CN114202464A - 基于深度学习的x射线ct局部高分辨率成像方法及装置 - Google Patents
基于深度学习的x射线ct局部高分辨率成像方法及装置 Download PDFInfo
- Publication number
- CN114202464A CN114202464A CN202111539063.0A CN202111539063A CN114202464A CN 114202464 A CN114202464 A CN 114202464A CN 202111539063 A CN202111539063 A CN 202111539063A CN 114202464 A CN114202464 A CN 114202464A
- Authority
- CN
- China
- Prior art keywords
- data
- image
- imaged
- region
- local
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 74
- 238000003384 imaging method Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 78
- 238000012549 training Methods 0.000 claims abstract description 49
- 230000002708 enhancing effect Effects 0.000 claims abstract description 19
- 238000004088 simulation Methods 0.000 claims description 36
- 238000009826 distribution Methods 0.000 claims description 15
- 238000003709 image segmentation Methods 0.000 claims description 15
- 238000013170 computed tomography imaging Methods 0.000 claims description 14
- 238000010276 construction Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 230000003321 amplification Effects 0.000 claims description 6
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 6
- 238000013434 data augmentation Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 17
- 238000013528 artificial neural network Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 12
- 238000002591 computed tomography Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013213 extrapolation Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000003416 augmentation Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000000988 bone and bone Anatomy 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004088 microvessel Anatomy 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
-
- 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
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于深度学习的X射线CT局部高分辨率成像方法及装置，其中，方法包括：对待成像区域投影数据预重建后的初始估计图像进行增强后构建待成像区域图像基础数据集；对待成像区域外的投影数据进行预重建构建基础背景图像数据集；分别在两个数据集中随机选取图像数据组合成待成像物体，并对其进行扫描仿真得到仿真局部扫描数据；将仿真局部扫描数据与待成像区域图像基础数据集中对应的数据进行配对组成训练数据，利用训练数据对局部区域深度学习重建网络进行训练，以利用训练后的局部区域深度学习重建网络进行高分辨率局部区域重建。由此，结合深度学习和成像机制的全新局部区域高分辨率重建，提升重建图像质量和效率。
Description
技术领域
本申请涉及辐射成像技术领域，特别涉及一种基于深度学习的X射线CT局部高分辨率成像方法、装置、电子设备和存储介质。
背景技术
X射线CT成像系统在医疗、安检、工业无损检测等领域中都有着广泛的应用。理论上，由物体某断面各方向的物理特性参数线积分值，可计算该断面的物理特性参数分布。在CT系统中，射线源和探测器围绕物体周围，并按一定的轨道采集各方向的投影数据，经过图像重建算法的可以计算出物体的线性衰减系数在三维空间中的分布。
传统的CT重建方法，主要有解析重建算法和迭代重建算法两大类。解析重建算法通过数学推导得到成像模型的显式解，主要有滤波反投影类(FBP算法、FDK算法等)、基于PI线或弦线的重建方法(BPF算法等)。解析重建算法具有计算量小、速度快等优点，但其无法对成像物理过程进行建模，在实际扫描中，出现噪声、散射等情况时，重建结果将产生较为严重的伪影。迭代重建算法通过求解优化问题得到成像模型的数值解，常见的有代数重建算法(ART)、最大后验(MAP)算法等。迭代重建算法适用于各种非标准扫描轨迹，且通过引入适当的先验信息，对低剂量、散射等可以取得相较解析重建更优的重建结果。但是，实际的成像物理模型常常较为复杂，且很难采用闭式表达式描述其特征先验信息，给迭代重建方法带来较大挑战。
近些年来，深度学习在计算机视觉与自然语言处理等领域取得了巨大发展，在CT图像重建领域，深度学习方法通过数据驱动的方式，为图像重建过程提供丰富的先验特征信息，并在推理环节具有较高的运行效率，在提升图像质量和快速重建等方面展现出了巨大的潜力。但在实际应用中，获得足够的高质量数据较难，但深度学习对数据依赖程度较高，且训练数据和实际数据之间的差异也将显著影响其性能，因此数据是深度学习重建方法面临的挑战。
局部区域高分辨率成像扫描方式可以分为两类情况，如图1-图4所示，第一类是对感兴趣区域(Region of Interest，ROI)进行局部高分辨率扫描，这种扫描方式可以显著降低辐射剂量并可适用于物体尺寸超过探测器覆盖区域的情况，在重建中需要解决投影数据截断的内部重建问题。第二类是进行混合扫描，对ROI进行局部高分辨率扫描，并对ROI外部的全部或者部分进行低分辨率/低剂量等低信息密度的数据采集，在重建中需要解决结合低信息密度数据辅助的局部高分辨率图像重建问题。不论对于哪一类扫描方式，都需要解决投影数据在ROI外部数据不足(截断或稀疏采样)和信息不充分的问题，若采用传统的解析重建方法将产生较严重的数值误差和伪影。当前，主要依赖迭代重建算法，通过引入重建区域的某些先验特征(如分段线性、稀疏、已知局部区域等)以及对外部区域的估计进行数值求解。但这一类方法运算量较大，且很难较好地恢复重建区域内的高频分量，使得重建结果无法达到理论的空间分辨率。另一方面，在实际系统中，同时获得ROI和ROI外部的高分辨率扫描配对数据较为困难，给深度学习重建方法带来了一定的挑战。
发明内容
本申请提供一种基于深度学习的X射线CT局部高分辨率成像方法、装置、电子设备及存储介质，在仅获取局部高分辨率扫描数据条件下，不依赖高分辨率图像真值数据标签，实现结合深度学习和成像机制的全新局部区域高分辨率重建，可以充分利用成像系统的硬件性能，提升重建图像质量和效率。
本申请第一方面实施例提供一种基于深度学习的X射线CT局部高分辨率成像方法，包括以下步骤：获取待成像物体的待成像区域的投影数据及所述待成像区域外的投影数据；通过对所述待成像区域的投影数据进行预重建得到所述待成像区域的初始估计图像，并对所述初始估计图像中的高频结构信息进行增强得到增强初始估计图像以模拟实际数据分布，根据所述初始估计图像和所述增强初始估计图像构建高分辨率的待成像区域图像基础数据集；对所述待成像区域外的投影数据进行预重建，根据重建得到的图像构建基础背景图像数据集；分别在所述待成像区域图像基础数据集和所述基础背景图像数据集中随机选取图像数据组合成所述待成像物体，并对其进行扫描仿真得到仿真局部扫描数据；将所述仿真局部扫描数据与所述待成像区域图像基础数据集中对应的数据进行配对组成训练数据，利用所述训练数据对局部区域深度学习重建网络进行训练；通过训练后的局部区域深度学习重建网络对局部区域投影数据进行高分辨率局部区域重建。
可选地，在本申请的一个实施例中，所述获取待成像物体的待成像区域的投影数据及所述待成像区域外的投影数据，包括：通过采集系统单独采集所述待成像区域的投影数据和所述待成像区域外的投影数据；或，通过采集系统采集所述待成像物体的全部投影数据，通过对所述全部投影数据进行区分得到所述待成像区域的投影数据和所述待成像区域外的投影数据。
可选地，在本申请的一个实施例中，对所述初始估计图像中的高频结构信息进行增强得到增强初始估计图像，包括：对所述初始估计图像进行图像分割得到所述待成像区域的高频结构信息和低频背景信息；通过像素分辨率条件下高频增强方法对所述高频结构信息进行增强得到所述增强初始估计图像。
可选地，在本申请的一个实施例中，还包括：对所述高分辨率感兴趣区域图像基础数据集和所述基础背景图像数据集中的图像数据进行数据增广。
可选地，在本申请的一个实施例中，所述仿真局部扫描数据，包括：
其中，
为仿真局部扫描数据，HROI为符合投影关系和成像物理的系统矩阵，n为随机噪声，μROI为所述高分辨率ROI图像基础数据集中的数据，μEX为所述基础背景图像数据集的数据。
可选地，在本申请的一个实施例中，利用所述训练数据对局部区域深度学习重建网络进行训练，包括：所述局部区域深度学习重建网络的输入为所述仿真局部扫描数据或对所述仿真局部扫描数据进行预重建后的图像，输出为所述待成像区域图像基础数据集中的数据。
本申请第二方面实施例提供一种基于深度学习的X射线CT局部高分辨率成像装置，包括：数据获取模块，用于获取待成像物体的待成像区域的投影数据及所述待成像区域外的投影数据；第一数据集构建模块，用于通过对所述待成像区域的投影数据进行预重建得到所述待成像区域的初始估计图像，并对所述初始估计图像中的高频结构信息进行增强得到增强初始估计图像以模拟实际数据分布，根据所述初始估计图像和所述增强初始估计图像构建高分辨率的待成像区域图像基础数据集；第二数据集构建模块，用于对所述待成像区域外的投影数据进行预重建，根据重建得到的图像构建基础背景图像数据集；仿真模块，用于分别在所述待成像区域图像基础数据集和所述基础背景图像数据集中随机选取图像数据组合成所述待成像物体，并对其进行扫描仿真得到仿真局部扫描数据；训练模块，用于将所述仿真局部扫描数据与所述待成像区域图像基础数据集中对应的数据进行配对组成训练数据，利用所述训练数据对局部区域深度学习重建网络进行训练；重建模块，用于通过训练后的局部区域深度学习重建网络对局部区域投影数据进行高分辨率局部区域重建。
可选地，在本申请的一个实施例中，所述数据获取模块，包括：第一采集单元，用于通过采集系统单独采集所述待成像区域的投影数据和所述待成像区域外的投影数据；第二采集单元，用于通过采集系统采集所述待成像物体的全部投影数据，通过对所述全部投影数据进行区分得到所述待成像区域的投影数据和所述待成像区域外的投影数据。
可选地，在本申请的一个实施例中，对所述初始估计图像中的高频结构信息进行增强得到增强初始估计图像，包括：对所述初始估计图像进行图像分割得到所述待成像区域的高频结构信息和低频背景信息，通过像素分辨率条件下高频增强方法对所述高频结构信息进行增强得到所述增强初始估计图像。
可选地，在本申请的一个实施例中，还包括：数据增广单元，用于对所述高分辨率感兴趣区域图像基础数据集和所述基础背景图像数据集中的图像数据进行数据增广。
可选地，在本申请的一个实施例中，所述仿真局部扫描数据，包括：
其中，
为仿真局部扫描数据，HROI为符合投影关系和成像物理的系统矩阵，n为随机噪声，μROI为所述高分辨率ROI图像基础数据集中的数据，μEX为所述基础背景图像数据集的数据。
可选地，在本申请的一个实施例中，利用所述训练数据对局部区域深度学习重建网络进行训练，包括：所述局部区域深度学习重建网络的输入为所述仿真局部扫描数据或对所述仿真局部扫描数据进行预重建后的图像，输出为所述待成像区域图像基础数据集中的数据。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以执行如上述实施例所述的基于深度学习的X射线CT局部高分辨率成像方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以执行如上述实施例所述的基于深度学习的X射线CT局部高分辨率成像方法。
本申请实施例的基于深度学习的X射线CT局部高分辨率成像方法、装置、电子设备和存储介质，具有以下优势：
1、利用高分辨率数据集构建和仿真方法，实现符合CT物理和数据缺失条件图像特征的局部区域高分辨率成像效果的仿真，为实现结合深度学习的高分辨率局部CT成像和重建打下坚实基础。
2、解决了在实际系统中，无法获得配对高分辨率真值数据的情况下，高频信息缺失数据给数据驱动方法带来的错误先验信息，拓展了深度学习高分辨率重建方法在实际系统中的应用。
3、对单个被成像物体可使用ROI区域内外非一致分辨率和数据密度进行数据模拟，大幅降低计算和存储成本。
4、深度模拟局部区域CT成像的关键物理过程仿真数据，结合与人工调整图像信息构成分量的分布特点，实现神经网络训练对大数据量的需求和对数据分布的匹配性需求。
5、在网络训练完毕后，实际CT重建过程中，网络的主要计算量只与传统解析重建的计算量相当，从而可以实现快速重建。
6、网络适用于不同的扫描模式包括平行束、扇束、锥束，可以推广至螺旋扫描、直线扫描等。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为最少数据采集量的两种局部高分辨率成像扫描方式示意图；其中，(a)为探测器覆盖一半ROI面积，360度圆轨道，(b)为探测器覆盖全部ROI面积，180度扫描；
图2为采集超过ROI区域数据的局部区域高分辨率CT成像扫描的方式示意图；
图3为局部区域高分辨率CT成像扫描的方式的探测器布局极限情况示意图；
图4为局部区域高分辨率CT成像一些其它扫描结构布局示例图；
图5为根据本申请实施例提供的一种基于深度学习的X射线CT局部高分辨率成像方法的流程图；
图6为根据本申请实施例提供的一种基于深度学习的X射线CT局部高分辨率成像方法逻辑框架示意图；
图7为根据本申请实施例提供的局部区域高分辨率CT图像重建网络示意图；
图8为根据本申请实施例的基于深度学习的X射线CT局部高分辨率成像装置的示例图；
图9为申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请实施例提出的基于深度学习的X射线CT局部高分辨率成像方法，符合解剖意义高分辨率数据集标签构建方法和高效背景增广技术，可基于传统重建方法得到的低分辨率数据，生成物理/生理意义指导下的高分辨率可配对数据，用于局部区域深度学习重建网络的训练，实现高可行性、高可靠性、高泛化性的局部感兴趣区域重建，可应用于无损检测、医疗诊断、安检等领域。相关技术中，现有的图像重建方法均无法较好地实现局部区域高分辨率重建。由于ROI外部投影缺失或采样稀疏，解析方法得到重建图像将有显著的伪影和数值误差，迭代重建算法主要依赖平滑等先验约束，无法较好地恢复高频分量，重建图像质量和分辨率无法达到理论水平。深度学习方法通过数据驱动，引入大量历史数据的特征实现CT图像重建。但在实际系统中，很难同时获得配对的ROI与ROI外部高分辨率扫描数据并且很难获得覆盖数据分布空间的样本量，尤其是当前未有任何方法获取局部高分辨率图像信息，故当前领域内没有可实际使用的方法。
如图1所示的局部区域高分辨率CT成像扫描中方式，ROI表示感兴趣区域，即待高分辨率扫描的区域。高分辨率探测器所采集射线束流覆盖的区域至少包含如图所示的半圆区域(斜纹示意位置)。高分辨率探测器可以是积分型高分辨率探测器，也可以是光子计数能谱分辨探测器。所有采集的数据对应的射线均穿过ROI区域。在此基础上，增加采集数据不影响本方法的使用，增加的采集数据可以作为补充信息。如图2、图3和图4示出了一些增加采集数据的情况。其中第二探测器可以为低分辨率探测器，其覆盖区域可以不作限制，可以覆盖部分或者全部的ROI外部区域。图3示意了局部区域高分辨率CT成像扫描的方式的一种可能探测器布局极限情况，图4则是几种探测器覆盖区域大小处于中间状态的示例和混合方式探测器的示例。这些扫描方式中对第二探测器的性能不作要求，可以低于高分辨率探测器以节约成本或者数据量、数据处理时间。以上方式在轴向维度(垂直于图中的二维平面)可以直接扩展，不受限制，可以直接应用于三维成像。在以上成像扫描布局的基础上，本申请主要包括高分辨率数据集构建方法、局部区域高分辨率扫描数据仿真、图像重建神经网络训练、以及使用训练后的网络进行实际扫描数据重建。
本申请聚焦最少数据量的局部区域高分辨率成像问题，即所有采集的数据对应的射线均穿过待成像局部区域(如图1所示为两种典型扫描布局)，结合图像分割与增强以及深度学习技术，提出了一套全新的高效高分辨率图像标签数据构建和局部区域高分辨重建的方法框架，从而在仅获取局部高分辨率扫描数据条件下，不依赖高分辨率图像真值数据标签，实现结合深度学习和成像机制的全新局部区域高分辨率重建，可以充分利用成像系统的硬件性能，提升重建图像质量和效率。
图5为根据本申请实施例提供的一种基于深度学习的X射线CT局部高分辨率成像方法的流程图。图6为根据本申请实施例提供的一种基于深度学习的X射线CT局部高分辨率成像方法逻辑框架示意图。
如图5和图6所示，该基于深度学习的X射线CT局部高分辨率成像方法包括以下步骤：
在步骤S101中，获取待成像物体的待成像区域的投影数据及待成像区域外的投影数据。
可选地，在本申请的一个实施例中，获取待成像物体的待成像区域的投影数据及待成像区域外的投影数据，包括：通过采集系统单独采集待成像区域的投影数据和待成像区域外的投影数据；或，通过采集系统采集待成像物体的全部投影数据，通过对全部投影数据进行区分得到待成像区域的投影数据和待成像区域外的投影数据。
在本申请的实施例中，待成像区域为附图中的感兴趣区域ROI，具体地，由于采集系统的差异，在获取数据时，可以单独采集感兴趣区域的数据和感兴趣区域外的数据，也可以同时采集待重建物体的全部数据，对全部数据进行区分得到感兴趣区域的数据和感兴趣区域外的数据。
在步骤S102中，通过对待成像区域的投影数据进行预重建得到待成像区域的初始估计图像，并对初始估计图像中的高频结构信息进行增强得到增强初始估计图像以模拟实际数据分布，根据初始估计图像和增强初始估计图像构建高分辨率的待成像区域图像基础数据集。
如图6所示，首先构建高分辨率数据集，主要包括局部区域图像预重建或常规分辨率CT图像ROI截取、图像分割、以及图像高频结构增强、ROI外部数据生成和选取、数据增广等。
在局部区域成像中，依据扫描方式的不同，可能获得高分辨率局部扫描投影数据
或同时获得外部区域扫描投影数据
(对外部区域无分辨率限制，可以使用低分辨率从而大幅节约计算量和剂量)，即pEX数据对应的射线路径不穿过ROI。由投影数据，可以通过传统重建方法对于待重建的ROI区域进行预重建，获得一个初始估计图像。例如，使用外推在探测器方向适当延拓数据，如椭圆外推得到
此处下标“ROI+”表示涵盖ROI外的区域，然后用滤波反投影方法重建ROI图像
也可以引入一个与ROI外部线衰减系数分布接近的背景μEX和解析重建
一起作为初始值，近似估计外部区域对于局部扫描投影的贡献，通过优化目标函数式(1)提升重建的结果：
其中，HROI表示高分辨率局部CT扫描对应的系统矩阵，μROI表示目标ROI区域的高分辨率线衰减系数分布，
为正则项。对于含有{pEX}数据的扫描，可以增加{pEX}的约束，从而由
得到背景μEX，重建拟优化目标函数可由式(2)表示：
其中，HEX表示ROI外部CT扫描对应的系统矩阵，HEX对应的像素分辨率和探测器分辨率可以与HROI不同。基于优化(1)式或(2)式，可以获得针对ROI区域的近似估计
其中被成像物体的大部分结构信息得到了恢复，但是灰度可能有偏差，高频信息无法高质量恢复，导致精细结构的模糊，空间分辨率不足。
可选地，在本申请的一个实施例中，对初始估计图像中的高频结构信息进行增强得到增强初始估计图像，包括：对初始估计图像进行图像分割得到待成像区域的高频结构信息和低频背景信息；通过像素分辨率条件下高频增强方法对高频结构信息进行增强得到增强初始估计图像。
对近似估计
通过图像分割方法，得到待重建区域内的高频结构
与低频背景
由于局部区域图像预重建过程无法较好地恢复高频结构信息，导致其重建结果高频结构的分布与特征
与待重建区域的真实图像
有较大的差异。如果直接采用
作为标签和进行CT数据仿真构建数据集，依据此训练神经网络，会引入错误的数据分布先验信息，导致高频信息无法恢复。因此，基于图像分割的结果，采用像素分辨率条件下高频增强方法，适当增强
中的高频结构信息，即通过一种仿射变换χ(g)满足：
其中，D(·)为某种距离度量，ε为一阈值，可限定变换的幅度。
增强边缘、放大高频分量。
在步骤S103中，对待成像区域外的投影数据进行预重建，根据重建得到的图像构建基础背景图像数据集。
可选地，在本申请的一个实施例中，还包括：对高分辨率感兴趣区域图像基础数据集和基础背景图像数据集中的图像数据进行数据增广。
可以理解的是，以上步骤中得到的
构成高分辨率的感兴趣区域图像基础数据集。以上步骤中得到的
构成感兴趣区域外的部分基础背景图像集{μEX，1}。进一步收集CT图像，按照系统扫描几何定义，剪裁ROI区域，得到更多的ROI外背景图像{μEX，2}。对这些图像，进行灰度拉伸变换、仿射变换等方式的数据增广，可以离线或者在线完成。
在步骤S104中，分别在待成像区域图像基础数据集和基础背景图像数据集中随机选取图像数据组合成待成像物体，并对其进行扫描仿真得到仿真局部扫描数据。
可选地，在本申请的一个实施例中，仿真局部扫描数据，包括：
其中，
为仿真局部扫描数据，HROI为符合投影关系和成像物理的系统矩阵，n为随机噪声，μROI为高分辨率ROI图像基础数据集中的数据，μEX为基础背景图像数据集的数据。
具体地，从高分辨率的感兴趣区域图像基础数据集和基础背景图像集分别随机(或者按照实际扫描物体的特点)选取一个数据μROI和μEX，组合成为被扫描体，进行局部CT扫描仿真。根据实际扫描的系统参数设置，定义符合投影关系和成像物理的系统矩阵HROI，并加入适当的随机噪声n，得到仿真局部扫描数据
对应μROI、μEX，可以根据具体的技术路线，生成大量的配对训练数据，形成训练数据集。
在步骤S105中，将仿真局部扫描数据与待成像区域图像基础数据集中对应的数据进行配对组成训练数据，利用训练数据对局部区域深度学习重建网络进行训练。
在步骤S106中，通过训练后的局部区域深度学习重建网络对局部区域投影数据进行高分辨率局部区域重建。
可选地，在本申请的一个实施例中，利用训练数据对局部区域深度学习重建网络进行训练，包括：局部区域深度学习重建网络的输入为仿真局部扫描数据或对仿真局部扫描数据进行预重建后的图像，输出为待成像区域图像基础数据集中的数据。
获得配对训练数据后，可以利用神经网络以有监督训练的方式实现局部区域的高分辨率图像重建。本申请的实施例可以通过数据的内插或外插的方式，补全部分或者全部的缺失数据或采样不足的数据，作为网络的输入。也可以把此数据经过常规方法重建后得到的图像作为网络的输入。输出为对应的真值图像μROI。常用的图像重建神经网络结构，例如U型网络等，均可以使用。神经网络可以工作在投影域、图像域或者采用双域联合优化等。在实际运用中，神经网络的作用是完成图像恢复和噪声抑制。
对于实际CT扫描过程，把采集数据输入上述训练过程获得的已训练网络(此时网络参数固定)，获得高分辨率ROI重建图像。
本申请的高分辨率局部区域成像方法，创新地设计了基于图像分割、高频分量增强、利用公开数据集进行ROI外数据大量增广等的高分辨率数据集构造方法，可以直接利用较低分辨率局部区域图像，增强增广得到大量高分辨率数据，并结合实际扫描过程进行CT数据模拟。在此基础上，可以便利地生成配对的原始投影数据与真值图像，而后用于重建神经网络的训练，打破“无真值标签”给深度学习带来的限制，实现局部感兴趣区域X射线CT扫描下的高分辨率图像重建。
下面通过附图和具体实施例对本申请实施例的基于深度学习的X射线CT局部高分辨率成像方法进行详细说明。
下面以冠脉CT成像作为示例介绍本申请方法的实施细节。在冠脉CT中，要想看清百微米级的微血管，需要对心脏区域进行超高分辨率扫描。在本实施例中，采用图1的(b)所示的成像方式，即仅对心脏区域做高分辨率扫描，得到高分辨率投影
(一)高分辨率数据增强
1、局部区域图像预重建
首先，采用FBP算法，对心脏区域进行重建(式(6))，其中，W、F和
分别表示投影域加权、数据滤波和加权反投影三个步骤，由于存在数据截断，如直接使用滤波反投影重建：
将导致截断引起的高频分量叠加到ROI内部区域，产生明显的数值偏差与伪影。为提高预重建的质量，对ROI外部的投影值进行近似估计。实施示例采用了来自Mayo Clinic的公开躯干数据集，选取胸腔扫描数据，作为对ROI外部的近似估计初值
并将
作为ROI内部的初值，采用全变分约束的迭代重建方法进一步减少重建误差。此步骤可一定程度恢复ROI内部的数值准确度，但高频结构无法得到精细恢复。
2、图像分割
采用区域生长法对预重建的三维体素
中的高频结构进行分割。首先对预重建结果中高频结构的种子点(Seed Point)进行标注，区域生长法将根据种子点和生长条件在全局生长。由于骨结构、大血管与微血管结构在形态和分布上有较大的不同，为了提升数据分割的准确性和效率，实施示例对于三类结构分割的阈值进行了不同设计，并结合硬阈值约束。通过图像分割，可以获得ROI内部高频结构的掩膜M，满足：
3、图像高频分量增强
基于对ROI内部高频结构掩膜的分割，实施示例可以对高频成分进行恢复和增强。恢复增强的核心就是在提升
的强度，以及解析出与低频结构
混叠在一起的高频信号。在示例中，采用了分段线性变换的策略对高频信号进行增强，具体策略如式(9)所示：
经过增强后得到
其ROI内部高频与低频混叠区域被更好地区分开，图像对比度以及高频结构的清晰度得到提升，实现高频信号的增强。
(二)局部扫描数据仿真
基于
可以对实际局部区域高分辨率成像进行仿真。在仿真参数上，与实际扫描系统保持一致。为了增加ROI外部区域的多样性，使得神经网络能够应对更多样、更复杂的实际情况，实施示例基于Mayo Clinic公开数据集，对于每一断层随机选择3个躯干CT扫描数据{μEX}k,(k＝1,2,3)，与
合成(即将ROI区域替换成
)得到被扫描体进行局部扫描投影，并模拟对应于3个不同光子水平的泊松噪声nj(j＝1,2,3)，进行仿真。最终得到的局部扫描仿真投影数据可表示为：
(三)图像重建神经网络
在本申请的实施例中，采用图像域方法进行局部区域高分辨率重建，如图7示。因此，首先进行投影域的椭圆外推，得到
由
使用FBP得到不同的重建图像：
从而获得了配对的FBP重建结构与高分辨率真值数据
实施示例采用经典的U型神经网络，输入为
对图像进行5次降采样和上采样，网络学习的目标是去除其中的伪影、修正数值误差并恢复高频结构，得到
(四)实际扫描数据重建
获取实际扫描数据pROI，椭圆外推得到pROI+，输入到第三步中的U型神经网络输出图像即为目标重建结果，如图7中下方的箭头路径所示。
根据本申请实施例提出的基于深度学习的X射线CT局部高分辨率成像方法，基于图像分割、高频分量增强、利用公开数据集进行ROI外数据大量增广等的高分辨率数据集构造方法，可以直接利用较低分辨率局部区域图像，增强增广得到大量高分辨率数据，并结合实际扫描过程进行CT数据模拟。在此基础上，可以便利地生成配对的原始投影数据与真值图像，而后用于重建神经网络的训练，打破“无真值标签”给深度学习带来的限制，实现局部感兴趣区域X射线CT扫描下的高分辨率图像重建。可以灵活适用于不同的CT扫描模式和系统架构，可适用于传统的宽谱X射线CT成像，也可适用于能谱分辨X射线CT，可应用于医学诊断、工业无损检测和安检领域。
其次参照附图描述根据本申请实施例提出的基于深度学习的X射线CT局部高分辨率成像装置。
图8为根据本申请实施例的基于深度学习的X射线CT局部高分辨率成像装置的示例图。
如图8所示，该基于深度学习的X射线CT局部高分辨率成像装置10包括：数据获取模块100、第一数据集构建模块200、第二数据集构建模块300、仿真模块400、训练模块500和重建模块600。
其中，数据获取模块100，用于获取待成像物体的待成像区域的投影数据及待成像区域外的投影数据。第一数据集构建模块200，用于通过对待成像区域的投影数据进行预重建得到待成像区域的初始估计图像，并对初始估计图像中的高频结构信息进行增强得到增强初始估计图像，根据初始估计图像和增强初始估计图像构建高分辨率的待成像区域图像基础数据集。第二数据集构建模块300，用于对待成像区域外的投影数据进行预重建，根据重建得到的图像构建基础背景图像数据集。仿真模块400，用于分别在待成像区域图像基础数据集和基础背景图像数据集中随机选取图像数据组合成待成像物体，并对其进行扫描仿真得到仿真局部扫描数据。训练模块500，用于将仿真局部扫描数据与待成像区域图像基础数据集中对应的数据进行配对组成训练数据，利用训练数据对局部区域深度学习重建网络进行训练；重建模块600，用于通过训练后的局部区域深度学习重建网络对局部区域投影数据进行高分辨率局部区域重建。
可选地，在本申请的实施例中，数据获取模块100，包括：第一采集单元，用于通过采集系统单独采集待成像区域的投影数据和待成像区域外的投影数据；第二采集单元，用于通过采集系统采集待成像物体的全部投影数据，通过对全部投影数据进行区分得到待成像区域的投影数据和待成像区域外的投影数据。
可选地，在本申请的实施例中，对初始估计图像中的高频结构信息进行增强得到增强初始估计图像，包括：对初始估计图像进行图像分割得到待成像区域的高频结构信息和低频背景信息，通过像素分辨率条件下高频增强方法对高频结构信息进行增强得到增强初始估计图像。
可选地，在本申请的实施例中，基于深度学习的X射线CT局部高分辨率成像装置10还包括：数据增广单元，用于对高分辨率感兴趣区域图像基础数据集和基础背景图像数据集中的图像数据进行数据增广。
可选地，在本申请的实施例中，仿真局部扫描数据，包括：
其中，
为仿真局部扫描数据，HROI为符合投影关系和成像物理的系统矩阵，n为随机噪声，μROI为高分辨率ROI图像基础数据集中的数据，μEX为基础背景图像数据集的数据。
可选地，在本申请的实施例中，利用训练数据对局部区域深度学习重建网络进行训练，包括：局部区域深度学习重建网络的输入为仿真局部扫描数据或对仿真局部扫描数据进行预重建后的图像，输出为待成像区域图像基础数据集中的数据。
需要说明的是，前述对基于深度学习的X射线CT局部高分辨率成像方法实施例的解释说明也适用于该实施例的基于深度学习的X射线CT局部高分辨率成像装置，此处不再赘述。
根据本申请实施例提出的基于深度学习的X射线CT局部高分辨率成像装置，基于图像分割、高频分量增强、利用公开数据集进行ROI外数据大量增广等的高分辨率数据集构造方法，可以直接利用较低分辨率局部区域图像，增强增广得到大量高分辨率数据，并结合实际扫描过程进行CT数据模拟。在此基础上，可以便利地生成配对的原始投影数据与真值图像，而后用于重建神经网络的训练，打破“无真值标签”给深度学习带来的限制，实现局部感兴趣区域X射线CT扫描下的高分辨率图像重建。可以灵活适用于不同的CT扫描模式和系统架构，可适用于传统的宽谱X射线CT成像，也可适用于能谱分辨X射线CT，可应用于医学诊断、工业无损检测和安检领域。
图9为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器401、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序。
处理器902执行程序时实现上述实施例中提供的基于深度学习的X射线CT局部高分辨率成像方法。
进一步地，电子设备还包括：
通信接口903，用于存储器901和处理器902之间的通信。
存储器901，用于存放可在处理器902上运行的计算机程序。
存储器901可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器901、处理器902和通信接口903独立实现，则通信接口903、存储器901和处理器902可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器901、处理器902及通信接口903，集成在一块芯片上实现，则存储器901、处理器902及通信接口903可以通过内部接口完成相互间的通信。
处理器902可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供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，该程序被处理器执行时实现如上的基于深度学习的X射线CT局部高分辨率成像方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
Claims (14)
1.一种基于深度学习的X射线CT局部高分辨率成像方法，其特征在于，包括以下步骤：
获取待成像物体的待成像区域的投影数据及所述待成像区域外的投影数据；
通过对所述待成像区域的投影数据进行预重建得到所述待成像区域的初始估计图像，并对所述初始估计图像中的高频结构信息进行增强得到增强初始估计图像以模拟实际数据分布，根据所述初始估计图像和所述增强初始估计图像构建高分辨率的待成像区域图像基础数据集；
对所述待成像区域外的投影数据进行预重建，根据重建得到的图像构建基础背景图像数据集；
分别在所述待成像区域图像基础数据集和所述基础背景图像数据集中随机选取图像数据组合成所述待成像物体，并对其进行扫描仿真得到仿真局部扫描数据；
将所述仿真局部扫描数据与所述待成像区域图像基础数据集中对应的数据进行配对组成训练数据，利用所述训练数据对局部区域深度学习重建网络进行训练；
通过训练后的局部区域深度学习重建网络对局部区域投影数据进行高分辨率局部区域重建。
2.根据权利要求1所述的方法，其特征在于，所述获取待成像物体的待成像区域的投影数据及所述待成像区域外的投影数据，包括：
通过采集系统单独采集所述待成像区域的投影数据和所述待成像区域外的投影数据；或
通过采集系统采集所述待成像物体的全部投影数据，通过对所述全部投影数据进行区分得到所述待成像区域的投影数据和所述待成像区域外的投影数据。
3.根据权利要求1所述的方法，其特征在于，对所述初始估计图像中的高频结构信息进行增强得到增强初始估计图像，包括：
对所述初始估计图像进行图像分割得到所述待成像区域的高频结构信息和低频背景信息；
通过像素分辨率条件下高频增强方法对所述高频结构信息进行增强得到所述增强初始估计图像。
4.根据权利要求1所述的方法，其特征在于，还包括：
对所述高分辨率感兴趣区域图像基础数据集和所述基础背景图像数据集中的图像数据进行数据增广。
5.根据权利要求1所述的方法，其特征在于，所述仿真局部扫描数据，包括：
其中，
为仿真局部扫描数据，HROI为符合投影关系和成像物理的系统矩阵，n为随机噪声，μROI为所述高分辨率ROI图像基础数据集中的数据，μEX为所述基础背景图像数据集的数据。
6.根据权利要求1所述的方法，其特征在于，利用所述训练数据对局部区域深度学习重建网络进行训练，包括：
所述局部区域深度学习重建网络的输入为所述仿真局部扫描数据或对所述仿真局部扫描数据进行预重建后的图像，输出为所述待成像区域图像基础数据集中的数据。
7.一种基于深度学习的X射线CT局部高分辨率成像装置，其特征在于，包括：
数据获取模块，用于获取待成像物体的待成像区域的投影数据及所述待成像区域外的投影数据；
第一数据集构建模块，用于通过对所述待成像区域的投影数据进行预重建得到所述待成像区域的初始估计图像，并对所述初始估计图像中的高频结构信息进行增强得到增强初始估计图像以模拟实际数据分布，根据所述初始估计图像和所述增强初始估计图像构建高分辨率的待成像区域图像基础数据集；
第二数据集构建模块，用于对所述待成像区域外的投影数据进行预重建，根据重建得到的图像构建基础背景图像数据集；
仿真模块，用于分别在所述待成像区域图像基础数据集和所述基础背景图像数据集中随机选取图像数据组合成所述待成像物体，并对其进行扫描仿真得到仿真局部扫描数据；
训练模块，用于将所述仿真局部扫描数据与所述待成像区域图像基础数据集中对应的数据进行配对组成训练数据，利用所述训练数据对局部区域深度学习重建网络进行训练；
重建模块，用于通过训练后的局部区域深度学习重建网络对局部区域投影数据进行高分辨率局部区域重建。
8.根据权利要求7所述的装置，其特征在于，所述数据获取模块，包括：
第一采集单元，用于通过采集系统单独采集所述待成像区域的投影数据和所述待成像区域外的投影数据；
第二采集单元，用于通过采集系统采集所述待成像物体的全部投影数据，通过对所述全部投影数据进行区分得到所述待成像区域的投影数据和所述待成像区域外的投影数据。
9.根据权利要求7所述的装置，其特征在于，对所述初始估计图像中的高频结构信息进行增强得到增强初始估计图像，包括：
对所述初始估计图像进行图像分割得到所述待成像区域的高频结构信息和低频背景信息，通过像素分辨率条件下高频增强方法对所述高频结构信息进行增强得到所述增强初始估计图像。
10.根据权利要求7所述的装置，其特征在于，还包括：
数据增广单元，用于对所述高分辨率感兴趣区域图像基础数据集和所述基础背景图像数据集中的图像数据进行数据增广。
11.根据权利要求7所述的装置，其特征在于，所述仿真局部扫描数据，包括：
其中，
为仿真局部扫描数据，HROI为符合投影关系和成像物理的系统矩阵，n为随机噪声，μROI为所述高分辨率ROI图像基础数据集中的数据，μEX为所述基础背景图像数据集的数据。
12.根据权利要求7所述的装置，其特征在于，利用所述训练数据对局部区域深度学习重建网络进行训练，包括：
所述局部区域深度学习重建网络的输入为所述仿真局部扫描数据或对所述仿真局部扫描数据进行预重建后的图像，输出为所述待成像区域图像基础数据集中的数据。
13.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-6任一项所述的基于深度学习的X射线CT局部高分辨率成像方法。
14.一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，该程序被处理器执行，以用于实现如权利要求1-6任一项所述的基于深度学习的X射线CT局部高分辨率成像方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111539063.0A CN114202464B (zh) | 2021-12-15 | 2021-12-15 | 基于深度学习的x射线ct局部高分辨率成像方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111539063.0A CN114202464B (zh) | 2021-12-15 | 2021-12-15 | 基于深度学习的x射线ct局部高分辨率成像方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114202464A true CN114202464A (zh) | 2022-03-18 |
| CN114202464B CN114202464B (zh) | 2024-07-02 |
Family
ID=80654320
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111539063.0A Active CN114202464B (zh) | 2021-12-15 | 2021-12-15 | 基于深度学习的x射线ct局部高分辨率成像方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114202464B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
| US20180197314A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Hierarchical tomographic reconstruction |
| CN108416821A (zh) * | 2018-03-08 | 2018-08-17 | 山东财经大学 | 一种深度神经网络的ct图像超分辨重建方法 |
| WO2020048865A1 (en) * | 2018-09-03 | 2020-03-12 | Agfa Nv | A method of generating an enhanced tomographic image of an object |
| CN111476854A (zh) * | 2020-04-03 | 2020-07-31 | 上海联影医疗科技有限公司 | 图像重建方法、装置、终端及存储介质 |
| CN113256753A (zh) * | 2021-06-30 | 2021-08-13 | 之江实验室 | 基于多任务学习约束的pet图像感兴趣区域增强重建方法 |
| CN113361689A (zh) * | 2021-06-09 | 2021-09-07 | 上海联影智能医疗科技有限公司 | 超分辨率重建网络模型的训练方法和扫描图像处理方法 |
-
2021
- 2021-12-15 CN CN202111539063.0A patent/CN114202464B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
| US20180197314A1 (en) * | 2017-01-06 | 2018-07-12 | General Electric Company | Hierarchical tomographic reconstruction |
| CN108416821A (zh) * | 2018-03-08 | 2018-08-17 | 山东财经大学 | 一种深度神经网络的ct图像超分辨重建方法 |
| WO2020048865A1 (en) * | 2018-09-03 | 2020-03-12 | Agfa Nv | A method of generating an enhanced tomographic image of an object |
| CN111476854A (zh) * | 2020-04-03 | 2020-07-31 | 上海联影医疗科技有限公司 | 图像重建方法、装置、终端及存储介质 |
| CN113361689A (zh) * | 2021-06-09 | 2021-09-07 | 上海联影智能医疗科技有限公司 | 超分辨率重建网络模型的训练方法和扫描图像处理方法 |
| CN113256753A (zh) * | 2021-06-30 | 2021-08-13 | 之江实验室 | 基于多任务学习约束的pet图像感兴趣区域增强重建方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115953418A (zh) * | 2023-02-01 | 2023-04-11 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
| CN115953418B (zh) * | 2023-02-01 | 2023-11-07 | 公安部第一研究所 | 安检ct三维图像中笔记本区域剥离方法、存储介质及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114202464B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arndt et al. | Deep learning CT image reconstruction in clinical practice | |
| JP4919408B2 (ja) | 放射線画像処理方法および装置ならびにプログラム | |
| Gao et al. | CoreDiff: Contextual error-modulated generalized diffusion model for low-dose CT denoising and generalization | |
| CN111492406A (zh) | 使用机器学习的图像生成 | |
| Bai et al. | Probabilistic self‐learning framework for low‐dose CT denoising | |
| CN104574456B (zh) | 一种基于图正则化稀疏编码的磁共振超欠采样k数据成像方法 | |
| CN112102428B (zh) | Ct锥形束扫描图像重建方法、扫描系统及存储介质 | |
| Sahu et al. | Using virtual digital breast tomosynthesis for de-noising of low-dose projection images | |
| CN117813055A (zh) | 用于从快速spect扫描和ct图像合成spect图像的多模态和多尺度特征聚合 | |
| Wang et al. | A review of deep learning ct reconstruction from incomplete projection data | |
| Bousse et al. | Systematic review on learning-based spectral CT | |
| CN103793890A (zh) | 一种能谱ct图像的恢复处理方法 | |
| Chan et al. | An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction | |
| WO2023000244A1 (zh) | 一种图像处理方法、系统及其应用 | |
| CN114202464A (zh) | 基于深度学习的x射线ct局部高分辨率成像方法及装置 | |
| CN112001978B (zh) | 一种基于生成对抗网络的双能双90°ct扫描重建图像的方法及装置 | |
| Li et al. | MARGANVAC: metal artifact reduction method based on generative adversarial network with variable constraints | |
| Zhou et al. | The synthesis of high-energy CT images from low-energy CT images using an improved cycle generative adversarial network | |
| CN117876261A (zh) | 一种基于深度学习的cbct散射校正成像方法 | |
| Chen et al. | Deep learning-based algorithms for low-dose CT imaging: A review | |
| Wang et al. | OSCNet: Orientation-Shared Convolutional Network for CT Metal Artifact Learning | |
| CN113344876A (zh) | 一种ct和cbct间可变形配准方法 | |
| Liang et al. | A model-based unsupervised deep learning method for low-dose CT reconstruction | |
| CN113592968B (zh) | 断层扫描图像中金属伪影的消减方法和装置 | |
| Peng | Single Scan Dual-energy Cone-beam CT Using Static Detector Modulation: A Phantom Study |
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 |