CN113192155A - 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 - Google Patents
螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 Download PDFInfo
- Publication number
- CN113192155A CN113192155A CN202110155481.3A CN202110155481A CN113192155A CN 113192155 A CN113192155 A CN 113192155A CN 202110155481 A CN202110155481 A CN 202110155481A CN 113192155 A CN113192155 A CN 113192155A
- Authority
- CN
- China
- Prior art keywords
- row
- image
- scanning
- low
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000011295 pitch Substances 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000002591 computed tomography Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 230000001629 suppression Effects 0.000 claims abstract description 6
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 3
- 238000013434 data augmentation Methods 0.000 claims description 3
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
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
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact 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
Abstract
本发明涉及医学成像技术领域，公开了一种螺旋CT锥束扫描图像重建方法、扫描系统及存储介质，方法包括步骤：创建CT扫描数据集：选定多个CT扫描系统的螺距，在每个选定螺距下，采集低排数投影数据和高排数投影数据；对数据进行预处理生成训练集：对投影数据进行重建，得到对应的低排数重建图像和高排数重建图像并对其进行坐标转换，将对应的螺距值存储为独立的螺距模型和权重文件；设计网络结构：神经网络的输出端设计能够根据不同的螺距动态调整卷积核的数量Meta‑learning模块。本发明能够实现对任意螺距伪影抑制，提高目标图像质量。
Description
技术领域
本发明涉及医学成像技术领域，具体涉及一种螺旋CT锥束扫描图像重建方法、扫描系统及存储介质。
背景技术
CT医学成像系统自20世纪70年代发明了之后经过了长足的进步，扫描速度从开始要 几分钟到现在的0.2秒。探测器排数也从开始的单排双排，到现在的64排，128排，甚至256排。这其中的变化不单单是系统硬件的升级换代，系统的图像重建技术也带来了革 命性的变化。初期的CT系统由于只有一排探测器，所以X射线束是扇形束，所用到的重 建技术也都是二维的扇形束重建技术。因为每次只能扫描一层，整个扫描需要很长的时 间，后来多排CT引入就是为了加快扫描的速度，比如16排，32排的系统以及锥束CT， 128排，256排等，这时候X射线也变成了三维的锥形束。
螺旋CT的引入可以连续地采集数据，对物体进行容积扫描三维重建，不仅缩短了扫 描时间，而且提升了图像质量。和之前的几何结构和扫描方式有了些区别，所以必须要用螺旋锥形束重建技术来重建图像。虽然锥形束精确重建技术的数学理论已经被提出来很久，但是由于算法的复杂性，还是没有能够普遍的应用到系统中。目前主流产品中所 应用的锥形束重建技术都是基于FDK算法的近似算法。除了这些解析类的算法之外，还 有应用迭代重建算法来减少误差，改善图像质量。
螺旋CT扫描方式扩展了CT的临床应用，针对不同的扫描部位通常会设置不同的扫描螺距，例如心脏扫描的螺距为0.1到0.3，胸腹部扫描螺距为1.0到1.5，头部扫描螺距0.5到1.0等。重建误差和锥角(正比于探测器的排数)的平方成正比，所以在锥角(探测器 排数)比较小的时候FDK类方法还能够得到比较好的效果(小于等于16排)。但是当探测器 排数增大到128甚至256排的时候就会带来很大的误差，而且不同螺距下伪影表现形式不 一样。导致图像不能够满足临床诊断的要求(图3)。文献【1】(A three-dimensional-weightedcone beam filtered backprojection(CB-FBP)algorithm for image reconstructionin olumetric CT—helical scanning)中通过3D weighting的方式来减少伪影，该方法针对不同的螺距需 要调整不同的weighting，且在大锥角的情况下该方法不能达到令人满意图像质量。如图3所示，常规方法在128排的几何结构下会造成严重的锥形束伪影，从左到右依次为螺距 0.5，1.0，1.5。
现有基于深度学习的方法，都是基于卷积神经网络。卷积神经网络的优点是，空间不变性，因此能够用比较小的网络来达到比较好的处理效果。但这也是卷积网络最大的 弱点，因为图像重建中所遇到的伪影是随着空间位置的变化，不同位置的伪影的强度、 方向、样式都会不断的变换。因此目前的基于AI的方法都还存在着这个缺陷。
文献【2】(Cone Beam Artifacts Correction in Multidetector ComputedTomography Using Deep Neural Networks，The 6th International Conference onImage Formation in X-Ray Computed Tomography，Hao Zhao,Yanyan Liu,and GuotaoQuan)提出的锥束伪影 的抑制技术。该方法还是基于图像域的处理，在输入端增加了锥角map。该方法增加了 注意力机制，但是没有考虑神经网络的空间不变性，而且不适用螺旋扫描的情况。迭代 算法虽然能够改善图像质量，但是算法的计算量很大，很难满足临床的实际应用。
发明内容
技术目的：为克服上述不足，本发明提供了一种螺旋CT锥束扫描图像重建方法、扫描系统及存储介质，其能够减少锥形束伪影对图像质量带来的影响，进一步提高图像 质量。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
一种螺旋CT锥束扫描图像重建方法，其特征在于，包括步骤：
(1)、创建CT扫描数据集：选定多个CT扫描系统的螺距，在每个选定螺距下， 分别用低排数和高排数的CT扫描系统对患者同一部位进行扫描，得到同一部位对应的 低排数投影数据和高排数投影数据；
(2)、数据预处理生成训练集：收集不同扫描部位的投影数据，分别对低排数投 影数据和高排数投影数据进行重建，得到对应的螺距值、低排数重建图像和高排数重建 图像；对低排数重建图像和高排数重建图像进行坐标变换，将图像由直角坐标系转移到 具有平移不变性的坐标系中，得到对应的低排数变换图像、高排数变换图像；
与低排数变换图像、高排数变换图像对应的CT扫描系统的螺距值，存储为独立的螺距模型weights文件；
(3)、设计网络结构和损失函数：构建神经网络作为螺旋锥束伪影抑制网络，所 述神经网络的输出端设计Meta-learning模块；步骤(2)中得到的高排变换图像作为神 经网络的第一输入，对应的螺距模型weights文件作为神经网络的第二输入、低排数变 换图像作为神经网络的输出图像；Meta-learning模块用于根据不同的螺距动态调整卷积 核的数量；
(4)、网络训练：将训练集和测试集数据输入到神经网络进行训练；训练过程中，使用仿射变换和弹性变换进行数据增广，最后训练完成，得到网络的网络参数；将训练 好的网络，部署到实际的CT系统中；
(5)、在所述CT扫描系统中对患者进行CT扫描，扫描部位重建出高排数图像， 输入到神经网络中，得到目标图像，供医生查阅。
作为优选，所述神经网络采用卷积神经网络。
作为优选，所述步骤(2)中，坐标变换采用小波变换、曲波变换、轮廓波变换或 极坐标变换中的任一种。
作为优选，所述步骤(3)中，损失函数采用均方误差损失函数，公式如下：
其中，Pn为预测图中像素n的值，gn为真实图中像素n的值，N为图中像素总数。
作为优选，所述步骤(4)中，神经网络使用Adam优化器、以初始学习率为0.001 进行训练。
作为优选，所述步骤(1)中，通过数值模拟仿真的方式，分别用低排数和高排数 的CT扫描系统，对数字体膜进行CT投影仿真，得到对比数据集。
一种扫描系统，执行所述方法，其特征在于，包括：
CT扫描模块，包括低排数CT设备和高排数CT设备，用于对患者进行扫描，得到 对应的低排数投影数据和高排数投影数据；
图像重建模块，用于对低排数投影数据和高排数投影数据进行重建，得到对应的低 排数重建图像和高排数重建图像；
图像处理模块，用于对低高排数重建图像和高排数重建图像进行坐标转换，将图像 由直角坐标系转移到具有平移不变性的坐标系中，得到对应的低排数变换图像和高排数 变换图像；并将此时对应的CT扫描系统的螺距值存储为一个螺距模型weights文件；
神经网络模块，将高排数变换图像及其对应的螺距模型weights文件分别作为第一 输入和第二输入，经神经网络处理后输出伪影得到抑制的目标图像；
图像输出模块，用于输出供医生查阅的目标图像。
一种存储介质，其特征在于：所述存储介质存储有至少一个可被处理器执行的指令， 其中至少一个指令被处理器执行时，用于执行所述螺旋CT锥束扫描图像重建方法。
有益效果：由于采用了上述技术方案，本发明具有如下技术效果：
本发明通过结合深度学习和传统重建的方法来处理图像，不同于常规的基于深度学 习的图像处理方法，其基于Meta-learning,对任意pitch动态预测滤波器的权重，不同螺 距只需要存储一个模型weights文件，能够实现对任意螺距伪影抑制，提高目标图像质量。
附图说明
图1为本发明方法应用在U-net神经网络中的网络模型示意图；
图2为本发明方法中Meta-learning Module的结构示意图；
图3为传统方法在128排的几何结构下的重建图像的示意图，从左至右分别对应不同 螺距0.5、1.0、1.5；
图4为本发明方法与传统方法重建图像的对比图，其中上层三幅为传统方法对应的 图像、下图为本发明对应的图像。
具体实施方式
下面结合附图对本发明进行详细的描述。
本发明的目的通过深度学习结合传统重建的方法来处理图像。不同于常规的基于深 度学习的图像处理方法(输入只有原始图像，这个图像经过网络处理之后，就是输出的图像)。螺旋CT重建伪影的位置和强度随螺距成周期性变化。这里为了能够达到更好的 效果，首先把图像经过变换到更加具有平移不变空间中，如把图像进行旋转变换，保持 伪影在同一个位置。输入的数据和目标图像都首先经过对应变换到新的空间中，然后在 新的空间中进行训练。传统深度学习的方法需要把不同螺距看作是独立的任务，然后分 别训练模型,保存独立的模型和权重文件，使用起来不方便。螺旋锥束CT伪影与螺距相 关，本发明基于Meta-learning，对任意pitch动态预测滤波器的权重，即神经网络卷积核 的权重参数；不同螺距只需要存储一个模型weights文件，实现对任意螺距伪影抑制。
1、首先创建CT扫描数据集：包括各个部位的常规任意螺距CT扫描数据，分别用低排数和高排数(比如128排)的CT对同一部位进行扫描，此外，也可以是通过数值模拟仿 真的方式，分别用低排数和高排数CT系统，对数字体膜进行CT投影仿真，得到对比数 据集。一般来说，低排数CT指探测器排数在32排及以下的CT设备，高排数CT指探测器 排数在128排及以上的CT设备。
2、数据预处理生成训练集：对输入数据和目标数据进行旋转变换，保持每个病人的锥束伪影在同一位置。由于伪影在位置上是具有周期性的、与扫描角度相关，按照重 建中心旋转某一角度就能保证每个病人的伪影在同一位置。
3、设计网络结构和损失函数：如图1和图2所示，构建神经网络作为螺旋锥束伪影抑制网络，该网络有两个输入：高排数CT系统重建图像及其对应的pitch(螺距)值，网 络输出端提出一个Meta Learning Module，根据不同的螺距动态调整卷积核的数量。 MetaLearning Module针对不同的螺距pitch，通过调整卷积层conv中卷积核的数量，使 得抑制不同螺距的伪影效果达到最佳，提高鲁棒性。Meta Learning Module共享特征，相 辅相成，提升精度，即Meta Learning Module针对不同螺距，会有多个分支(每个分支仅 只有卷积核的数量不同)，该多个分支的输入均为一个特征图，所以说Meta Learning Module共享一个特征图。
卷积神经网络处理数据是分批处理的，图2中，Batch是批的意思，Batch就是每批处理的样本的个数。inC、inH、inW表示当前特征图的通道数、高度和宽度。inC*pitch 表示针对不同的螺距(pitch)，调整卷积核的数量。
损失函数采用均方误差损失，公式如下：
其中，LMSE中，pn为预测图中像素n的值，gn为真实图中像素n的值，N为图中像 素总数。
4、网络训练：将训练集和测试集数据输入到网络中，网络使用Adam优化器、初始学习率为0.001进行训练，训练过程中，使用仿射变换和弹性变换进行数据增广，最后训 练完成得到网络的网络参数。Adam优化器，是计算和更新每个神经网络参数的自适应 学习的一种方法，利用梯度的一阶矩估计和二阶矩估计动态调整每个参数的学习率。
5、训练好的网络，并部署到实际的系统中，扫描部位重建出高排数图像，输入到网络中，得到目标图像。测试结果如图4所示。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员 来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种螺旋CT锥束扫描图像重建方法，其特征在于，包括步骤：
(1)、创建CT扫描数据集：选定多个CT扫描系统的螺距，在每个选定螺距下，分别用低排数和高排数的CT扫描系统对患者同一部位进行扫描，得到同一部位对应的低排数投影数据和高排数投影数据；
(2)、数据预处理生成训练集：收集不同扫描部位的投影数据，分别对低排数投影数据和高排数投影数据进行重建，得到对应的螺距值、低排数重建图像和高排数重建图像；对低排数重建图像和高排数重建图像进行坐标变换，将图像由直角坐标系转移到具有平移不变性的坐标系中，得到对应的低排数变换图像、高排数变换图像；
与低排数变换图像、高排数变换图像对应的CT扫描系统的螺距值，存储为独立的螺距模型weights文件；
(3)、设计网络结构和损失函数：构建神经网络作为螺旋锥束伪影抑制网络，所述神经网络的输出端设计Meta-learning模块；步骤(2)中得到的高排变换图像作为神经网络的第一输入，对应的螺距模型weights文件作为神经网络的第二输入、低排数变换图像作为神经网络的输出图像；Meta-learning模块用于根据不同的螺距动态调整卷积核的数量；
(4)、网络训练：将训练集和测试集数据输入到神经网络进行训练；训练过程中，使用仿射变换和弹性变换进行数据增广，最后训练完成，得到网络的网络参数；将训练好的网络，部署到实际的CT系统中；
(5)、在所述CT扫描系统中对患者进行CT扫描，扫描部位重建出高排数图像，输入到神经网络中，得到目标图像，供医生查阅。
2.根据权利要求1所述的螺旋CT锥束扫描图像重建方法，其特征在于：所述神经网络采用卷积神经网络。
3.根据权利要求1所述的螺旋CT锥束扫描图像重建方法，其特征在于：所述步骤(2)中，坐标变换采用小波变换、曲波变换、轮廓波变换或极坐标变换中的任一种。
4.根据权利要求1所述的螺旋CT锥束扫描图像重建方法，其特征在于：所述步骤(3)中，损失函数采用均方误差损失函数，公式如下：
其中，Pn为预测图中像素n的值，gn为真实图中像素n的值，N为图中像素总数。
5.根据权利要求1所述的螺旋CT锥束扫描图像重建方法，其特征在于：所述步骤(4)中，神经网络使用Adam优化器、以初始学习率为0.001进行训练。
6.根据权利要求1所述的螺旋CT锥束扫描图像重建方法，其特征在于：所述步骤(1)中，通过数值模拟仿真的方式，分别用低排数和高排数的CT扫描系统，对数字体膜进行CT投影仿真，得到对比数据集。
7.一种扫描系统，执行权利要求1-6任一所述方法，其特征在于，包括：
CT扫描模块，包括低排数CT设备和高排数CT设备，用于对患者进行扫描，得到对应的低排数投影数据和高排数投影数据；
图像重建模块，用于对低排数投影数据和高排数投影数据进行重建，得到对应的低排数重建图像和高排数重建图像；
图像处理模块，用于对低高排数重建图像和高排数重建图像进行坐标转换，将图像由直角坐标系转移到具有平移不变性的坐标系中，得到对应的低排数变换图像和高排数变换图像；并将此时对应的CT扫描系统的螺距值存储为一个螺距模型weights文件；
神经网络模块，将高排数变换图像及其对应的螺距模型weights文件分别作为第一输入和第二输入，经神经网络处理后输出伪影得到抑制的目标图像；
图像输出模块，用于输出供医生查阅的目标图像。
8.一种存储介质，其特征在于：所述存储介质存储有至少一个可被处理器执行的指令，其中至少一个指令被处理器执行时，用于执行如权利要求1至6中任一所述螺旋CT锥束扫描图像重建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110155481.3A CN113192155B (zh) | 2021-02-04 | 2021-02-04 | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110155481.3A CN113192155B (zh) | 2021-02-04 | 2021-02-04 | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113192155A true CN113192155A (zh) | 2021-07-30 |
| CN113192155B CN113192155B (zh) | 2023-09-26 |
Family
ID=76972843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110155481.3A Active CN113192155B (zh) | 2021-02-04 | 2021-02-04 | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113192155B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740218A (zh) * | 2023-08-11 | 2023-09-12 | 南京安科医疗科技有限公司 | 一种心脏ct成像图像质量优化方法、设备及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03262947A (ja) * | 1990-03-14 | 1991-11-22 | Hitachi Ltd | コンピュータ断層撮影装置及びその方法並びにコンピュータ断層撮影走査装置 |
| US20040174946A1 (en) * | 2003-03-05 | 2004-09-09 | Jiang Hsieh | Convolution reconstruction algorithm for multi-slice CT |
| US20130094736A1 (en) * | 2011-10-18 | 2013-04-18 | Toshiba Medical Systems Corporation | Method and system for substantially reducing streak artifacts in helical cone beam computer tomography (ct) |
| US20140369463A1 (en) * | 2013-06-14 | 2014-12-18 | General Electric Company | System and method of iterative image reconstruction for computed tomography |
| US20190104940A1 (en) * | 2017-10-06 | 2019-04-11 | Toshiba Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction |
| US20190206095A1 (en) * | 2017-12-29 | 2019-07-04 | Tsinghua University | Image processing method, image processing device and storage medium |
| CN111127579A (zh) * | 2019-12-26 | 2020-05-08 | 南京安科医疗科技有限公司 | 一种基于神经网络去锥形束伪影的ct重建方法 |
| US20200305806A1 (en) * | 2019-03-29 | 2020-10-01 | Canon Medical Systems Corporation | Apparatuses and a method for artifact reduction in medical images using a neural network |
| WO2020237873A1 (zh) * | 2019-05-27 | 2020-12-03 | 清华大学 | 基于神经网络的螺旋ct图像重建方法和设备及存储介质 |
| CN112102428A (zh) * | 2020-11-23 | 2020-12-18 | 南京安科医疗科技有限公司 | Ct锥形束扫描图像重建方法、扫描系统计及存储介质 |
-
2021
- 2021-02-04 CN CN202110155481.3A patent/CN113192155B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH03262947A (ja) * | 1990-03-14 | 1991-11-22 | Hitachi Ltd | コンピュータ断層撮影装置及びその方法並びにコンピュータ断層撮影走査装置 |
| US20040174946A1 (en) * | 2003-03-05 | 2004-09-09 | Jiang Hsieh | Convolution reconstruction algorithm for multi-slice CT |
| US20130094736A1 (en) * | 2011-10-18 | 2013-04-18 | Toshiba Medical Systems Corporation | Method and system for substantially reducing streak artifacts in helical cone beam computer tomography (ct) |
| US20140369463A1 (en) * | 2013-06-14 | 2014-12-18 | General Electric Company | System and method of iterative image reconstruction for computed tomography |
| US20190104940A1 (en) * | 2017-10-06 | 2019-04-11 | Toshiba Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction |
| US20190206095A1 (en) * | 2017-12-29 | 2019-07-04 | Tsinghua University | Image processing method, image processing device and storage medium |
| US20200305806A1 (en) * | 2019-03-29 | 2020-10-01 | Canon Medical Systems Corporation | Apparatuses and a method for artifact reduction in medical images using a neural network |
| WO2020237873A1 (zh) * | 2019-05-27 | 2020-12-03 | 清华大学 | 基于神经网络的螺旋ct图像重建方法和设备及存储介质 |
| CN111127579A (zh) * | 2019-12-26 | 2020-05-08 | 南京安科医疗科技有限公司 | 一种基于神经网络去锥形束伪影的ct重建方法 |
| CN112102428A (zh) * | 2020-11-23 | 2020-12-18 | 南京安科医疗科技有限公司 | Ct锥形束扫描图像重建方法、扫描系统计及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| KAI ZENG等: ""Cone-beam mammo-computed tomography from data along two tilting arcs"", 《MED. PHYS》, pages 3621 - 3633 * |
| 周茂等: ""肺部CT 图像分割方法研究"", 《CT理论与应用研究》, pages 683 - 691 * |
| 陈志强等: ""三维锥束扫描CT 成像图像重建新进展"", 《CT理论与应用研究》, pages 5 - 8 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116740218A (zh) * | 2023-08-11 | 2023-09-12 | 南京安科医疗科技有限公司 | 一种心脏ct成像图像质量优化方法、设备及介质 |
| CN116740218B (zh) * | 2023-08-11 | 2023-10-27 | 南京安科医疗科技有限公司 | 一种心脏ct成像图像质量优化方法、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113192155B (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110461228B (zh) | 使用多对比度和深度学习改进医学图像的质量 | |
| US11026642B2 (en) | Apparatuses and a method for artifact reduction in medical images using a neural network | |
| US11120582B2 (en) | Unified dual-domain network for medical image formation, recovery, and analysis | |
| US8705828B2 (en) | Methods and apparatus for super resolution scanning for CBCT system and cone-beam image reconstruction | |
| US20150228092A1 (en) | Digital breast tomosynthesis reconstruction using adaptive voxel grid | |
| CN110298447B (zh) | 用于处理机器学习方法的参数的方法以及重建方法 | |
| CN110335325B (zh) | 一种ct图像重建方法及其系统 | |
| CN111311704A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| CN110349234B (zh) | 一种ct锥形束图像重建方法及其系统 | |
| CN106530236B (zh) | 一种医学图像处理方法及系统 | |
| US20180089864A1 (en) | Cbct image processing method | |
| CN112102428B (zh) | Ct锥形束扫描图像重建方法、扫描系统及存储介质 | |
| CN111127579A (zh) | 一种基于神经网络去锥形束伪影的ct重建方法 | |
| JP2013085955A (ja) | 連続マルチスケール再構成において詳細画像を補うｘ線コンピュータ断層撮像装置（ｘ線ｃｔ装置）、医用画像処理装置及び医用画像処理方法 | |
| JP7475979B2 (ja) | Ｘ線システム及び撮像プログラム | |
| CN111260748A (zh) | 基于神经网络的数字合成x射线层析成像方法 | |
| EP4071720A1 (en) | System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector | |
| US20160210762A1 (en) | Method for tomographic reconstruction | |
| CN113192155B (zh) | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 | |
| Choi et al. | Self-supervised inter-and intra-slice correlation learning for low-dose CT image restoration without ground truth | |
| CN109658464B (zh) | 基于加权核范数极小的稀疏角ct图像重建方法 | |
| CN111563940B (zh) | 一种步进轴扫ct重建中拼接伪影的去除方法及电子介质 | |
| CN115100308A (zh) | 用于去除ct伪影的神经网络训练方法及系统 | |
| CN117203671A (zh) | 基于机器学习的迭代图像重建改进 | |
| CN112446840A (zh) | 一种基于深度学习的ct图像黑带伪影消除方法及系统 |
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 |