CN113177991A - 一种基于计划ct校正cbct中散射伪影的方法 - Google Patents

一种基于计划ct校正cbct中散射伪影的方法 Download PDF

Info

Publication number
CN113177991A
CN113177991A CN202110473486.0A CN202110473486A CN113177991A CN 113177991 A CN113177991 A CN 113177991A CN 202110473486 A CN202110473486 A CN 202110473486A CN 113177991 A CN113177991 A CN 113177991A
Authority
CN
China
Prior art keywords
cbct
scattering signal
projection
signal
planned
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.)
Pending
Application number
CN202110473486.0A
Other languages
English (en)
Inventor
杨益东
崔贺贺
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.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
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 University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202110473486.0A priority Critical patent/CN113177991A/zh
Publication of CN113177991A publication Critical patent/CN113177991A/zh
Pending legal-status Critical Current

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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种基于计划CT校正CBCT中散射伪影的方法，包括以下步骤：步骤1：首先获得实测CBCT投影和空场投影，得到正弦图，然后进行降噪处理并重建得到原始CBCT；步骤2：将计划CT的CT值转换成衰减系数，然后和原始CBCT进行配准对齐，获得配准CT；步骤3：对配准CT进行前向投影，得到模拟CBCT投影；步骤4：将实测CBCT投影和模拟CBCT投影相减，得到初始散射信号；步骤5：根据初始散射信号的可信度赋予散射信号权重，得到散射信号权重矩阵；步骤6：根据散射信号权重矩阵对初始散射信号进行平滑处理，得到最终散射信号；步骤7：将最终散射信号从CBCT投影中减去，得到校正CBCT投影，然后进行降噪处理并重建得到校正CBCT图像。

Description

一种基于计划CT校正CBCT中散射伪影的方法
技术领域
本发明涉及图像处理算法领域，特别涉及锥形束计算机断层成像(CBCT)中散射伪影校正方法。
背景技术
CBCT能够实现三维容积快速成像，并且由于体积小，成本低，易于和现有放疗系统整合等优点，被广泛应用于图像引导放疗。但CBCT图像中存在由光子散射造成的散射伪影，这限制了CBCT图像在临床上的应用扩展。因此，各种方式的散射校正算法被不断提出。其中基于软件的散射校正方法主要有解析模型法，蒙特卡洛模拟法和基于先验信息的校正法等几类方法。解析法根据射束特征建立解析模型估计散射，其性能取决于模型的精确性。模型越精确，效果越好，但建立模型具有经验性，且应用范围局限于模型建立时的假设。蒙特卡洛方法被认为是散射估计的金标准，但计算耗时长，不适用于临床。基于计划CT作为先验信息的散射校正方法能够在不改变硬件的条件下，利用患者已有的计划CT来估计散射信号，可以高效地达到散射校正的目的。然而，该方法性能严重依赖于患者的计划CT和待校正CBCT的匹配度，体重、器官充盈程度等患者体内解剖结构变化都会直接影响到现有方法的性能。此外，该类方法在估计散射的过程中，往往需要对计划CT和CBCT进行弹性配准，组织结构校正等图像预处理，对散射信号进行滤波处理以及多次迭代，以克服计划CT和CBCT不匹配导致的残余伪影，因此该类方法耗时长，临床实用性差。本发明提出了一种不依赖计划CT和CBCT的严格匹配，并且散射信号滤波处理相对简单快速的CBCT散射伪影校正方法。
发明内容
针对上述解决问题，本发明提出一种基于计划CT校正CBCT中散射伪影的方法，能够克服计划CT和CBCT不匹配问题，进行简单快速的CBCT散射伪影校正，简化图像处理过程，该方法在患者前后图像信息不一致的情况下，仍然可以较准确地估计出散射信号，进而达到散射校正的目的。
本发明技术解决方案为：一种基于计划CT校正CBCT中散射伪影的方法，包括以下步骤：
步骤1：获得实测CBCT投影和空场投影，得到正弦图，然后进行降噪处理并重建得到原始CBCT；
步骤2：将计划CT中CT值转换成衰减系数，然后和原始CBCT进行匹配，获得配准CT；
步骤3：对配准CT进行前向投影，得到模拟CBCT投影；
步骤4：将实测CBCT投影和模拟CBCT投影相减，得到初始散射信号；
步骤5：根据初始散射信号的可信度赋予散射信号权重，得到散射信号权重矩阵；
步骤6：根据散射信号权重矩阵对初始散射信号进行平滑处理，得到最终散射信号；
步骤7：将最终散射信号从CBCT投影中减去，得到校正CBCT投影，然后进行降噪处理并重建得到校正CBCT图像。
进一步的，所述步骤1首先获得实测CBCT投影和空场投影，得到正弦图，然后进行降噪处理并重建得到原始CBCT；具体包括：
首先获得实测CBCT投影和空场投影，其中CBCT投影包括主信号PP和散射信号PS；然后通过公式(1)得到正弦图sinogram，然后进行降噪处理并重建得到原始CBCT；降噪通过滤波或迭代算法实现；重建通过FDK算法或迭代方法实现；正弦图sinogram计算如下：
Figure BDA0003046260660000021
其中P为实测CBCT投影，I0为设备上空场扫描的投影信号，PP和PS分别为CBCT投影的主信号和散射信号。
进一步的，所述步骤2：将计划CT的CT值转换成衰减系数，然后和原始CBCT进行匹配，获得配准CT，具体包括：
计划CT作为高质量参考图像提供先验信息，针对采集系统不一致、以及患者状态不同的情况，对计划CT进行平移旋转或配准操作使计划CT和CBCT匹配。所述配准CT是将计划CT的CT值转换成衰减系数，然后通过对CBCT和计划CT进行匹配获得的。
进一步的，所述步骤3：对配准CT进行前向投影，得到模拟CBCT投影，具体包括如下步骤：
对配准CT进行前向投影，得到不含散射信号的模拟CBCT投影，该前向投影操作可以通过距离驱动方式，射线驱动方式或蒙特卡洛模拟等方法实现。
进一步的，所述步骤5：根据散射信号的正值性和低频特性分别对初始散射信号进行强度约束和梯度约束，然后根据初始散射信号的可信度对同时满足强度约束和梯度约束的散射信号赋予散射信号权重，得到散射信号权重矩阵，具体包括如下步骤：
(1)根据初始散射信号强度生成强度模板，散射信号大于Smin且小于Smax的像素，强度模板取值为1，否则为0，其中Smin和Smax为根据初始散射信号强度分布选取的数值下限以及上限；
(2)根据初始散射信号强度求出散射信号梯度，梯度绝对值小于Gmax的像素，取值为1，否则为0，得到梯度模板，其中Gmax为根据初始散射信号梯度分布选取的梯度阈值；
(3)计算散射信号权重矩阵：将强度模板和梯度模板对应像素值相乘，得到散射信号模板，散射信号模板中值为1表示该像素对应的初始散射信号被认为是可信任散射信号，然后根据散射信号的可信任度赋予散射信号权重，散射信号可信度值越高，权重值越接近于1；否则，认为是错误散射信号，散射信号权重为0；进而得到散射信号权重矩阵f。
进一步的，所述步骤6：根据散射信号权重矩阵对初始散射信号进行平滑处理，得到最终散射信号，具体包括：
通过步骤5得到散射信号权重矩阵，然后根据初始散射信号和散射信号权重矩阵对散射信号进行平滑处理，得到最终散射信号，该平滑处理可以使用滤波、插值或滤波与插值结合等方式实现。
有益效果：
本发明的一种基于计划CT校正CBCT中散射伪影的方法与现有技术相比优点在于：
(1)本发明通过改变散射估计的方法，使散射估计准确度对患者身体结构的改变不敏感，进而可以在患者身体结构发生较大变化的情况下，仍然可以得到较好的CBCT校正图像。
(2)本发明通过赋予散射信号权重，使可信的散射信号在估计最终散射信号时权重较大，由于计划CT和CBCT信息不匹配导致的不可信散射信号在散射估计过程中权重减小，极大地降低了最终散射信号准确性对计划CT和CBCT图像一致性的依赖。
(3)此外，现有方法还需要复杂繁琐的图像预处理过程和多次迭代计算以减少由于前后信息不一致导致的校正图像中出现的残余伪影。本发明方法性能不依赖于图像前后信息的一致性，极大地简化了图像预处理过程，提高了图像处理的效率。
附图说明
图1为本发明一种基于计划CT校正CBCT中散射伪影的方法的实现流程图；
图2为本发明通过步骤1-4后得到的初始散射信号；
图3为最终散射信号；
图4为本发明方法的结果，从左到右分别是盆骨体模的原始CBCT，校正CBCT和作为参考的扇形束计划CT；
图5是盆骨体模计划CT和CBCT存在差异时，即在计划CT中存在大小为32*32*16mm3的空腔，但CBCT中不存在空腔的情况下，本发明方法和现有方法分别得到的校正CBCT对比。从左到右依次为带有空腔的盆骨体模的计划CT,本发明方法校正CBCT和现有方法校正CBCT；
图6为本发明方法和现有方法在两名患者病例上的校正结果对比。从左到右依次为患者的计划CT，本发明方法校正CBCT，现有方法校正CBCT。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为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，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
如图1所示，为本发明的一种基于计划CT校正CBCT中散射伪影的方法的流程图；本发明方法的实施需要获取CBCT系统的患者投影信号(P)、空场投影信号(I0)和CBCT系统的几何参数设置(射源与扫描旋转中心的距离，射源与探测器中心的距离，探测器偏置距离和探测器像素的大小等)以及患者对应的计划CT图像。具体实施如下：
A1：首先获得实测CBCT投影和空场投影，其中CBCT投影有主信号(PP)和散射信号(PS)组成。然后通过公式(1)得到正弦图(sinogram)，然后进行降噪处理并重建。在本发明中，降噪处理通过惩罚权重最小二乘法实现，重建使用FDK算法实现。由于散射信号有时可以高达主信号的几倍以上，因此原始CBCT中散射伪影严重，导致图像分辨率低。
Figure BDA0003046260660000041
其中，P为实测CBCT投影，I0为设备上空场扫描的投影信号。PP和PS分别为实测CBCT投影的主信号和散射信号。
A2：计划CT在临床放疗上用于靶区勾画，放疗计划设计等，可以认为是高质量的参考图像，为CBCT散射校正提供先验信息。但由于采集系统不一致，且患者状态不同，需要对计划CT进行平移旋转或配准等操作，以获得与CBCT大致对齐的配准CT。在本发明中，首先将计划CT的CT值转换成衰减系数，然后和原始CBCT进行刚性配准获得配准CT。
A3：对配准CT进行前向投影，得到不含散射信号的模拟CBCT投影。该前向投影操作可以通过距离驱动方式，射线驱动方式或蒙特卡洛模拟等方法实现。在本发明中，使用距离驱动方式对配准CT进行前向投影。
A4：将实测CBCT投影和模拟CBCT投影相减，得到初始散射信号(S0)。
A5：步骤A4中得到的初始散射信号包含由于计划CT和CBCT不匹配导致的错误散射信号，这些错误散射信号会影响到散射估计的准确性，因此我们根据散射信号的可信度赋予散射信号权重，以降低这些错误散射信号对最终散射信号的影响。在本发明中，散射信号由散射信号强度约束和梯度约束决定其是否可信，散射信号权重矩阵根据二值化方法得到的，即散射信号同时满足要求强度约束和梯度约束时，被认为是可完全信任散射信号，对应散射信号权重矩阵f(i,j)的值为1，否则为0。具体实施过程如下：
根据散射信号的强度和梯度分别生成一个强度模板fI(i,j)和梯度模板fG(i,j)，散射信号权重矩阵通过fI(i,j)和fG(i,j)点乘得到。其中fI(i,j)和fG(i,j)分别通过公式(2)和(3)得到。
Figure BDA0003046260660000051
其中，fI(i,j)是第i行和第j列的散射信号强度模板对应值；S0(i,j)是初始散射信号第i行和第j列的初始散射信号值；Smin和Smax是散射信号的最小值和最大值。根据散射信号的正值性，Smin＝0。Smax根据初始散射信号的强度分布得到。
Figure BDA0003046260660000052
其中，fG(i,j)是第i行和第j列散射信号梯度模板对应值；
Figure BDA0003046260660000053
表示初始散射信号第i行和第j列散射信号梯度绝对值；S0(i,j)是第i行和第j列的初始散射信号值。根据散射信号的低频特性，散射信号梯度小于梯度最大值Gmax，Gmax根据散射信号梯度分布得到。
A6：通过A5得到散射信号权重矩阵，然后对散射信号进行平滑处理，该平滑处理可以使用滤波、插值或滤波与插值结合等方式实现。在本发明中，使用局域滤波方法进行平滑处理。最终散射信号(SE)可以通过公式(4)获得。
Figure BDA0003046260660000061
其中，S0为初始散射信号，f为散射信号权重矩阵；i,s和j,t分别表示数值在的行数和列数；w是局域滤波核。
A7：最终散射信号从实测CBCT投影中减去，得到校正CBCT投影，然后进行降噪处理并重建得到校正CBCT图像。在本发明中，降噪处理通过惩罚权重最小二乘法实现，重建使用FDK实现。
图2为通过步骤A1-A4后得到的一个投影初始散射信号。由图2可以看出，散射信号整体来看是相对低频的，只有在组织突变处存在相对高频信号，如图中箭头所示。这些高频信号值与低频散射信号值差异高达数十倍，如果这些信号是由于配准CT和CBCT不匹配导致的，则会严重影响校正CBCT的图像质量。
图3为最终散射信号。最终散射信号很好地保证了散射信号的低频性和准确性。
图4为本发明方法的结果，从左到右分别是盆骨体模的原始CBCT，校正CBCT和扇形束计划CT。其中扇形束计划CT作为高质量的图像，是比较的金标准。本发明提出的校正方法，减少了散射伪影，将图像CT值误差从208HU减少到14HU。
图5是盆骨体模计划CT和CBCT存在差异时,即在计划CT中存在空腔，但CBCT中不存在空腔的情况下，本发明方法和现有校正方法得到的校正CBCT结果对比。从左到右依次是盆骨体模的计划CT,本发明方法校正CBCT和现有校正方法校正CBCT。从图中可以看出，本发明方法在计划CT和CBCT存在较大差异时，仍然可以得到高质量CBCT图像，但现有方法会存在明显伪影。
图6为本发明方法和现有方法在两名患者病例上的校正结果对比。从左到右依次是患者的计划CT,本发明方法校正CBCT,现有方法校正CBCT，箭头指出现有方法得到的校正CBCT存在伪影，这些伪影主要是因为计划CT和CBCT不匹配所导致的。同计划CT相比较，本发明方法得到的校正CBCT的CT值在选定的脂肪和软组织区域的误差最大为10HU,空间不均匀度为30HU，现有方法CT值最大误差为110HU，空间不均匀度为99HU。本发明方法，不再需要复杂的图像处理，比如弹性配准，人工修正不匹配区域，中值滤波和迭代处理等步骤，不仅简化了图像处理过程，降低图像处理时间，还进一步提高了CBCT的图像质量。
提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

Claims (6)

1.一种基于计划CT校正CBCT中散射伪影的方法，其特征在于，包括以下步骤：
步骤1：获得实测CBCT投影和空场投影，得到正弦图，然后进行降噪处理并重建得到原始CBCT；
步骤2：将计划CT的CT值转换成衰减系数，然后和原始CBCT进行匹配，获得配准CT；
步骤3：对配准CT进行前向投影，得到模拟CBCT投影；
步骤4：将实测CBCT投影和模拟CBCT投影相减，得到初始散射信号；
步骤5：根据初始散射信号的可信度赋予散射信号权重，得到散射信号权重矩阵；
步骤6：根据散射信号权重矩阵对初始散射信号进行平滑处理，得到最终散射信号；
步骤7：将最终散射信号从CBCT投影中减去，得到校正CBCT投影，然后进行降噪处理并重建得到校正CBCT图像。
2.根据权利要求1所述的一种基于计划CT校正CBCT中散射伪影的方法，其特征在于，所述步骤1首先获得实测CBCT投影和空场投影，得到正弦图，然后进行降噪处理并重建得到原始CBCT，具体包括：
首先获得实测CBCT投影和空场投影，其中CBCT投影包括主信号PP和散射信号PS；然后通过公式(1)得到正弦图sinogram，然后进行降噪处理并重建得到原始CBCT；降噪通过滤波或迭代算法实现；重建通过FDK算法或迭代方法实现；正弦图sinogram计算如下：
Figure FDA0003046260650000011
其中，P为实测CBCT投影，I0为设备上空场扫描的投影信号，PP和PS分别为CBCT投影的主信号和散射信号。
3.根据权利要求1所述的一种基于计划CT校正CBCT中散射伪影的方法，其特征在于，所述步骤2：将计划CT的CT值转换成衰减系数，然后和原始CBCT进行匹配，获得配准CT，具体包括：
计划CT作为高质量参考图像提供先验信息，针对采集系统不一致、以及患者状态不同的情况，对计划CT进行平移旋转或配准操作使计划CT和CBCT匹配；所述配准CT是将计划CT的CT值转换成衰减系数，然后通过对原始CBCT和计划CT进行匹配获得的。
4.根据权利要求1所述的一种基于计划CT校正CBCT中散射伪影的方法，其特征在于，所述步骤3：对配准CT进行前向投影，得到模拟CBCT投影，具体包括如下步骤：
对配准CT进行前向投影，得到不含散射信号的模拟CBCT投影，该前向投影操作通过距离驱动方式、射线驱动方式或蒙特卡洛模拟的方法实现。
5.根据权利要求1所述的一种基于计划CT校正CBCT中散射伪影的方法，其特征在于，所述步骤5具体包括：根据散射信号的正值性和低频特性分别对初始散射信号进行强度约束和梯度约束，然后根据初始散射信号的可信度对同时满足强度约束和梯度约束的散射信号赋予散射信号权重，得到散射信号权重矩阵，具体包括如下步骤：
(1)根据初始散射信号强度生成强度模板，散射信号大于Smin且小于Smax的像素，强度模板取值为1，否则为0，其中Smin和Smax为根据初始散射信号强度分布选取的数值下限以及上限；
(2)根据初始散射信号强度求出散射信号梯度，梯度绝对值小于Gmax的像素，取值为1，否则为0，得到梯度模板，其中Gmax为根据初始散射信号梯度分布选取的梯度阈值；
(3)计算散射信号权重矩阵：将强度模板和梯度模板对应像素值相乘，得到散射信号模板，散射信号模板中值为1表示该像素对应的初始散射信号被认为是可信任散射信号，然后根据散射信号的可信任度赋予散射信号权重，散射信号可信度值越高，权重值越接近于1；否则，认为是错误散射信号，散射信号权重为0；进而得到散射信号权重矩阵f。
6.根据权利要求1所述的一种基于计划CT校正CBCT中散射伪影的方法，其特征在于，所述步骤6：根据散射信号权重矩阵对初始散射信号进行平滑处理，得到最终散射信号，具体包括：
通过步骤5得到散射信号权重矩阵，然后根据初始散射信号和散射信号权重矩阵对散射信号进行平滑处理，得到最终散射信号，该平滑处理使用滤波、插值或滤波与插值相结合的方式实现。
CN202110473486.0A 2021-04-29 2021-04-29 一种基于计划ct校正cbct中散射伪影的方法 Pending CN113177991A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110473486.0A CN113177991A (zh) 2021-04-29 2021-04-29 一种基于计划ct校正cbct中散射伪影的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110473486.0A CN113177991A (zh) 2021-04-29 2021-04-29 一种基于计划ct校正cbct中散射伪影的方法

Publications (1)

Publication Number Publication Date
CN113177991A true CN113177991A (zh) 2021-07-27

Family

ID=76925286

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110473486.0A Pending CN113177991A (zh) 2021-04-29 2021-04-29 一种基于计划ct校正cbct中散射伪影的方法

Country Status (1)

Country Link
CN (1) CN113177991A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503505A (zh) * 2023-06-20 2023-07-28 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种cbct图像的伪影去除方法、装置、设备及介质
CN117830456A (zh) * 2024-03-04 2024-04-05 中国科学技术大学 用于校正图像金属伪影的方法、装置及电子设备

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080273651A1 (en) * 2007-05-05 2008-11-06 Franz Edward Boas Methods and apparatus for reducing artifacts in computed tomography images
CN102327126A (zh) * 2011-07-22 2012-01-25 李宝生 锥形束ct图像用于放疗剂量计算的个体化ct值校正方法
CN106204673A (zh) * 2016-06-29 2016-12-07 中国人民解放军信息工程大学 基于能谱滤波和图像残差重投影的ct图像金属伪影校正方法
CN109870471A (zh) * 2019-02-27 2019-06-11 西北工业大学 一种单光栅侦测的锥束ct角度序列散射获取方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080273651A1 (en) * 2007-05-05 2008-11-06 Franz Edward Boas Methods and apparatus for reducing artifacts in computed tomography images
CN102327126A (zh) * 2011-07-22 2012-01-25 李宝生 锥形束ct图像用于放疗剂量计算的个体化ct值校正方法
CN106204673A (zh) * 2016-06-29 2016-12-07 中国人民解放军信息工程大学 基于能谱滤波和图像残差重投影的ct图像金属伪影校正方法
CN109870471A (zh) * 2019-02-27 2019-06-11 西北工业大学 一种单光栅侦测的锥束ct角度序列散射获取方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HEHE CUI 等: "Local-filtration Based Scatter Correction for Conebeam CT Using Planning CT as a Prior", 《IEEE XPLORE》 *
刘建邦 等: "基于K-N模型的锥束CT散射伪影校正方法", 《光学学报》 *
戎军艳 等: "锥束CT散射抑制方法综述", 《CT理论与应用研究》 *
王强等: "基于条状挡板的kV级锥形束CT散射校正", 《中国医学影像技术》 *
蔡玉芳 等: "工业CT图像边缘伪影校正", 《强激光与粒子束》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116503505A (zh) * 2023-06-20 2023-07-28 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种cbct图像的伪影去除方法、装置、设备及介质
CN116503505B (zh) * 2023-06-20 2024-04-05 中山大学肿瘤防治中心（中山大学附属肿瘤医院、中山大学肿瘤研究所） 一种cbct图像的伪影去除方法、装置、设备及介质
CN117830456A (zh) * 2024-03-04 2024-04-05 中国科学技术大学 用于校正图像金属伪影的方法、装置及电子设备
CN117830456B (zh) * 2024-03-04 2024-05-28 中国科学技术大学 用于校正图像金属伪影的方法、装置及电子设备

Similar Documents

Publication Publication Date Title
CN109978778B (zh) 基于残差学习的卷积神经网络医学ct图像去噪方法
CN107330949B (zh) 一种伪影校正方法及系统
EP3226766B1 (en) System and method for image calibration
US8705827B2 (en) Scatter correction methods
JP2019211475A (ja) 医用画像処理装置及びプログラム
Wang et al. Dosimetric study on learning-based cone-beam CT correction in adaptive radiation therapy
Wallach et al. Super-resolution in respiratory synchronized positron emission tomography
CN103559728B (zh) 基于解剖功能联合先验模型的pet图像最大后验重建方法
CN112348936B (zh) 一种基于深度学习的低剂量锥束ct图像重建方法
WO2023273336A1 (zh) 基于多任务学习约束的pet图像感兴趣区域增强重建方法
CN110335325B (zh) 一种ct图像重建方法及其系统
CN112102213B (zh) 低剂量ct图像处理方法、扫描系统及计算机存储介质
CN113177991A (zh) 一种基于计划ct校正cbct中散射伪影的方法
WO2022000192A1 (zh) 一种ct图像的构建方法、ct设备以及存储介质
CN108596995B (zh) 一种pet-mri最大后验联合重建方法
CN113196340A (zh) 用于正电子发射断层摄影(pet)的基于人工智能(ai)的标准化摄取值(suv)校正和变化评估
CN108885786B (zh) 医学图像处理
CN114334130B (zh) 一种基于脑对称性的pet分子影像计算机辅助诊断系统
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
Lewis et al. Mitigation of motion artifacts in CBCT of lung tumors based on tracked tumor motion during CBCT acquisition
Jiang et al. Fast four‐dimensional cone‐beam computed tomography reconstruction using deformable convolutional networks
Asma et al. Quantitatively accurate image reconstruction for clinical whole-body PET imaging
Du et al. X-ray CT image denoising with MINF: A modularized iterative network framework for data from multiple dose levels
Danesh et al. Automatic production of synthetic labelled OCT images using an active shape model
Peng et al. GPU-accelerated dynamic wavelet thresholding algorithm for X-ray CT metal artifact reduction

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210727