分布应用于P(y|x)中,得到迭代计算公式:
Figure RE-GDA0003030700920000052
其 中,其中
Figure RE-GDA0003030700920000053
是图像x中体素i的新估值,
Figure RE-GDA0003030700920000054
表示待更新的旧图像,V(x)为先验信息 势函数,aij表示系统矩阵的元素,是体素i对每一个投影j贡献值的建模,β为先验信 息的权重函数。
RNN深度学习模型基于的先验信息势函数为:
Figure BDA0002958569820000056
其中,D为非训练神经网络,x*为非训练神经网络的输入图像,D(x*)表示非训练神经网络的输出图像,即为最终降噪图像。
V(x)相对于图像x的导数由如下公式计算:
Figure BDA0002958569820000061
参见附图4-12,用50%的低剂量Jaszczak模体和身体病人数据完成深度学习重建算 法的评估。
图4为对低剂量Jaszczak模体通过最大似然估计法进行图像重建的横轴视图;图6为对低剂量Jaszczak模体经过非局部均值滤波处理后的横轴视图;图8为对低剂量Jaszczak 模体经非训练神经网络计算获取的最终重建图像的横轴视图。其中,箭头指向图像中的 噪声点,为了更清晰的显示,图5、图7和图9分别示出了其噪声点的放大图,由图可知,本发明提供的基于非训练神经网络的PET图像重建方法在降低了更多噪声的同时提 高了小圆柱体的对比度。
图10为低剂量扫描身体病人通过最大似然估计法进行图像重建的横轴视图;图11为低剂量扫描身体病人经过非局部均值滤波处理后的横轴视图;图12为低剂量扫描身体病人经非训练神经网络计算获取的最终重建图像的横轴视图,其中,箭头指向为病灶点。由图可知,本发明提供的基于非训练神经网络的PET图像重建方法在降低更多噪声的同 时增强了图像以及病灶点的对比度。
本发明还公开了一种基于非训练神经网络的PET图像重建系统,包括迭代计算模块、 滤波模块和深度学习模块;通过迭代计算模块对PET原始数据进行最大似然估计法的迭 代计算获取初始重建图像;通过滤波模块对重建图像进行非局部均值滤波处理;通过深度学习模块建立RNN深度学习模型,RNN深度学习模型包含PET图像的先验信息,利用 RNN深度学习模型从重建图像中获取降噪图像;并结合初始重建图像和降噪图像获取第 二重建图像,将第二重建图像经非训练神经网络计算获取最终重建图像并输出。
本发明通过非局部均值滤波对初始重建图像进行平滑处理,通过无需训练的神经网 络D,可以由噪声直接生成PET图像,在降低噪声的同时保留了图像的细节和对比度, 对低剂量PET成像有十分重要的应用价值。
一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实 现上述任一方法的步骤。
应当注意的是,本发明的实施例有较佳的实施性,且并非对本发明作任何形式的限 制,任何熟悉该领域的技术人员可能利用上述揭示的技术内容变更或修饰为等同的有效 实施例,但凡未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何修改或等同变化及修饰,均仍属于本发明技术方案的范围内。

Claims (8)

1.一种基于非训练神经网络的PET图像重建方法,其特征在于,包括如下步骤:
对PET原始数据通过最大似然估计法进行迭代计算获取初始重建图像;
建立RNN深度学习模型,所述RNN深度学习模型包含所述PET图像的先验信息;利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像;
结合所述初始重建图像和所述降噪图像获取第二重建图像,将所述第二重建图像经非训练神经网络计算获取最终重建图像。
2.根据权利要求1所述的PET图像重建方法,其特征在于,所述建立RNN深度学习模型,所述RNN深度学习模型包含所述PET图像的先验信息;利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像步骤之前还包括:
对所述初始重建图像进行非局部均值滤波处理,再利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像。
3.根据权利要求1所述的PET图像重建方法,其特征在于,给定一图像x,测得图像x的正弦图数据y,通过函数P(x|y)的最大后验信息重建图像,根据贝叶斯法则
Figure FDA0002958569810000011
其中,P(x)是重建图像的先验信息,作为最大后验重建算法的正则项;
假设先验信息遵循吉布斯分布,其形式为:P(x)=exp(-βV(x))/W;其中βV(x)表示加权吉布斯能量函数,W是归一化因子,寻找P(x|y)的最大值等同于寻求对数后验概率的最大值;
logP(y|x)-βV(x)+c;其中,c是常数,将泊松分布应用于P(y|x)中,得到所述迭代计算公式:
Figure FDA0002958569810000012
其中,其中
Figure FDA0002958569810000013
是图像x中体素i的新估值,
Figure FDA0002958569810000014
表示待更新的旧图像,V(x)为先验信息势函数,aij表示系统矩阵的元素,是体素i对每一个投影j贡献值的建模,β为所述先验信息的权重函数。
4.根据权利要求1所述的PET图像重建方法,其特征在于,所述RNN深度学习模型基于的先验信息势函数为:
Figure FDA0002958569810000021
其中,D为所述非训练神经网络,x*为所述非训练神经网络的输入图像,D(x*)表示所述非训练神经网络的输出图像,即为所述最终降噪图像。
5.根据权利要求1所述的PET图像重建方法,其特征在于,所述结合所述初始重建图像和所述降噪图像获取第二重建图像,将所述第二重建图像经非训练神经网络计算获取最终重建图像包括:
将所述初始重建图像再次进行迭代计算获取二次迭代重建图像,结合所述二次迭代重建图像和所述降噪图像获取第二重建图像。
6.根据权利要求1所述的PET图像重建方法,其特征在于,V(x)相对于图像x的导数由如下公式计算:
Figure FDA0002958569810000022
7.一种基于非训练神经网络的PET图像重建系统,其特征在于,包括迭代计算模块、滤波模块和深度学习模块;
通过所述迭代计算模块对PET原始数据进行最大似然估计法的迭代计算获取初始重建图像;
通过所述滤波模块对所述初始重建图像进行非局部均值滤波处理;
通过所述深度学习模块建立RNN深度学习模型,所述RNN深度学习模型包含所述PET图像的先验信息,利用所述RNN深度学习模型从所述初始重建图像中获取降噪图像;并结合所述初始重建图像和所述降噪图像获取第二重建图像,将所述第二重建图像经非训练神经网络计算获取最终重建图像并输出。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-6中任一所述的分区方法的步骤。
CN202110231636.7A 2021-03-02 2021-03-02 基于非训练神经网络的pet图像重建方法、系统及计算机可读存储介质 Active CN112862915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110231636.7A CN112862915B (zh) 2021-03-02 2021-03-02 基于非训练神经网络的pet图像重建方法、系统及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110231636.7A CN112862915B (zh) 2021-03-02 2021-03-02 基于非训练神经网络的pet图像重建方法、系统及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112862915A true CN112862915A (zh) 2021-05-28
CN112862915B CN112862915B (zh) 2024-05-28

Family

ID=75991019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110231636.7A Active CN112862915B (zh) 2021-03-02 2021-03-02 基于非训练神经网络的pet图像重建方法、系统及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112862915B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324089A (zh) * 2011-07-13 2012-01-18 南方医科大学 基于广义熵与mr先验的pet图像最大后验重建方法
US20160055658A1 (en) * 2013-04-16 2016-02-25 The Research Foundation Iterative reconstruction for x-ray computed tomography using prior-image induced nonlocal regularization
CN109584324A (zh) * 2018-10-24 2019-04-05 南昌大学 一种基于自动编码器网络的正电子发射型计算机断层显像(pet)重建方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324089A (zh) * 2011-07-13 2012-01-18 南方医科大学 基于广义熵与mr先验的pet图像最大后验重建方法
US20160055658A1 (en) * 2013-04-16 2016-02-25 The Research Foundation Iterative reconstruction for x-ray computed tomography using prior-image induced nonlocal regularization
CN109584324A (zh) * 2018-10-24 2019-04-05 南昌大学 一种基于自动编码器网络的正电子发射型计算机断层显像(pet)重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
PETER J. GREEN: ""Bayesian Reconstructions From Emission Tomography Data Using a Modified EM Algorithm"", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》, vol. 9, no. 1, pages 84 - 93, XP000116144, DOI: 10.1109/42.52985 *
王光新等: "图像复原中边缘保持与稀疏先验模型的选择", 计算机工程, vol. 34, no. 7, pages 1 - 3 *

Also Published As

Publication number Publication date
CN112862915B (zh) 2024-05-28

Similar Documents

Publication Publication Date Title
Huang et al. Metal artifact reduction on cervical CT images by deep residual learning
CN108898642B (zh) 一种基于卷积神经网络的稀疏角度ct成像方法
Bera et al. Noise conscious training of non local neural network powered by self attentive spectral normalized Markovian patch GAN for low dose CT denoising
Wang High temporal-resolution dynamic PET image reconstruction using a new spatiotemporal kernel method
CN109712209B (zh) Pet图像的重建方法、计算机存储介质、计算机设备
CN107481297B (zh) 一种基于卷积神经网络的ct图像重建方法
CA2609781A1 (fr) Methode de segmentation d'une sequence d'images tridimensionnelles, notamment en pharmaco-imagerie
Pathak et al. Low-dose CT image reconstruction using gain intervention-based dictionary learning
Bruder et al. Adaptive iterative reconstruction
KR102094599B1 (ko) 뉴럴 네트워크를 이용한 내부 전산단층 촬영 영상 처리 방법 및 그 장치
WO2020118830A1 (zh) 字典训练及图像超分辨重建方法、系统、设备及存储介质
CN111161182B (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
Michailovich et al. Deconvolution of medical images from microscopic to whole body images
US20220164927A1 (en) Method and system of statistical image restoration for low-dose ct image using deep learning
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
Jeon et al. Mm-net: Multiframe and multimask-based unsupervised deep denoising for low-dose computed tomography
Pan et al. Full-dose PET synthesis from low-dose PET using high-efficiency diffusion denoising probabilistic model
Guo et al. Graph filtering approach to PET image denoising
EP3853818B1 (en) Activity image reconstruction using anatomy data
CN112862915B (zh) 基于非训练神经网络的pet图像重建方法、系统及计算机可读存储介质
CN112017258A (zh) Pet图像重建方法、装置、计算机设备以及存储介质
CN109767410B (zh) 一种肺部ct与mri影像融合算法
Li et al. Low-dose sinogram restoration enabled by conditional GAN with cross-domain regularization in SPECT imaging
Mejia et al. Noise reduction in small animal PET images using a variational non-convex functional
Choi A comparative study between image-and projection-domain self-supervised learning for ultra low-dose CBCT

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