CN114565515B - 一种实现投影图数据降噪与分辨率恢复的系统的构建方法 - Google Patents
一种实现投影图数据降噪与分辨率恢复的系统的构建方法 Download PDFInfo
- Publication number
- CN114565515B CN114565515B CN202210198571.5A CN202210198571A CN114565515B CN 114565515 B CN114565515 B CN 114565515B CN 202210198571 A CN202210198571 A CN 202210198571A CN 114565515 B CN114565515 B CN 114565515B
- Authority
- CN
- China
- Prior art keywords
- resolution
- imaging
- projection
- noise
- data
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 21
- 238000011084 recovery Methods 0.000 title claims abstract description 19
- 238000010276 construction Methods 0.000 title claims description 4
- 238000003384 imaging method Methods 0.000 claims abstract description 75
- 238000004088 simulation Methods 0.000 claims abstract description 30
- 238000010586 diagram Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000005855 radiation Effects 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims abstract description 6
- 238000005094 computer simulation Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims 1
- 239000000523 sample Substances 0.000 description 21
- 238000002603 single-photon emission computed tomography Methods 0.000 description 4
- 238000002591 computed tomography Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 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
- G06T3/4076—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 using the original low-resolution images to iteratively correct the high-resolution images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10108—Single photon emission computed tomography [SPECT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及放射成像技术领域，尤其涉及一种实现投影图数据降噪与分辨率恢复的系统的构建方法，包括对现有放射成像系统成像过程进行仿真建模，设置仿真模型中成像关键参数可调；对仿真模型采用数字化成像目标物模型，生成对应的数字模型；调用对应类型的数字噪声添加算法生成低分辨率、含噪声的原始投影图样本；在仿真模型中调节成像关键参数，生成优化后的数字模型和获得优化投影图数据，作为高分辨率、无噪声的优化投影图样本；将原始投影图样本和优化投影图样本训练深度学习算法网络，获得可同时实现投影图数据降噪与分辨率恢复的系统。本发明能同时实现其投影图数据降噪和分辨率恢复，以达到在硬件条件不变的情况下提升图像质量的目的。
Description
技术领域
本发明涉及放射成像技术领域，尤其涉及一种实现投影图数据降噪与分辨率恢复的系统的构建方法。
背景技术
基于X射线或伽玛射线的医用或工业用放射成像系统主要包括X射线平片成像、X射线计算断层成像系统(CT)、伽玛相机、单光子发射计算机断层成像系统(SPECT)等。上述系统中，决定成像分辨率的硬件参数主要是X光源焦点尺寸或SPECT准直器方案、探测器固有分辨率以及物距(成像目标物到焦点的距离和像距(探测器到焦点的距离)。受限于物理原理、技术水平、成本和应用场景(空间)的限制，上述硬件参数的提升具有较大的难度。
通过软件算法提升图像分辨率(超分辨率)在图像处理相关领域一直有研究进行。近年来，通过深度学习技术实现图像超分辨率有较大的进展，在包括放射成像在内的多个应用场景中取得了较好的效果，其代表性工作包括SRCNN网络等。对于深度学习等基于数据训练的算法技术而言，如何取得大量与真实数据一致的有效训练样本，使训练样本包含低分辨率和高分辨率样本是最主要的技术难点，利用对成像系统仿真建模并模拟生成数据的可以通过较低的成本生成大量数据样本，这一方法比较常见于成像系统的降噪技术研究。现有基于深度学习的放射图像(主要是医学放射图像)超分辨率技术，主要采用现有设备采集的高分辨率实验图像，对其进行处理得到低分辨率图像，进行训练，其目标在于实现针对实际应用中，在采集时间、剂量等条件受限的条件下，将低分辨率图像尽量恢复至成像系统所能达到的高分辨率水平，而并非超越系统当前的分辨率极限。
对于很多放射影像系统来说，如要突破当前系统分辨率极限，噪声抑制与分辨率恢复是需要同时解决的问题，否则单独的分辨率恢复会造成数据噪声的放大，从而无法达成提升图像质量的目标。
某些放射影像系统是直接成像，如X光片、伽玛相机等，其输出图像即为本发明所述投影图数据；某些系统需要对直接采集的投影图数据进行基于特定算法的重建以得到最终图像，如CT、SPECT等。对于需要进行算法重建的成像系统而言，针对投影图数据进行降噪和分辨率恢复操作，其优点在于效果不受重建算法影响，且投影图噪声和分辨率特性较最终重建图像更为简单，缺点是图像重建算法需要进行针对性的调整。
发明内容
本发明的目的在于提出一种实现投影图数据降噪与分辨率恢复的系统的构建方法，能同时实现其投影图数据降噪和分辨率恢复，以达到在硬件条件不变的情况下提升图像质量的目的。
为达此目的，本发明采用以下技术方案：
一种实现投影图数据降噪与分辨率恢复的系统的构建方法，包括以下步骤：
步骤1：对现有放射成像系统成像过程进行仿真建模，设置仿真模型中成像关键参数可调；
步骤2：对应步骤1中的仿真模型采用数字化成像目标物模型，生成对应的数字模体；
步骤3：根据步骤2中的数字模体获得原始投影图数据，调用对应类型的数字噪声添加算法生成低分辨率、含噪声的原始投影图样本；
步骤4：在仿真模型中调节步骤1中的部分或全部成像关键参数，使调节后的仿真模型中系统成像分辨率优于当前真实系统，并通过步骤2生成优化后的数字模体，并获得优化投影图数据，将优化投影图数据作为高分辨率、无噪声的优化投影图样本；
步骤5：将步骤3和步骤4中生成的原始投影图样本和优化投影图样本训练深度学习算法网络，获得可同时实现投影图数据降噪与分辨率恢复的系统。
优选的，当系统需要获得断层图像时，基于优化投影图样本的成像参数，调用对应类型的重建算法进行重建。
优选的，所述关键参数包括影响成像空间分辨率的系统设计和硬件参数。
优选的，所述数字噪声添加算法包括泊松噪声添加算法、高斯噪声添加算法或混合噪声添加算法。
优选的，所述深度学习算法网络采用unet网络结构，所述unet网络结构具有输入端和输出端，所述输入端的输入数据为原始投影图数据，所述输出端的输出数据设定为优化投影图数据。
优选的，所述unet网络结构的网络深度为4。
优选的，所述unet网络结构的评价函数使用L1距离的变种。
优选的，所述unet网络结构的优化函数使用adam，学习率设定为1e-4。
与现有技术相比，上述技术方案具有以下有益效果：
(1)本发明针对不同类型的放射成像系统，通过在仿真模拟中设置原始成像系统的成像关键参数可调，克服真实成像系统的物理或硬件限制，并采用数字化成像目标物模型生成对应与真实应用场景的成像目标较为接近的数字模体；结合以上步骤生成模拟数据，包括调用对应类型的数字噪声添加算法的低分辨率、含噪声的原始投影图样本，以及优化原始成像系统的成像关键参数的高分辨率、无噪声的优化投影图样本，基于模拟数据训练深度学习算法网络的方法，同时实现投影图数据的降噪和分辨率恢复；
(2)由于优化投影图样本具有很多在原始投影图样本没有的高频细节信息，在投影图上有较明显的区别，同时优化投影图样本可以根据成像关键参数设定的，比如人体模型的姿势，身高，体重等等。以尽可能覆盖真实成像目标的多样性，包括尺寸、方向、结构差异等，具备可拓展性，能够通过调节数字模体的高频细节丰富程度和个体化差异，提升深度学习网络的准确性和鲁棒性。
附图说明
图1是本发明实现投影图数据降噪与分辨率恢复的系统的构建方法的流程示意图；
图2是本发明实现投影图数据降噪与分辨率恢复的系统的构建方法的其中一个实施例的结构示意图；
图3是模拟图2中成像系统参数生成的无噪声投影图样本；
图4是模拟图2中成像系统参数生成的添加数字噪声的低分辨率、含噪声的原始投影图样本；
图5是优化图2中成像系统参数生成的高分辨率、无噪声的优化投影图样本。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1所示，一种实现投影图数据降噪与分辨率恢复的系统的构建方法，包括以下步骤：
步骤1：对现有放射成像系统成像过程进行仿真建模，设置仿真模型中成像关键参数可调；
步骤2：对应步骤1中的仿真模型采用数字化成像目标物模型，生成对应的数字模体；
步骤3：根据步骤2中的数字模体获得原始投影图数据，调用对应类型的数字噪声添加算法生成低分辨率、含噪声的原始投影图样本；
步骤4：在仿真模型中调节步骤1中的部分或全部成像关键参数，使调节后的仿真模型中系统成像分辨率优于当前真实系统，并通过步骤2生成优化后的数字模体，并获得优化投影图数据，将优化投影图数据作为高分辨率、无噪声的优化投影图样本；
步骤5：将步骤3和步骤4中生成的原始投影图样本和优化投影图样本训练深度学习算法网络，获得可同时实现投影图数据降噪与分辨率恢复的系统。
本发明针对不同类型的放射成像系统，通过在仿真模拟中设置原始成像系统的成像关键参数可调，克服真实成像系统的物理或硬件限制，并采用数字化成像目标物模型生成对应与真实应用场景的成像目标较为接近的数字模体；结合以上步骤生成模拟数据，包括调用对应类型的数字噪声添加算法的低分辨率、含噪声的原始投影图样本，以及优化原始成像系统的成像关键参数的高分辨率、无噪声的优化投影图样本，基于模拟数据训练深度学习算法网络的方法，同时实现投影图数据的降噪和分辨率恢复。
此外由于优化投影图样本具有很多在原始投影图样本没有的高频细节信息，在投影图上有较明显的区别，同时优化投影图样本可以根据成像关键参数设定的，比如人体模型的姿势，身高，体重等等。以尽可能覆盖真实成像目标的多样性，包括尺寸、方向、结构差异等，具备可拓展性，能够通过调节数字模体的高频细节丰富程度和个体化差异，提升深度学习网络的准确性和鲁棒性。
需要说明的是，当前所有真实系统的成像分辨率变化趋势都可以通过一些简单的经验或物理公式预测，比如增大像距、提升探测器的分辨率等，可以使系统分辨率变好，因此可以优于当前真实系统。理论上，通过仿真方法可以无限提升分辨率，但是受限于仿真模拟的计算资源的有限性以及提升分辨率和抑制噪声之间的折衷，一般会选取一个适度的水平，具体和真实系统数据的噪声水平、设计参数以及预期达到的优化目标相关。
更进一步的说明，当系统需要获得断层图像时，基于优化投影图样本的成像参数，调用对应类型的重建算法进行重建。重建就是投影图像重建成断层图像。当需要断层图像时，即将投影图像重建成断层图像，不同的放射成像系统有不同的重建算法；同时对于需要图像重建的成像系统，应用针对优化投影图样本的成像参数而非针对原始投影图样本的成像参数的重建算法。
更进一步的说明，所述关键参数包括影响成像空间分辨率的系统设计和硬件参数。包括但不限于物距、像距、X射线源焦点尺寸或准直器孔径尺寸与探测器固有分辨率等。
更进一步的说明，所述数字噪声添加算法包括泊松噪声添加算法、高斯噪声添加算法或混合噪声添加算法。
数字噪声添加算法为可调节的算法，应基于对成像物理过程和探测器输出信号特征的较为准确的数学近似模型，如泊松噪声模型、高斯噪声模型和混合噪声模型等，上述噪声模型是经过理论和实践验证的对真实成像系统的噪声非常精确的近似，采用上述噪声模型可疑确保训练的算法在真实数据上效果更好。
更进一步的说明，所述深度学习算法网络采用unet网络结构，所述unet网络结构具有输入端和输出端，所述输入端的输入数据为原始投影图数据，所述输出端的输出数据设定为优化投影图数据。
更进一步的说明，所述unet网络结构的网络深度为4。
更进一步的说明，所述unet网络结构的评价函数使用L1距离的变种。
更进一步的说明，所述unet网络结构的优化函数使用adam，学习率设定为1e-4。
实施例-SPECT针孔准直器成像系统
如图2所示，(a)为成像目标；(b)为针孔位置；(c)为真实系统的探测器位置及尺寸；(d)为调整仿真系统参数后引入的虚拟探测器位置及尺寸。
在仿真中模拟当前系统参数生成的无噪声投影图数据，如图3所示；在无噪声投影图数据上采用对应类型的数字噪声添加算法生成低分辨率、含噪声的原始投影图样本，如图4所示；
在仿真中通过引入像距增加的大尺寸虚拟探测器，在物距和针孔参数不变的条件下，通过提升像距增加成像的放大倍数，从而提升仿真系统的成像分辨率，用以生成高分辨率、无噪声的投影图样本，如图5所示；
将图4和图5用于训练训练深度学习算法网络，使训练深度学习算法网络得到不断的优化，可以将图像由图4的低分辨率、高噪声投影图样本恢复至图5的高分辨率、无噪声投影图样本，获得可同时实现投影图数据降噪与分辨率恢复的系统。
在图2-5所示示例的实际应用中，针对降噪和分辨率提升后的图像数据，进行断层图像重建时应采用仿真系统中调整后的关键成像参数而非原系统关键成像参数。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理，而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释，本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式，这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (8)
1.一种实现投影图数据降噪与分辨率恢复的系统的构建方法，其特征在于，包括以下步骤：
步骤1：对现有放射成像系统成像过程进行仿真建模，设置仿真模型中成像关键参数可调；
步骤2：对应步骤1中的仿真模型采用数字化成像目标物模型，生成对应的数字模体；
步骤3：根据步骤2中的数字模体获得原始投影图数据，调用对应类型的数字噪声添加算法生成低分辨率、含噪声的原始投影图样本；
步骤4：在仿真模型中调节步骤1中的部分或全部成像关键参数，使调节后的仿真模型中系统成像分辨率优于当前真实系统，并通过步骤2生成优化后的数字模体，并获得优化投影图数据，将优化投影图数据作为高分辨率、无噪声的优化投影图样本；
步骤5：将步骤3和步骤4中生成的原始投影图样本和优化投影图样本训练深度学习算法网络，获得可同时实现投影图数据降噪与分辨率恢复的系统。
2.根据权利要求1所述的一种实现投影图数据降噪与分辨率恢复的系统的构建方法，其特征在于，当系统需要获得断层图像时，基于优化投影图样本的成像参数，调用对应类型的重建算法进行重建。
3.根据权利要求1所述的一种实现投影图数据降噪与分辨率恢复的系统的构建方法，其特征在于，所述关键参数包括影响成像空间分辨率的系统设计和硬件参数。
4.根据权利要求1所述的一种实现投影图数据降噪与分辨率恢复的系统的构建方法，其特征在于，所述数字噪声添加算法包括泊松噪声添加算法、高斯噪声添加算法或混合噪声添加算法。
5.根据权利要求1所述的一种实现投影图数据降噪与分辨率恢复的系统的构建方法，其特征在于，所述深度学习算法网络采用unet网络结构，所述unet网络结构具有输入端和输出端，所述输入端的输入数据为原始投影图数据，所述输出端的输出数据设定为优化投影图数据。
6.根据权利要求5所述的一种实现投影图数据降噪与分辨率恢复的系统的构建方法，其特征在于，所述unet网络结构的网络深度为4。
7.根据权利要求6所述的一种实现投影图数据降噪与分辨率恢复的系统的构建方法，其特征在于，所述unet网络结构的评价函数使用L1距离的变种。
8.根据权利要求7所述的一种实现投影图数据降噪与分辨率恢复的系统的构建方法，其特征在于，所述unet网络结构的优化函数使用adam，学习率设定为1e-4。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210198571.5A CN114565515B (zh) | 2022-03-01 | 2022-03-01 | 一种实现投影图数据降噪与分辨率恢复的系统的构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210198571.5A CN114565515B (zh) | 2022-03-01 | 2022-03-01 | 一种实现投影图数据降噪与分辨率恢复的系统的构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114565515A CN114565515A (zh) | 2022-05-31 |
| CN114565515B true CN114565515B (zh) | 2022-11-25 |
Family
ID=81716463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210198571.5A Active CN114565515B (zh) | 2022-03-01 | 2022-03-01 | 一种实现投影图数据降噪与分辨率恢复的系统的构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565515B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116071450B (zh) * | 2023-02-07 | 2024-02-13 | 深圳扬奇医芯智能科技有限公司 | 鲁棒的低剂量ct成像算法、装置 |
| CN116228547B (zh) * | 2023-05-08 | 2023-07-07 | 天府兴隆湖实验室 | 一种合成孔径成像过程的仿真方法 |
| CN117038064B (zh) * | 2023-10-07 | 2024-01-09 | 之江实验室 | 一种辅助分析算法的评估方法、装置、存储介质及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899188A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 一种神经网络学习的锥束ct噪声估计与抑制方法 |
| CN112435309A (zh) * | 2020-12-07 | 2021-03-02 | 苏州深透智能科技有限公司 | 一种基于深度学习的增强ct图像质量和分辨率的方法 |
| CN112598759A (zh) * | 2020-12-15 | 2021-04-02 | 太原科技大学 | 抑制低剂量ct图像中伪影噪声的多尺度特征生成对抗网络 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108511043B (zh) * | 2018-02-27 | 2022-06-03 | 华东师范大学 | 基于数值模拟的x-ct虚拟数据采集及图像重建方法及系统 |
-
2022
- 2022-03-01 CN CN202210198571.5A patent/CN114565515B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111899188A (zh) * | 2020-07-08 | 2020-11-06 | 西北工业大学 | 一种神经网络学习的锥束ct噪声估计与抑制方法 |
| CN112435309A (zh) * | 2020-12-07 | 2021-03-02 | 苏州深透智能科技有限公司 | 一种基于深度学习的增强ct图像质量和分辨率的方法 |
| CN112598759A (zh) * | 2020-12-15 | 2021-04-02 | 太原科技大学 | 抑制低剂量ct图像中伪影噪声的多尺度特征生成对抗网络 |
Non-Patent Citations (1)
| Title |
|---|
| 面向低剂量CT图像的多生成器对抗网络降噪模型的研究;裴颂文等;《小型微型计算机系统》;20201231;第2582-2587页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114565515A (zh) | 2022-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114565515B (zh) | 一种实现投影图数据降噪与分辨率恢复的系统的构建方法 | |
| Wang et al. | Metal artifact reduction in CT using fusion based prior image | |
| CN107004257B (zh) | 通过基于噪声模型的多尺度噪声降低来模拟剂量增加 | |
| US20190164288A1 (en) | Training a cnn with pseudo ground truth for ct artifact reduction | |
| JP4695867B2 (ja) | 非一様ビュー加重式トモシンセシス方法及び装置 | |
| US7742557B2 (en) | Method for generating a 3D reconstruction of a body | |
| JP5864958B2 (ja) | 画像処理装置、画像処理方法、プログラムおよびコンピュータ記録媒体 | |
| JP7199813B2 (ja) | 放射線撮影装置 | |
| CN101129266A (zh) | X线图像处理系统 | |
| CN111899188B (zh) | 一种神经网络学习的锥束ct噪声估计与抑制方法 | |
| TW201204327A (en) | High efficiency computed tomography with optimized recursions | |
| JP7080025B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
| KR102472464B1 (ko) | 영상처리방법 및 이를 이용한 영상처리장치 | |
| KR101591381B1 (ko) | Ct 촬영에서의 금속에 의한 잡음 및 오류 감쇄방법 | |
| Altunbas et al. | A unified scatter rejection and correction method for cone beam computed tomography | |
| Van Eyndhoven et al. | Region-based iterative reconstruction of structurally changing objects in CT | |
| CN114241077A (zh) | 一种ct图像分辨率优化方法及装置 | |
| CN115272511A (zh) | 基于双解码器的cbct图像中金属伪影去除系统、方法、终端及介质 | |
| Kim et al. | Convolutional neural network–based metal and streak artifacts reduction in dental CT images with sparse‐view sampling scheme | |
| CN111223156A (zh) | 一种用于牙科锥束ct系统的金属伪影消除方法 | |
| Thanasupsombat et al. | A simple scatter reduction method in cone-beam computed tomography for dental and maxillofacial applications based on Monte Carlo simulation | |
| CN117115039A (zh) | 一种泊松扩散模型降噪方法及系统 | |
| JP2023004941A (ja) | Ｘ線診断装置、医用画像処理方法及び学習済みモデルの生成方法 | |
| JP6776171B2 (ja) | 放射線撮像装置、画像処理装置および画像処理用プログラム | |
| CN115797485A (zh) | 图像去伪影方法、系统、电子设备及存储介质 |
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 |