CN114305469A - 低剂量的数字乳腺断层摄影方法、装置及乳腺成像设备 - Google Patents
低剂量的数字乳腺断层摄影方法、装置及乳腺成像设备 Download PDFInfo
- Publication number
- CN114305469A CN114305469A CN202111460610.6A CN202111460610A CN114305469A CN 114305469 A CN114305469 A CN 114305469A CN 202111460610 A CN202111460610 A CN 202111460610A CN 114305469 A CN114305469 A CN 114305469A
- Authority
- CN
- China
- Prior art keywords
- projection data
- data
- interpolation
- dbt
- algorithm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 210000000481 breast Anatomy 0.000 title claims abstract description 44
- 238000003325 tomography Methods 0.000 title claims abstract description 31
- 238000003384 imaging method Methods 0.000 title claims abstract description 25
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 33
- 230000010354 integration Effects 0.000 claims abstract description 15
- 230000002708 enhancing effect Effects 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims description 10
- 238000013136 deep learning model Methods 0.000 claims description 8
- 230000008707 rearrangement Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 210000005075 mammary gland Anatomy 0.000 abstract description 7
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 12
- 230000005865 ionizing radiation Effects 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 206010006187 Breast cancer Diseases 0.000 description 5
- 208000026310 Breast neoplasm Diseases 0.000 description 5
- 230000006378 damage Effects 0.000 description 5
- 238000012216 screening Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 229910052750 molybdenum Inorganic materials 0.000 description 2
- 239000011733 molybdenum Substances 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 208000019155 Radiation injury Diseases 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009607 mammography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
Images
Landscapes
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明适用生物医学工程技术领域，提供了一种低剂量的数字乳腺断层摄影(DBT)方法及装置、乳腺成像设备，该方法包括：将数字乳腺断层摄影原投影数据转换为具有几何结构关系的新投影数据；对所述新投影数据进行数据插值得到插值投影数据；采用人工智能算法对插值投影数据进行增强得到增强投影数据；对所述新投影数据与所述增强投影数据进行图像重建及图像整合，构建DBT三维图像。由于采用人工智能算法对所述插值投影数据进行增强，在减少扫描曝光次数的同时，有效保证了图像质量。
Description
技术领域
本发明属于生物医学工程技术领域，尤其涉及一种低剂量的数字乳腺断层摄影方法、装置及乳腺成像设备。
背景技术
DBT(Digital Breast Tomosynthesis，数字乳腺断层摄影)是一种新型乳腺成像设备，在多个国家的乳腺癌筛查指南中列为推荐手段。然而，DBT要采用类似CT(计算机断层成像)的X射线旋转扫描方式，对女性身体产生电离辐射伤害。根据乳腺癌筛查指南，40岁以上女性每年应接受1次检查，多年累积电离辐射伤害严重。
因此，在保持图像质量满足诊断要求的情况下，降低DBT扫描辐射剂量，减少电离辐射对患者的伤害将成为亟待解决的技术问题。
发明内容
本发明的目的在于提供一种低剂量的数字乳腺断层摄影方法、装置及乳腺成像设备，旨在解决现有技术中无法在保持图像质量满足诊断要求的情况下，降低DBT扫描辐射剂量的技术问题。
第一方面，本发明提供了一种低剂量的数字乳腺断层摄影方法，包括：
将数字乳腺断层摄影(DBT)原投影数据转换为具有几何结构关系的新投影数据；
对所述新投影数据进行数据插值得到插值投影数据；
采用人工智能算法对所述插值投影数据进行增强得到增强投影数据；
对所述新投影数据与所述增强投影数据进行图像重建及图像整合，构建DBT三维图像。
可选的，所述将DBT原投影数据转换为具有几何结构关系的新投影数据的步骤包括：
设定虚拟探测器，该所述虚拟探测器与射线源等中心同步旋转且垂直于每个投影角；
在每个投影角上将DBT原投影数据映射到所述虚拟探测器，得到具有几何结构关系的新投影数据。
可选的，所述对所述新投影数据与所述增强投影数据进行图像重建及图像整合，构建DBT三维图像的步骤包括：
采用图像重建算法对所述增强投影数据与所述新投影数据一起进行图像重建，得到三维图像；
采用像素合并、断层重排算法对所述三维图像进行图像整合，构建DBT三维图像。
可选的，所述采用人工智能算法对所述插值投影数据进行增强得到增强投影数据的步骤包括：
将所述插值投影数据输入至预先训练的深度学习模型中；
采用人工智能算法将所述插值投影数据在所述深度学习模型中进行运算，输出经过增强的增强投影数据。
可选的，所述方法还包括：
预先收集不同的投影数据及相应的插值投影数据；
采用人工智能算法将所述投影数据及相应的插值投影数据进行迭代运算，建立所述投影数据与插值投影数据之间的映射关系；
将所述映射关系确定为深度学习模型。
可选的，采用人工智能算法将所述投影数据及相应的插值投影数据进行迭代运算时，所述投影数据与所述插值投影数据以配对、部分配对或非配对的方式输入。
可选的，所述人工智能算法包括监督学习算法、半监督学习算法、非监督学习算法。
第二方面，本发明还提供了一种低剂量的数字乳腺断层摄影装置，包括：
数据转换模块，用于将DBT原投影数据转换为具有几何结构关系的新投影数据；
数据插值模块，用于对所述新投影数据进行数据插值得到插值投影数据；
数据增强模块，用于采用人工智能算法对所述插值投影数据进行增强得到增强投影数据；
图像重建模块，用于采用图像重建算法对所述新投影数据与所述增强投影数据进行图像重建，构建三维图像；
图像整合模块，用于采用像素合并、断层重排算法对所述三维图像进行图像整合，构建DBT三维图像。
第三方面，本发明还提供了一种乳腺成像设备，包括：
处理器；以及
与所述处理器通讯连接的存储器；其中，
所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如第一方面所述的方法。
第四方面，本发明提供了一种计算机可读性存储介质，其上存储有计算机程序，所述计算机程序在被执行时实现如第一方面的方法。
本发明提供的低剂量的数字乳腺断层摄影方法及装置、乳腺成像设备中，由于采用人工智能算法对经过数据插值后的插值投影数据进行增强，最终进行图像重建、图像整合后而构建DBT三维图像，在减少扫描曝光次数的同时，有效保证了图像质量。
附图说明
图1是根据实施例一示出的一种低剂量的数字乳腺断层摄影方法的实现流程图。
图2是根据实施例一示出的乳腺成像设备的一种成像结构图。
图3是根据实施例一示出的一种乳腺成像设备图。
图4是根据实施例一示出的一种低剂量的数字乳腺断层摄影方法中的一种虚拟探测器示意图。
图5是根据实施例一示出的一种低剂量的数字乳腺断层摄影方法中U-net算法的结构示意图。
图6是根据实施例一示出的一种低剂量的数字乳腺断层摄影方法中基于U-net算法的成像方法示意图。
图7是根据实施例一示出的一种低剂量的数字乳腺断层摄影方法中基于U-net算法的训练方法示意图。
图8是根据实施例一示出的一种低剂量的数字乳腺断层摄影方法中cycleGAN算法的结构示意图。
图9是根据实施例一示出的一种低剂量的数字乳腺断层摄影方法中cycleGAN算法的生成器结构示意图。
图10是根据实施例一示出的一种低剂量的数字乳腺断层摄影方法中基于cycleGAN算法的成像方法示意图。
图11是根据实施例一示出的一种低剂量的数字乳腺断层摄影方法中基于cycleGAN算法的训练方法示意图。
图12是根据实施例二示出的一种低剂量的数字乳腺断层摄影装置的框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
以下结合具体实施例对本发明的具体实现进行详细描述：
实施例一：
图1是实施例一示出的低剂量的数字乳腺断层摄影方法的实现流程图。实施例一示出的低剂量的数字乳腺断层摄影方法适用于乳腺成像设备中，乳腺成像设备中设置有处理器，在低剂量采集乳腺的投影数据后，采用人工智能算法对插值后的插值投影数据进行增强，在减少扫描曝光次数的同时，构建高精度的DBT三维图像。
步骤S110，将数字乳腺断层摄影(DBT)原投影数据转换为具有几何结构关系的新投影数据。
步骤S120，对新投影数据进行数据插值得到插值投影数据。
步骤S130，采用人工智能算法对插值投影数据进行增强得到增强投影数据。
步骤S140，对新投影数据与所述增强投影数据进行图像重建及图像整合，构建DBT三维图像。
DBT主要由X射线源、平板探测器、压迫器、扫描架、影像工作站组成，成像结构如图2所示，它利用小角度范围(30°～60°)内的有限次(9～25)投影，重建乳腺的准三维图像。与传统CT图像比，DBT重建中的断层(slice)较厚，平面(平行于探测器方向)分辨率高于深度(垂直于探测器方向)分辨率10倍以上。
DBT设备如图3所示。借助DBT图像，医生可以逐个断层查看病灶的大小、边界、位置等信息。因DBT具有较高的乳腺癌检出率且检查费用低，它已经成为乳腺癌筛查指南推荐的设备。
DBT是在数字乳腺X射线摄影(国内俗称“钼靶”，英文Digital Mammography，简称DM)的基础上发展而来，后者仅可获取二维摄影图像，存在三维组织在二维图像中重叠的问题，影响诊断效果。DBT和DM均属于X射线成像技术，会对患者造成一定的电离辐射伤害。
女性乳腺是浅表器官，对辐射剂量敏感。亚洲女性乳腺多为致密型，对辐射剂量更加敏感。据文献报道，40岁以上女性应每年接受钼靶检查，DM的辐射剂量约3.5mGy/次，DBT的辐射剂量约5～8mGy/次。
研究估计：若40岁以上女性每年接受DM检查，每10万例中就会有86例因电离辐射患癌，其中11例死亡。据该研究推测：若40岁以上女性每年接受DBT+DM检查，每18.9～47.4人获救的同时，就会有1人因受辐射伤害而死亡。
可见，降低DBT扫描剂量，有利于减少女性在乳腺癌筛查中遭受的电离辐射伤害，便于产品推广应用。
然而，现有的DBT扫描过程中，X射线源在小角度圆弧上旋转(如从左到右)，探测器保持静止，这使得乳腺投影从平板探测器的右侧移动到左侧，移动方向与X射线源旋转方向相反。由于X射线源和平板探测器不是等中心同步旋转，相邻投影数据间没有直接的几何关系。
本方案中，预先将DBT原投影数据转换为具有几何结构关系的新投影数据。
具体的，如图4所示，设定一个虚拟探测器，该探测器与射线源等中心同步旋转且垂直于每个投影角度。根据投影原理，在每个投影角上将DBT原投影数据映射到虚拟探测器上，并经过插值得到具有几何结构关系的新投影数据(因映射位置不在虚拟探测器的像素位置，需要插值得到相应位置的像素值)。
在进行数据转换后，将对新投影数据进行数据插值得到插值投影数据，以便制作用于人工智能算法输入的图像数据。进行数据插值时，可以是线性插值方法，也可以是其他的数据插值方法。
例如，采用线性插值方法时，由于DBT扫描角度间隔是均匀的，则可利用相邻两个角度上的投影数据即可线性插值得到当前角度上的投影数据。
数据插值后，将采用人工智能算法对插值投影数据进行增强得到增强投影数据。
在采用人工智能算法对插值投影数据进行增强时，将插值投影数据输入至预先训练的深度学习模型中；然后采用人工智能算法将插值投影数据在深度学习模型中进行运算，输出经过增强的插值投影数据。
通过对插值投影数据进行数据增强，有效去除了噪声和伪影，在保持重建图像质量的情况下，降低了DBT扫描剂量。
在得到增强投影数据后，对所述新投影数据与所述增强投影数据进行图像重建及图像整合，构建DBT三维图像。
具体的，采用图像重建算法对所述增强投影数据与所述新投影数据一起进行图像重建，得到三维图像；然后采用像素合并、断层重排算法对所述三维图像进行图像整合，构建DBT三维图像。
图像重建算法、像素合并算、断层重排算法可以是常规算法，也可以是其他算法，在此不具体描述。
需要说明的是，在采用人工智能算法对插值投影数据进行增强前，需预先进行深度学习的训练。
人工智能算法又称“模型”或“网络”，内部包含大量参数，经过大量数据训练后，其参数值得到优化、确定，最终达到预期功能。深度学习算法的参数量更大，对数据量的要求更高。
在进行深度学习的训练时，预先收集不同的投影数据及相应的插值投影数据；然后采用人工智能算法将投影数据及相应的插值投影数据进行迭代运算，建立投影数据与插值投影数据之间的映射关系；并将映射关系确定为深度学习模型。
本方案中，插值投影数据与投影数据(原始数据)分别来自源域、目标域，二者一起输入人工智能算法，经过多次迭代，算法内部参数逐步更新至最优值，建立起插值数据与原始数据之间的映射。人工智能算法经过训练之后，当输入插值数据后，就会输出类似原始数据的合成数据。
需要说明的是，人工智能算法包括监督学习算法、半监督学习算法、非监督学习算法，例如U-net、cycleGAN等算法。采用人工智能算法将投影数据及相应的插值投影数据进行迭代运算时，投影数据与插值投影数据以配对、部分配对或非配对的方式输入。
例如，可采用U-net算法进行低剂量DBT成像。
U-net是一个经典的全卷积网络，采用U形结构，如图5所示。图5中，网络前半部分称为压缩路径(contracting path)，可视为编码器，由4个模块(block)组成，每个模块主要包含2个卷积层，对图像起到下采样作用；后半部分称为扩展路径(expansive path)，可视为解码器，由4个模块组成，每个模块主要包含反卷积层，对图像起到上采用作用。
基于U-net的低剂量DBT成像方案如图6所示，插值投影数据经U-net得到增强，与原始数据一起，经图像重建，得到三维重建图像。
采用配对数据训练U-net，属于监督学习，训练方式如图7所示。两组训练数据分别是插值数据、原始数据，二者以配对方式输入网络，即输入网络的数据以相同的序号分别读取自源域、目标域。
又例如，可基于cycleGAN算法进行低剂量DBT成像。
cycleGAN是在GAN的基础上发展来的，后者由一个生成器和一个鉴别器组成。生成器的功能是合成能最大程度还原捕捉到的训练集特征的图像；鉴别器的作用是正确区分训练集中的真实图像和生成器合成的假图像，并将分类结果反馈给生成器，使生成器合成更接近真实数据的图像，由此构成博弈。cycleGAN通过引入循环一致性，同时训练生成器G和F，确保转换到目标域Y中的图像经生成器F可转换回与原始图像近似的图像，如图8所示。
图8中，X和Y分别是源域、目标域对应的数据集，DX和DY表示鉴别器，分别用于鉴别生成器F和G合成的图像是否足够接近真实图像。
cycleGAN的生成器主要由编码器，特征转换模块，解码器三部分组成，如图9所示。图中，Conv表示卷积，Deconv表示反卷积。
基于cycleGAN的低剂量DBT成像方案如图10所示，插值数据经cycleGAN得到增强，经图像重建，得到重建图像。
采用非配对数据训练cycleGAN，属于非监督学习，训练方式如图11所示。两组训练数据分别是插值数据、原始数据，二者以非配对方式输入网络，即输入网络的数据序号分别随机读取自源域、目标域。
通过本方案的方法，大大降低了扫描次数，如原来扫描[1、2、3、……、15]编号角度，采用本方案后，只需扫描奇数编号角度[1、3、5、……、15]，而偶数编号角度上的投影数据只需经相邻投影数据插值与人工智能算法即可得到。因扫描总体次数减少，降低电离辐射；并且由于采用了人工智能算法进行数据增强，有效保证了图像质量。从而用户只需要提供新款DBT的投影数据，经过少量数据训练后，就可以实现新款DBT低剂量成像。大大提高了方案的兼容性和可推广性。
实施例二：
图12是实施例二示出的低剂量的数字乳腺断层摄影装置的框图。该装置可执行上述任一所示的低剂量的数字乳腺断层摄影方法的全部或者部分步骤。该装置包括：
数据转换模块10，用于将DBT原投影数据转换为具有几何结构关系的新投影数据；
数据插值模块20，用于对新投影数据进行数据插值得到插值投影数据；
图像重建模块30，用于采用人工智能算法对所述插值投影数据进行增强得到增强投影数据；
图像重建模块40，用于采用图像重建算法对所述新投影数据与所述增强投影数据进行图像重建，构建三维图像；
图像整合模块50，用于采用像素合并、断层重排算法对所述三维图像进行图像整合，构建DBT三维图像。
实施例三：
本发明实施例三提供了一种乳腺成像设备，该乳腺成像设备可执行上述任一所示的低剂量的数字乳腺断层摄影方法的全部或者部分步骤。该乳腺成像设备包括：
处理器；以及
与处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上述任一示例性实施例所述的方法，此处将不做详细阐述说明。
在本实施例中，还提供了一种存储介质，该存储介质为计算机可读存储介质，例如可以为包括指令的临时性和非临时性计算机可读存储介质。该存储介质例如包括指令的存储器，上述指令可由服务器系统的处理器执行以完成上述低剂量的数字乳腺断层摄影方法。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种低剂量的数字乳腺断层摄影方法，其特征在于，所述方法包括：
将数字乳腺断层摄影(DBT)原投影数据转换为具有几何结构关系的新投影数据；
对所述新投影数据进行数据插值得到插值投影数据；
采用人工智能算法对所述插值投影数据进行增强得到增强投影数据；
对所述新投影数据与所述增强投影数据进行图像重建及图像整合，构建DBT三维图像。
2.如权利要求1所述的方法，其特征在于，所述将DBT原投影数据转换为具有几何结构关系的新投影数据的步骤包括：
设定虚拟探测器，该所述虚拟探测器与射线源等中心同步旋转且垂直于每个投影角；
在每个投影角上将DBT原投影数据映射到所述虚拟探测器，得到具有几何结构关系的新投影数据。
3.如权利要求1所述的方法，其特征在于，所述对所述新投影数据与所述增强投影数据进行图像重建及图像整合，构建DBT三维图像的步骤包括：
采用图像重建算法对所述增强投影数据与所述新投影数据一起进行图像重建，得到三维图像；
采用像素合并、断层重排算法对所述三维图像进行图像整合，构建DBT三维图像。
4.如权利要求1所述的方法，其特征在于，所述采用人工智能算法对所述插值投影数据进行增强得到增强投影数据的步骤包括：
将所述插值投影数据输入至预先训练的深度学习模型中；
采用人工智能算法将所述插值投影数据在所述深度学习模型中进行运算，输出经过增强的增强投影数据。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：
预先收集不同的投影数据及相应的插值投影数据；
采用人工智能算法将所述投影数据及相应的插值投影数据进行迭代运算，建立所述投影数据与插值投影数据之间的映射关系；
将所述映射关系确定为深度学习模型。
6.如权利要求5所述的方法，其特征在于，采用人工智能算法将所述投影数据及相应的插值投影数据进行迭代运算时，所述投影数据与所述插值投影数据以配对、部分配对或非配对的方式输入。
7.如权利要求1所述的方法，其特征在于，所述人工智能算法包括监督学习算法、半监督学习算法、非监督学习算法。
8.一种低剂量的数字乳腺断层摄影装置，其特征在于，所述装置包括：
数据转换模块，用于将DBT原投影数据转换为具有几何结构关系的新投影数据；
数据插值模块，用于对所述新投影数据进行数据插值得到插值投影数据；
数据增强模块，用于采用人工智能算法对所述插值投影数据进行增强得到增强投影数据；
图像重建模块，用于采用图像重建算法对所述新投影数据与所述增强投影数据进行图像重建，构建三维图像；
图像整合模块，用于采用像素合并、断层重排算法对所述三维图像进行图像整合，构建DBT三维图像。
9.一种乳腺成像设备，其特征在于，所述乳腺成像设备包括：
处理器；以及
与所述处理器通讯连接的存储器；其中，
所述存储器存储有可读性指令，所述可读性指令被所述处理器执行时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读性存储介质，其上存储有计算机程序，所述计算机程序在被执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111460610.6A CN114305469A (zh) | 2021-12-02 | 2021-12-02 | 低剂量的数字乳腺断层摄影方法、装置及乳腺成像设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111460610.6A CN114305469A (zh) | 2021-12-02 | 2021-12-02 | 低剂量的数字乳腺断层摄影方法、装置及乳腺成像设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114305469A true CN114305469A (zh) | 2022-04-12 |
Family
ID=81049643
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111460610.6A Pending CN114305469A (zh) | 2021-12-02 | 2021-12-02 | 低剂量的数字乳腺断层摄影方法、装置及乳腺成像设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114305469A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117314988A (zh) * | 2023-11-29 | 2023-12-29 | 南京邮电大学 | 一种多角度投影配准的dbt重建法 |
-
2021
- 2021-12-02 CN CN202111460610.6A patent/CN114305469A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117314988A (zh) * | 2023-11-29 | 2023-12-29 | 南京邮电大学 | 一种多角度投影配准的dbt重建法 |
| CN117314988B (zh) * | 2023-11-29 | 2024-02-20 | 南京邮电大学 | 一种多角度投影配准的dbt重建法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10143433B2 (en) | Computed tomography apparatus and method of reconstructing a computed tomography image by the computed tomography apparatus | |
| US8798353B2 (en) | Apparatus and method for two-view tomosynthesis imaging | |
| US10964072B2 (en) | Methods, systems, and media for noise reduction in computed tomography images | |
| CN107077748B (zh) | 针对谱图像迭代重建的开始图像 | |
| Gajera et al. | CT-scan denoising using a charbonnier loss generative adversarial network | |
| CN109903356A (zh) | 基于深度多重解析网络的缺失ct投影数据估计方法 | |
| JP7403585B2 (ja) | 計算機式断層写真法画像再構成のためのシステム及び方法 | |
| Fournié et al. | CT field of view extension using combined channels extension and deep learning methods | |
| CN114305469A (zh) | 低剂量的数字乳腺断层摄影方法、装置及乳腺成像设备 | |
| CN112258438B (zh) | 一种基于非配对数据的ldct图像恢复方法 | |
| CN113520416A (zh) | 一种用于生成对象二维图像的方法和系统 | |
| Liang et al. | A model-based unsupervised deep learning method for low-dose CT reconstruction | |
| CN110176045A (zh) | 一种由单能ct图像生成双能ct图像的方法 | |
| Kovács et al. | On Image preprocessing methods for preparation liver CT image series database for intelligent segmentation and classification algorithms | |
| Ayad et al. | Tomographic reconstruction from sparse-view and limited-angle data using a generative adversarial network | |
| KR102553068B1 (ko) | 다중 레벨 웨이브렛 인공지능 기반 선량 저 감화를 위한 컴퓨터 단층영상 재구성 방법 | |
| Szczykutowicz et al. | The dependence of image quality on the number of high and low kVp projections in dual energy CT using the prior image constrained compressed sensing (PICCS) algorithm | |
| CN114663583A (zh) | 快速低剂量的锥束ct成像方法、装置及锥束ct成像设备 | |
| Lee et al. | Framework for dual‐energy‐like chest radiography image synthesis from single‐energy computed tomography based on cycle‐consistent generative adversarial network | |
| Wu et al. | Characterization of projection ordering in iterative reconstruction methods for breast tomosynthesis | |
| KR102194009B1 (ko) | 필드 변조 ct 획득 시스템에서 적용가능한 pocs 기반 외부정보 복원 방법 | |
| Komolafe et al. | Material decomposition for simulated dual-energy breast computed tomography via hybrid optimization method | |
| KR20240146309A (ko) | 적대적 생성 신경망을 이용한 의료영상 처리 장치 및 방법 | |
| CN115736964A (zh) | 能谱ct扫描成像方法、装置、系统、设备、介质及产品 | |
| Kobayashi et al. | A practical method to reducing metal artifact for dental CT scanners |
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 |