CN114018962B - 一种基于深度学习的同步多螺旋计算机断层成像方法 - Google Patents
一种基于深度学习的同步多螺旋计算机断层成像方法 Download PDFInfo
- Publication number
- CN114018962B CN114018962B CN202111282662.9A CN202111282662A CN114018962B CN 114018962 B CN114018962 B CN 114018962B CN 202111282662 A CN202111282662 A CN 202111282662A CN 114018962 B CN114018962 B CN 114018962B
- Authority
- CN
- China
- Prior art keywords
- projection
- spiral
- projection sequence
- sequence
- 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.)
- Active
Links
- 230000001360 synchronised effect Effects 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 16
- 238000002591 computed tomography Methods 0.000 claims abstract description 45
- 238000003384 imaging method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims abstract description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 239000000523 sample Substances 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- NCGICGYLBXGBGN-UHFFFAOYSA-N 3-morpholin-4-yl-1-oxa-3-azonia-2-azanidacyclopent-3-en-5-imine;hydrochloride Chemical compound Cl.[N-]1OC(=N)C=[N+]1N1CCOCC1 NCGICGYLBXGBGN-UHFFFAOYSA-N 0.000 claims description 2
- 238000001914 filtration Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims 2
- 238000012360 testing method Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 241000251729 Elasmobranchii Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/03—Investigating materials by wave or particle radiation by transmission
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/419—Imaging computed tomograph
Abstract
本发明公开了一种基于深度学习的同步多螺旋计算机断层成像(Computed tomography,CT)方法,包括如下步骤:将多个物体放置在配有多个平行于探测器方向的转台且能进行匀速升降的同步多螺旋CT成像检台上,该装置允许进行多物体同步螺旋CT扫描;利用深度学习技术处理同步多螺旋投影序列,将其校正为不含容积伪影的投影序列;对所述校正投影序列进行分割,获得各物体独立投影序列;并使用滤波反投影重建算法得到上述投影序列的断层图像。本发明通过多物体同步成像架构与螺旋CT扫描相结合,使成像效率大幅增加;此外,利用深度学习技术优化了重建图像质量,有利于X射线CT技术在工业大规模量产应用中的推广,尤其适合航空、航天、军工等领域的大批量长型试件检测应用。
Description
技术领域
本发明实施例涉及一种基于深度学习的同步多螺旋计算机断层成像方法,属于X射线计算机断层成像和深度学习技术领域。
背景技术
在X射线计算机断层成像(Computed tomography,CT)系统中,X射线源发出X射线,从不同角度穿过被测物体的某一区域,放置于射线源对面的探测器在相应角度接受,然后根据各角度射线不同程度的衰减,利用一定的重建算法和计算机进行运算,重建出物体被扫描区域的射线线衰减系数分布映射图像,从而实现由投影重建图像,无损地再现物体在该区域内的介质密度、成分和结构形态等特征。
目前,航空、航天、军事工业、海洋工程等领域对长型材料和零件的需求日益增加,例如导弹、炮筒、鱼雷、船舶主轴等。工业CT设备由于成像高度有限,检测长型试件时需多次扫描并进行拼接,非常耗时。此外,逐一成像的传统CT扫描架构并不适用于当前工业生产的大规模趋势。因此,为进一步改进成像效率,使之满足工业生产需求,需要开发快速的扫描技术。
发明内容
本发明技术解决问题:克服现有技术的不足,提供一种基于深度学习的同步多螺旋计算机断层成像方法,过多物体同步成像架构与螺旋CT扫描相结合,使成像效率大幅增加;利用深度学习技术优化了重建图像质量,有利于X射线CT技术在工业大规模量产应用中的推广,尤其适合航空、航天、军工等领域的大批量长型试件检测应用。
本发明技术解决方案:一种基于深度学习的同步多螺旋计算机断层成像方法,包括以下步骤:
步骤1、将多个物体放置于同步多螺旋CT成像检台上,进行同步多螺旋CT扫描;所述同步多螺旋CT成像检台中,安装有多个平行探测器方向的独立转台,并且同步多螺旋CT成像检台进行匀速升降运动,能产生包含多个物体的无串扰螺旋CT投影序列;
步骤2、利用深度学习技术对无串扰螺旋CT投影序列进行处理,将其校正为重建图像不含容积伪影的投影序列;所述容积伪影是利用经典CT重建算法如FBP算法重建螺旋投影序列时产生的一种图像伪影,需要对其进行校正,所述深度学习技术是指基于卷积神经网络的同步多螺旋投影序列的优化技术;
步骤3、对包含多个物体的投影序列进行分割,获得每个物体对应的独立投影序列;所述独立投影序列是由于同步多螺旋CT装置同时对多个物体进行成像,其投影序列包括多个物体的投影信息,因此需计算各物体对应于投影序列中的位置并进行投影分割;
步骤4、使用滤波反投影重建算法对上述每个物体的校准投影序列分别进行重建,获得最终的断层重建图像。
进一步地,步骤1所述的同步多螺旋成像不同于常规的多物体CT成像中多个物体绕一个公共旋转轴旋转,而是各物体都配有独立转台,转台间平行于探测器方向安装;此外,可升降检台也是实现螺旋扫描的另一个必要条件,两者相结合能对大批量长型试件快速成像。
进一步地,步骤2所述的基于卷积神经网络的同步多螺旋投影序列的优化技术如式(1)-(4)所示:
f(P(ω,φ))=WT·P(ω,φ)+Bias (2)
其中,P(ω,φ)为含有容积伪影的投影序列,为不含容积伪影的投影序列,(ω,φ)表征投影序列的探元位置和旋转角度;f和F表示基于深度学习技术的编码网络和解码网络,其分别用于从P(ω,φ)中提取特征和从特征中解析出伪影产生情况;Λ表示非线性映射函数;Error表示卷积神经网络的学习目标,用于衡量网络输出与标签之间的差异;W和Bias表示卷积神经网络中的学习参数——权重和偏置,上述参数更新通过利用梯度下降算法求解学习目标对参数的偏导数实现;η和/>分别表示学习率和学习的网络参数。
进一步地,步骤3所述的分割处理需基于对每个物体对应于投影序列中位置参数的准确计算,如式(1)-(2)所示:
其中,SA和SB分别表示某一物体的投影在二维投影序列中的左、右位置,D是射线源到探测器的距离,s是物体对应的旋转轴中心在探测器上的投影位置到探测器中心的距离,r是该物体的回转半径,E表示所述物体所在的旋转轴的旋转中心在所述探测器中的投影位置和所述射线源的位置,tan和tan-1分别表示正切运算和反正切运算,sin和sin-1表示正弦运算和反正弦运算。
进一步地,步骤4所述的滤波反投影(FBP)重建算法如式(6)所示:
其中,表示网络输出的校正投影序列,R(r,θ)表示重建图像,(r,θ)表示极坐标,U表示投影权重矩阵,D表示射线源到转台旋转中心的距离,h(ω)表示一维滤波器,(ω,φ)分别表示探测器探元坐标和旋转角度。
本发明与现有技术相比于的优点在于:本发明通过多物体成像和螺旋CT结合的同步多螺旋CT架构,使成像效率大幅增加。有利于X射线CT技术在工业大规模量产应用中的推广,尤其适合航空、航天、军工等领域的大批量长型试件检测应用。
附图说明
图1为本发明的一种基于深度学习的同步多螺旋计算机断层成像方法的流程图;
图2为本发明提供的同步多螺旋CT架构;
图3为本发明的基于深度学习的同步多螺旋计算机断层成像方法的深度学习技术网络结构图;
图4为本发明建立的三个物体的模型图像(其中的a)及其同步多螺旋CT成像的投影序列(36×1024像素)(其中的b);
图5为本发明所分割和校正的对应于图4投影序列的每个物体的正弦图(经180°线性插值法校准后的中心层正弦图);
图6为本发明所处理的对应于图4投影序列的重建图像。
具体实施方式
下面结合附图以及具体实施方式进一步说明本发明。
图1为本发明的一种基于深度学习的同步多螺旋计算机断层成像方法的流程图。本发明面向大规模长型试件的检测需求,提出一种新型同步多螺旋计算机断层成像架构,并针对其获得的多物体螺旋CT投影序列,提供一种基于深度学习的重建框架,该方法的具体步骤如下:
步骤S101、将多个物体放置于同步多螺旋CT成像检台上,进行同步螺旋CT扫描;所述同步多螺旋CT成像检台中,多个转台平行探测器方向安装,检台可以匀速升降运动。由此获得多个物体互不串扰的螺旋CT投影序列。
步骤S102、利用深度学习技术对上述螺旋投影序列进行处理,将其校正为重建图像不含容积伪影的投影序列;利用经典CT重建算法如FBP算法重建螺旋投影序列时会产生容积伪影,需要将其校正成可直接重建的投影序列。
步骤S103、计算每个物体对应于投影序列中的准确位置参数,并以位置参数对上述经过处理后的投影序列进行分割处理,获得每个物体对应的独立投影序列。所述独立投影序列是由于同步多螺旋体CT装置同时对多个物体成像,其投影序列包括多个物体的投影,因此需进行投影分割。
步骤S104、使用滤波反投影重建算法对上述每个物体的投影序列分别进行重建,获得最终的断层重建图像。
本发明实施例相比传统的计算机断层成像方法具有如下优势:通过螺旋CT扫描和多物体同步成像架构的结合,大幅缩短了成像时间,使其更能满足工业检测的实时性需求。
为了证明上述实施例的效果,本发明实施例进行了如下仿真,步骤如下:
(1)进行同步多螺旋CT扫描仿真。通过同步多螺旋CT装置同时对多个柱状仿真模型进行扫描,模拟的投影序列中各模型的投影批次独立互不串扰。仿真条件设定如下:模型数量为三个,探测器尺寸为36×1024像素,试件高度为108像素,螺距为36像素,周向采样因子为1,即需要旋转4周才能完成扫描。
(2)图4为三个模型的投影序列及其同步多螺旋CT投影序列。
(3)图5为图4根据图3的深度学习技术校正之后,再按公式(1)、(2)分割成的三个物体各自的正弦图。
(4)利用FBP重建算法,获得如图6所示的最终重建结果。
图4中的a、b分别为本发明实施例的三个物体的模型图像、多物体螺旋CT成像的投影序列。图5为本发明实施例所分割和经180°线性插值法校准后的中心层的三个正弦图。图6为本发明实施例所处理的对应于图5投影序列的三个重建图像。
从图4~6可以看出,按本发明实施例处理的多物体重建图像,保持了结构细节的完整性且没有容积伪影,保证了图像质量;说明本发明提供的基于深度学习的同步多螺旋计算机断层成像的重建框架可以有效处理多物体螺旋CT投影数据。
本发明实施例相比于传统的计算机成像方法,通过螺旋CT扫描和多物体成像架构的结合,使成像效率大幅增加。本发明实施例有利于X射线CT技术在工业大规模量产应用中的推广,尤其适合航空、航天、军工等领域的大批量长型试件检测应用。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本命进行了详细的说明,本领域的普通技术人员应当理解;其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (2)
1.一种基于深度学习的同步多螺旋计算机断层成像方法,其特征在于,包括如下步骤:
步骤1、将多个物体放置于同步多螺旋CT成像检台上,进行同步多螺旋CT扫描;所述同步多螺旋CT成像检台中,安装有多个平行探测器方向的独立转台,并且同步多螺旋CT成像检台进行匀速升降运动,能产生多个物体的无串扰螺旋CT投影序列;
步骤2、利用深度学习技术对无串扰螺旋CT投影序列进行处理,并校正为重建图像不含容积伪影的投影序列;所述容积伪影是利用经典CT重建算法如FBP算法重建螺旋投影序列时产生的一种图像伪影,需要对其进行校正;所述深度学习技术是指基于卷积神经网络的同步多螺旋投影序列优化技术;
步骤3、对包含多个物体的投影序列进行分割,获得每个物体对应的独立投影序列;所述独立投影序列是同步多螺旋CT装置同时对多个物体进行成像,投影序列包括多个物体的投影信息,需计算各物体对应于投影序列中的位置并进行投影分割;
步骤4、使用滤波反投影重建算法对上述独立投影序列分别进行重建,获得最终的断层重建图像;
所述步骤2中,采用公式(1)-(4)所示的基于卷积神经网络的同步多螺旋CT投影序列优化技术实现如下:
f(P(ω,φ))=WT·P(ω,φ)+Bias (2)
其中,P(ω,φ)为含有容积伪影的投影序列,为不含容积伪影的投影序列,(ω,φ)表征投影序列各像素对应的探测器探元位置和转台旋转角度;f和F表示基于深度学习技术的编码网络和解码网络,其分别用于从P(ω,φ)中提取特征和从特征中解析出伪影产生情况;Λ表示非线性映射函数;Error表示卷积神经网络的学习目标,用于衡量卷积神经网络输出与标签之间的差异;W和Bias表示卷积神经网络中的学习参数即权重和偏置,参数更新通过利用梯度下降算法求解学习目标对参数的偏导数实现;η和/>分别表示学习率和学习的固有网络参数;
所述步骤3中,采用公式(5)-(6)的方法计算每个物体对应于投影序列中的位置参数,以进行后续投影序列分割;
其中,SA和SB分别表示某一物体的投影在二维投影序列中的左、右位置,D是射线源到探测器的距离,s是物体对应的旋转轴中心在探测器上的投影位置到探测器中心的距离,r是该物体的回转半径,E表示所述物体所在的旋转轴的旋转中心在所述探测器中的投影位置和所述射线源的位置,tan和tan-1分别表示正切运算和反正切运算,sin和sin-1表示正弦运算和反正弦运算。
2.根据权利要求1所述的一种基于深度学习的同步多螺旋计算机断层成像方法,其特征在于:所述步骤4中,采用如公式(7)的滤波反投影(Filtered Back-projection,FBP)算法对步骤3生成每个物体的独立投影序列分别进行重建,获得最终的断层重建图像;
其中,Pimg(ω,φ)表示步骤2校正后不含容积伪影的投影序列,R(r,θ)表示断层重建图像,(r,θ)表示极坐标即回转半径和角度,U表示投影权重矩阵,D表示射线源到转台旋转中心的距离,h(ω)表示一维滤波器,(ω,φ)分别表示探测器探元坐标和转台旋转角度和旋转角度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111282662.9A CN114018962B (zh) | 2021-11-01 | 2021-11-01 | 一种基于深度学习的同步多螺旋计算机断层成像方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111282662.9A CN114018962B (zh) | 2021-11-01 | 2021-11-01 | 一种基于深度学习的同步多螺旋计算机断层成像方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114018962A CN114018962A (zh) | 2022-02-08 |
CN114018962B true CN114018962B (zh) | 2024-03-08 |
Family
ID=80059554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111282662.9A Active CN114018962B (zh) | 2021-11-01 | 2021-11-01 | 一种基于深度学习的同步多螺旋计算机断层成像方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114018962B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5270923A (en) * | 1989-11-02 | 1993-12-14 | General Electric Company | Computed tomographic image reconstruction method for helical scanning using interpolation of partial scans for image construction |
US5383231A (en) * | 1991-06-28 | 1995-01-17 | Kabushiki Kaisha Toshiba | Method and apparatus for acquiring X-ray CT image in helical scanning mode, utilizing electrocardiogram |
CN1742296A (zh) * | 2003-02-05 | 2006-03-01 | 西门子公司 | 锥形光束计算机断层成像的立体像素驱动的螺旋重建方法 |
CN103559699A (zh) * | 2013-11-18 | 2014-02-05 | 首都师范大学 | 一种基于投影估计的多能谱ct图像重建方法 |
CN105717145A (zh) * | 2016-02-03 | 2016-06-29 | 北京航空航天大学 | 多联装三维锥束计算机层析成像方法及装置 |
CN110470684A (zh) * | 2019-08-01 | 2019-11-19 | 清华大学 | 交替光源x射线螺旋ct采样方法及装置 |
CN110544282A (zh) * | 2019-08-30 | 2019-12-06 | 清华大学 | 基于神经网络的三维多能谱ct重建方法和设备及存储介质 |
CN110599420A (zh) * | 2019-05-27 | 2019-12-20 | 首都师范大学 | 基于深度学习的ct图像分块重建方法及系统 |
CN110751701A (zh) * | 2019-10-18 | 2020-02-04 | 北京航空航天大学 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
CN111429562A (zh) * | 2020-02-25 | 2020-07-17 | 中国科学院西安光学精密机械研究所 | 基于深度学习的宽场彩色光切片显微成像方法 |
CN112085829A (zh) * | 2019-05-27 | 2020-12-15 | 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 |
CN112233030A (zh) * | 2020-10-15 | 2021-01-15 | 上海优医基医疗器械技术有限公司 | 一种基于深度学习的ct投影几何校正方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004065990A1 (en) * | 2003-01-23 | 2004-08-05 | Reveal Imaging Technologies, Inc. | System and method for ct scanning of baggage |
US7609802B2 (en) * | 2007-04-25 | 2009-10-27 | General Electric Company | Method and system for reconstructing image volumes from helical scan acquisitions |
-
2021
- 2021-11-01 CN CN202111282662.9A patent/CN114018962B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5270923A (en) * | 1989-11-02 | 1993-12-14 | General Electric Company | Computed tomographic image reconstruction method for helical scanning using interpolation of partial scans for image construction |
US5383231A (en) * | 1991-06-28 | 1995-01-17 | Kabushiki Kaisha Toshiba | Method and apparatus for acquiring X-ray CT image in helical scanning mode, utilizing electrocardiogram |
CN1742296A (zh) * | 2003-02-05 | 2006-03-01 | 西门子公司 | 锥形光束计算机断层成像的立体像素驱动的螺旋重建方法 |
CN103559699A (zh) * | 2013-11-18 | 2014-02-05 | 首都师范大学 | 一种基于投影估计的多能谱ct图像重建方法 |
CN105717145A (zh) * | 2016-02-03 | 2016-06-29 | 北京航空航天大学 | 多联装三维锥束计算机层析成像方法及装置 |
CN110599420A (zh) * | 2019-05-27 | 2019-12-20 | 首都师范大学 | 基于深度学习的ct图像分块重建方法及系统 |
CN112085829A (zh) * | 2019-05-27 | 2020-12-15 | 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 |
CN110470684A (zh) * | 2019-08-01 | 2019-11-19 | 清华大学 | 交替光源x射线螺旋ct采样方法及装置 |
CN110544282A (zh) * | 2019-08-30 | 2019-12-06 | 清华大学 | 基于神经网络的三维多能谱ct重建方法和设备及存储介质 |
CN110751701A (zh) * | 2019-10-18 | 2020-02-04 | 北京航空航天大学 | 一种基于深度学习的x射线吸收衬度计算机断层成像不完备数据重建方法 |
CN111429562A (zh) * | 2020-02-25 | 2020-07-17 | 中国科学院西安光学精密机械研究所 | 基于深度学习的宽场彩色光切片显微成像方法 |
CN112233030A (zh) * | 2020-10-15 | 2021-01-15 | 上海优医基医疗器械技术有限公司 | 一种基于深度学习的ct投影几何校正方法 |
Non-Patent Citations (2)
Title |
---|
X射线CT转台单侧两次螺旋扫描单层重排重建算法;李磊等;《光学学报》;第36卷(第09期);全文 * |
一种基于投影变换的旋转型CL重建算法;王敬雨等;《CT理论与应用研究》(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114018962A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110544282B (zh) | 基于神经网络的三维多能谱ct重建方法和设备及存储介质 | |
CN110057847B (zh) | Tr层析扫描投影重排方法及装置 | |
CN107328798B (zh) | 一种新型icl系统及实现方法 | |
JPH11108859A (ja) | 複合層構造の計算機式断層写真検査方法 | |
CN111553849B (zh) | 基于局部特征匹配的锥束ct几何伪影去除方法及装置 | |
WO2016195058A1 (ja) | 画像取得装置及び画像取得方法並びに画像補正プログラム | |
CN112085829A (zh) | 基于神经网络的螺旋ct图像重建方法和设备及存储介质 | |
JP2003502766A (ja) | イメージの高速な再投影のためのマルチレベル領域分解方法 | |
Ametova et al. | Software-based compensation of instrument misalignments for X-ray computed tomography dimensional metrology | |
CN113533392B (zh) | 一种组合扫描cl成像方法 | |
CN110702707A (zh) | 一种获取核废物桶层析γ扫描图像的方法 | |
CN107016655A (zh) | 锥束cl几何全参数迭代校正方法 | |
CN114018962B (zh) | 一种基于深度学习的同步多螺旋计算机断层成像方法 | |
Guo et al. | High-quality image reconstruction from exterior helical cone-beam CT data for NDE of industrial pipelines | |
CN116630460A (zh) | 源直线扫描轨迹的探测器行向微分高质量图像重建方法 | |
CN109884090B (zh) | 一种改进圆盘卡法的ct空间分辨率测量方法 | |
CN116188615A (zh) | 一种基于正弦域和图像域的稀疏角度ct重建方法 | |
CN103606144A (zh) | Ct投影旋转中心的确定方法和装置 | |
Guo et al. | Iterative image reconstruction for limited-angle CT using optimized initial image | |
CN112288762B (zh) | 一种有限角度ct扫描的离散迭代重建方法 | |
US7702180B2 (en) | Imaging method and device for the computer-assisted evaluation of computer-tomographic measurements by means of direct iterative reconstruction | |
Fang et al. | Angle prediction model when the imaging plane is tilted about z-axis | |
CN110264536B (zh) | 一种在平行束超分重建中计算高低分辨率投影关系的方法 | |
CN109682843B (zh) | 一种对ct系统的参数标定方法 | |
CN114004907A (zh) | 基于深度学习的快速流水线计算机断层成像方法 |
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 |