CN113192155B - 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
- CN113192155B CN113192155B CN202110155481.3A CN202110155481A CN113192155B CN 113192155 B CN113192155 B CN 113192155B CN 202110155481 A CN202110155481 A CN 202110155481A CN 113192155 B CN113192155 B CN 113192155B
- Authority
- CN
- China
- Prior art keywords
- image
- row number
- row
- scanning
- low
- 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.)
- Active
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 29
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000006243 chemical reaction Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 6
- 238000012545 processing Methods 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
- 238000012552 review Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012360 testing method 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
- 238000013461 design Methods 0.000 claims description 2
- 238000002059 diagnostic imaging Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000003187 abdominal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000747 cardiac 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
- 230000000737 periodic effect Effects 0.000 description 1
- 210000000115 thoracic cavity Anatomy 0.000 description 1
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
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-weighted conebeam filtered backprojection (CB-FBP) algorithm for image reconstruction inolumetric 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，为预测图中像素n的值，/>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。
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，中，/>为预测图中像素n的值，/>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；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：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，为预测图中像素n的值，/>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 CN113192155A (zh) | 2021-07-30 |
| CN113192155B true 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) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Citations (4)
| 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 |
| 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 |
| 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 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6873676B2 (en) * | 2003-03-05 | 2005-03-29 | Ge Medical Systems Global Technology Company, Llc | Convolution reconstruction algorithm for multi-slice CT |
| US8724876B2 (en) * | 2011-10-18 | 2014-05-13 | Kabushiki Kaisha Toshiba | Method and system for substantially reducing streak artifacts in helical cone beam computer tomography (CT) |
| US9261467B2 (en) * | 2013-06-14 | 2016-02-16 | General Electric Company | System and method of iterative image reconstruction for computed tomography |
| US11517197B2 (en) * | 2017-10-06 | 2022-12-06 | Canon Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (CT) image noise and artifacts reduction |
| WO2019128660A1 (zh) * | 2017-12-29 | 2019-07-04 | 清华大学 | 训练神经网络的方法和设备、图像处理方法和设备以及存储介质 |
| US11026642B2 (en) * | 2019-03-29 | 2021-06-08 | Canon Medical Systems Corporation | Apparatuses and a method for artifact reduction in medical images using a neural network |
-
2021
- 2021-02-04 CN CN202110155481.3A patent/CN113192155B/zh active Active
Patent Citations (4)
| 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 |
| 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 |
|---|
| "Cone-beam mammo-computed tomography from data along two tilting arcs";Kai Zeng等;《Med. Phys》;第3621-3633页 * |
| "肺部CT 图像分割方法研究";周茂等;《CT理论与应用研究》;第683-691页 * |
| "三维锥束扫描CT 成像图像重建新进展";陈志强等;《CT理论与应用研究》;第5-8页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113192155A (zh) | 2021-07-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11026642B2 (en) | Apparatuses and a method for artifact reduction in medical images using a neural network | |
| JP7234064B2 (ja) | 反復的画像再構成フレームワーク | |
| US8705828B2 (en) | Methods and apparatus for super resolution scanning for CBCT system and cone-beam image reconstruction | |
| US11120582B2 (en) | Unified dual-domain network for medical image formation, recovery, and analysis | |
| CN103514615B (zh) | 用于迭代重建的方法和设备 | |
| US9613440B2 (en) | Digital breast Tomosynthesis reconstruction using adaptive voxel grid | |
| US8971599B2 (en) | Tomographic iterative reconstruction | |
| US8805037B2 (en) | Method and system for reconstruction of tomographic images | |
| US10475215B2 (en) | CBCT image processing method | |
| US8938108B2 (en) | Method for artifact reduction in cone-beam CT images | |
| US8625870B2 (en) | Method and system for supplementing detail image in successive multi-scale reconstruction | |
| US10722178B2 (en) | Method and apparatus for motion correction in CT imaging | |
| JP2013146558A (ja) | 一方向条件を伴う離散全変動（ｔｖ）最小化を用いた画像ノイズ除去方法およびシステム | |
| CN111127579A (zh) | 一种基于神经网络去锥形束伪影的ct重建方法 | |
| CN112102428B (zh) | Ct锥形束扫描图像重建方法、扫描系统及存储介质 | |
| CN111260748A (zh) | 基于神经网络的数字合成x射线层析成像方法 | |
| JP2013085956A (ja) | Ｘ線コンピュータ断層撮像装置（ｘ線ｃｔ装置）及びｘ線コンピュータ断層撮像装置の作動方法 | |
| CN113192155B (zh) | 螺旋ct锥束扫描图像重建方法、扫描系统及存储介质 | |
| US20160210762A1 (en) | Method for tomographic reconstruction | |
| JP2022161857A (ja) | 深層学習ネットワークを用いて計算機式断層写真法検出器の不良ピクセルを補正するシステム及び方法 | |
| Choi et al. | Self-supervised inter-and intra-slice correlation learning for low-dose CT image restoration without ground truth | |
| US11748921B2 (en) | Learnable extrapolation for deep learning-based medical image reconstruction | |
| CN112446840B (zh) | 一种基于深度学习的ct图像黑带伪影消除方法及系统 | |
| 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 | |
| KR20180003400A (ko) | 의료 영상 처리 장치 및 방법 |
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 |