CN115187470A - 一种基于3d打印内型腔的双域迭代降噪方法 - Google Patents
一种基于3d打印内型腔的双域迭代降噪方法 Download PDFInfo
- Publication number
- CN115187470A CN115187470A CN202210654321.8A CN202210654321A CN115187470A CN 115187470 A CN115187470 A CN 115187470A CN 202210654321 A CN202210654321 A CN 202210654321A CN 115187470 A CN115187470 A CN 115187470A
- Authority
- CN
- China
- Prior art keywords
- image
- raw data
- domain
- noise reduction
- iterative
- 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
- 230000009467 reduction Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000010146 3D printing Methods 0.000 title claims abstract description 14
- 238000013179 statistical model Methods 0.000 claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 238000004519 manufacturing process Methods 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 17
- 239000000654 additive Substances 0.000 description 10
- 230000000996 additive effect Effects 0.000 description 10
- 230000005855 radiation Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008439 repair process Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000843 powder Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000035777 life prolongation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于3D打印内型腔的双域迭代降噪方法，首先系统采集图像的生数据，将采集到的生数据进行校正得到正投影数据，将统计模型加入生数据域中，对正投影数据进行生数据域迭代降噪得到生数据域迭代降噪后的图像，然后将生数据域迭代降噪后的图像进行图像重建，并将重建后的图像在图像域中进行图像域迭代降噪，比较当前迭代图像的正投影数据与生数据的误差，一步一步更新迭代图像，得到与采集到的生数据最符合的图像，通过生数据域迭代降噪处理条形态噪声，通过图像域迭代降噪处理图像整体噪声，最小化正投影数据与生数据的差异，实现对低X射线的剂量时产生的伪影和图像噪声进行降噪，提高了低剂量X射线输出图像的质量。
Description
技术领域
本发明涉及智能识别检测领域，具体地说，涉及一种基于3D打印内型腔的双域迭代降噪方法。
背景技术
增材制造技术又称“3D打印技术”，它的概念起源于上世纪八十年代，它的出现对发展了2000多年的等材制造技术和发展了300多年的减材制造技术造成了深远的影响，它引入了一种新的思维制造模式，即：增材制造模式。从人类资源开发的未来发展模式看，增材制造技术的出现是解决未来资源紧缺情况下的一种有效途径。
最近十年，增材制造技术的快速发展已经给传统制造业带来了巨大变革，凭借该技术的任意自由度特点，重塑了设计思维，实现了变不可能为可能，缓解了设计方案向制造技术妥协的窘境。增材制造技术的出现不仅仅解决了传统制造方法不能制造的负责零件的出现，同时也利用该技术实现了对传统昂贵零部件出现缺陷以后的修复再延寿。
增材制造技术快速发展的同时也带来了相关其他行业的发展，如粉末原材料、3D打印设备、医疗生物、检验检测等，但是目前现有的检测手段还未能实现对增材制造内部结构的快速检测，尤其是增材制造模具内流道的检测。
增材制造修复技术又称激光送粉成形修复技术，该技术不受修复尺寸限制，可以实现力学性能与锻件相当的复杂高性能构件的高效率制造和快速修复。该技术以信息技术为支撑，以柔性化的产品制造方式最大限度地满足无限丰富的个性化需求，技术应用前景广阔。
对使用X射线的设备来说，X射线剂量始终是一个绕不开的问题。对零件使用较高的辐射剂量，图像质量会比较好；然而降低扫描时的辐射剂量，图像的噪声和相关的伪影将大幅升高。针对低剂量数据，一个很大的问题是降低伪影和噪声，现在亟需一种对降低扫描时辐射剂量产生的伪影和噪声进行降噪的方法。
发明内容
本发明针对现有技术中降低扫描时辐射剂量产生的伪影和噪声大幅提高的问题，本发明提出一种基于3D打印内型腔的双域迭代降噪方法，从系统采集到的生数据出发，比较当前迭代图像的正投影数据与生数据的误差，一步一步更新迭代图像，通过生数据域迭代降噪处理条形态噪声，通过图像域迭代降噪处理图像整体噪声，最小化正投影数据与生数据的差异，得到最符合采集到的生数据的重建图像，实现对低X射线的剂量时产生的伪影和图像噪声进行降噪，提高了低剂量X射线输出图像的质量。
本发明具体实现内容如下：
一种基于3D打印内型腔的双域迭代降噪方法，包括以下步骤：
步骤1：采集图像的生数据，将采集到的生数据进行正投影得到正投影数据；
步骤2：将统计模型加入生数据域中，在生数据域中对所有正投影数据进行噪声估计，得到噪声估计值，并根据得到的噪声估计值将统计模型转换成图像域的噪声模型；
步骤3：在生数据域中对需要处理的正投影数据进行生数据域迭代降噪，得到生数据域迭代降噪后的图像；
为了更好地实现本发明，进一步地，所述步骤3的具体操作为：在生数据域中使用剂量信息自适应找出需要处理的正投影数据，得出需要处理信号的噪声估计，对需要处理的正投影数据进行生数据域迭代降噪，得到生数据域迭代降噪后的图像；
所述生数据域迭代降噪用于处理条形态的噪声问题；
步骤4：将生数据域迭代降噪后的图像进行图像重建，得到重建后的图像；
步骤5：将重建后的图像在噪声模型中进行图像域迭代降噪，得到正投影数据与生数据差异最小的图像；
所述图像域的迭代降噪用于处理图像整体噪声高的问题；
为了更好地实现本发明，进一步地，所述步骤4中进行图像重建时使用RIO迭代重建算法对生数据域迭代降噪后的图像进行图像重建。
为了更好地实现本发明，进一步地，在进行图像重建前根据统计模型加入的生数据域将统计模型进行加权操作，得到统计噪声模型。
为了更好地实现本发明，进一步地，所述RIO迭代重建算法的目标方程为：
其中，A为系统矩阵，X为待求解的图像，Y为系统采集的生数据，W为统计噪声模型，R为正则化函数，β为引入抑制图像噪声的因子。
本发明具有以下有益效果：
(1)本发明通过使用双域迭代降噪重建算法，将生数据域迭代降噪和重建图像域迭代降噪同时使用，通过生数据域迭代降噪处理条形态噪声，通过图像域迭代降噪处理图像整体噪声，最小化了正投影数据与生数据的差异，得到了最符合采集到的生数据的重建图像；
(2)本发明通过将统计模型信息加入生数据的比较中，天然抑制了噪声不一致导致的条状伪影；
(3)本发明通过将统计模型进行加权操作，解决了不同方向噪声不一致导致的条状伪影的问题；
(4)本发明利用正则化函数抑制了迭代过程中图像整体的噪声。
附图说明
图1为进行双域迭代降噪的流程图。
具体实施方式
为了更清楚地说明本发明实施例的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，应当理解，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例，因此不应被看作是对保护范围的限定。基于本发明中的实施例，本领域普通技术工作人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1：
本实施例提出一种基于3D打印内型腔的双域迭代降噪方法，包括以下步骤：
步骤1：采集图像的生数据，将采集到的生数据进行正投影得到正投影数据；
步骤2：将统计模型加入生数据域中，在生数据域中对所有正投影数据进行噪声估计，得到噪声估计值，并根据得到的噪声估计值将统计模型转换成图像域的噪声模型；
步骤3：在生数据域中对需要处理的正投影数据进行生数据域迭代降噪，得到生数据域迭代降噪后的图像；
步骤4：将生数据域迭代降噪后的图像进行图像重建，得到重建后的图像；
步骤5：将重建后的图像在噪声模型中进行图像域迭代降噪，得到正投影数据与生数据差异最小的图像。
工作原理：首先系统采集图像的生数据，将采集到的生数据进行校正得到正投影数据，将统计模型加入生数据域中，对正投影数据进行生数据域迭代降噪得到生数据域迭代降噪后的图像，所述生数据域可称为投影域或非图像域；然后将生数据域迭代降噪后的图像进行图像重建，并将重建后的图像在图像域中进行进行图像域迭代降噪，比较当前迭代图像的正投影数据与生数据的误差，一步一步更新迭代图像，得到与采集到的生数据最符合的图像。本实施例通过生数据域迭代降噪处理条形态噪声，通过图像域迭代降噪处理图像整体噪声，最小化正投影数据与生数据的差异，实现对低X射线的剂量时产生的伪影和图像噪声进行降噪，提高了低剂量X射线输出图像的质量。
实施例2：
本实施例在上述实施例1的基础上，使用RIO迭代重建算法对图像重建的过程进行详细说明。
工作原理：本实施例在进行图像重建时使用RIO迭代重建算法对生数据域迭代降噪后的图像进行图像重建，并在进行图像重建前根据统计模型加入的生数据域将统计模型进行加权操作，得到统计噪声模型。
所述RIO迭代算法的目标方程为：
其中，A为系统矩阵，X为待求解的图像，Y为系统采集的生数据，W为统计噪声模型，R为正则化函数，β为引入抑制图像噪声的因子。
本实施例的其他部分与上述实施例1相同，故不再赘述。
实施例3：
本实施例在上述实施例1-2任一项的基础上，如图1所示，利用双域迭代降噪重建算法对低剂量X射线输出的图像进行迭代降噪的过程进行详细说明。
工作原理：对使用X射线的设备来说，X射线剂量始终是一个绕不开的问题。对零件使用较高的辐射剂量，图像质量会比较好；然而降低扫描时的辐射剂量，图像的噪声和相关的伪影将大幅升高。当剂量降低到原始剂量的0.5倍时，图像的整体噪声就会升高到原始剂量图像噪声的1.414倍，如表1所示为剂量降低时噪声的增大情况；
表1剂量降低系数和噪声增大系数关系表
| 剂量降低系数 | 0.9 | 0.7 | 0.5 | 0.3 | 0.2 |
| 噪声增大系数 | 1.054 | 1.195 | 1.414 | 1.826 | 2.236 |
针对低剂量数据，一个很大的问题是降低伪影和噪声。本实施例针对两种迭代重建算法及效果进行描述；及潜在可能通过稀疏采样来进一步降低剂量的解决方案。
本方案中使用一种双域迭代降噪重建算法，将生数据域迭代降噪和重建图像域迭代降噪同时使用。
一种双域迭代降噪重建算法，其中生数据域迭代降噪更擅长处理streak形态即条形态的噪声问题；而图像域的迭代降噪更擅长处理图像整体噪声高的问题，具体流程如下：
系统采集到的生数据出发，通过比较当前迭代图像的正投影数据与生数据的误差，一步一步更新迭代图像，在这个过程中，将统计模型信息加入生数据的比较中，从而天然抑制噪声不一致导致的条状伪影，最终最小化正投影数据与生数据的差异，使得重建出来的图像最符合采集到的生数据。
RIO迭代重建的目标方程可以理解如下：
其中X为要求解的图像，Y为系统采集到的生数据，A可以理解为系统矩阵，W为依据噪声统计模型加入的生数据域的加权，R是正则化函数起到迭代过程中抑制图像整体噪声的作用。
W为统计噪声模型，这是一个生数据域的加权，这个操作从根本上解决不同方向噪声不一致导致的streak形态即条形态的问题，而不再是一个迭代降噪的过程；后面的β为正则化项在迭代的过程中引入抑制图像噪声的因子。
本实施例的其他部分与上述实施例1-2任一项相同，故不再赘述。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (5)
1.一种基于3D打印内型腔的双域迭代降噪方法，其特征在于，包括以下步骤：
步骤1：采集图像的生数据，将采集到的生数据在生数据域中进行正投影得到正投影数据；
步骤2：将统计模型加入生数据域中，在生数据域中对所有正投影数据进行噪声估计，得到噪声估计值，并根据得到的噪声估计值将统计模型转换成图像域的噪声模型；
步骤3：在生数据域中对需要处理的正投影数据进行生数据域迭代降噪，得到生数据域迭代降噪后的图像；
步骤4：将生数据域迭代降噪后的图像进行图像重建，得到重建后的图像；
步骤5：将重建后的图像在噪声模型中进行图像域迭代降噪，得到正投影数据与生数据差异最小的图像。
2.如权利要求1所述的一种基于3D打印内型腔的双域迭代降噪方法，其特征在于，所述步骤4中进行图像重建时使用RIO迭代重建算法对生数据域迭代降噪后的图像进行图像重建。
3.如权利要求2所述的一种基于3D打印内型腔的双域迭代降噪方法，其特征在于，在进行图像重建前根据加入到生数据域中的统计模型将统计模型进行加权操作，得到统计噪声模型。
4.如权利要求3所述的一种基于3D打印内型腔的双域迭代降噪方法，其特征在于，所述RIO迭代重建算法的目标方程为：
其中，A为系统矩阵，X为待求解的图像，Y为系统采集的生数据，W为统计噪声模型，R为正则化函数，β为引入抑制图像噪声的因子。
5.如权利要求1所述的一种基于3D打印内型腔的双域迭代降噪方法，其特征在于，所述步骤3的具体操作为：在生数据域中使用剂量信息自适应找出需要处理的正投影数据，得出需要处理信号的噪声估计，对需要处理的正投影数据进行生数据域迭代降噪，得到生数据域迭代降噪后的图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210654321.8A CN115187470A (zh) | 2022-06-10 | 2022-06-10 | 一种基于3d打印内型腔的双域迭代降噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210654321.8A CN115187470A (zh) | 2022-06-10 | 2022-06-10 | 一种基于3d打印内型腔的双域迭代降噪方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115187470A true CN115187470A (zh) | 2022-10-14 |
Family
ID=83512997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210654321.8A Pending CN115187470A (zh) | 2022-06-10 | 2022-06-10 | 一种基于3d打印内型腔的双域迭代降噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115187470A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102947861A (zh) * | 2010-06-21 | 2013-02-27 | 皇家飞利浦电子股份有限公司 | 用于在低剂量计算机断层摄影中降低噪声的方法和系统 |
| CN109493951A (zh) * | 2017-11-08 | 2019-03-19 | 上海联影医疗科技有限公司 | 用于降低辐射剂量的系统和方法 |
| CN111147691A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 图像处理方法、装置、设备和可读存储介质 |
| CN112348936A (zh) * | 2020-11-30 | 2021-02-09 | 华中科技大学 | 一种基于深度学习的低剂量锥束ct图像重建方法 |
| CN112381741A (zh) * | 2020-11-24 | 2021-02-19 | 佛山读图科技有限公司 | 基于spect数据采样与噪声特性的断层图像重建方法 |
| CN112656438A (zh) * | 2020-12-17 | 2021-04-16 | 中山大学 | 一种基于曲面全变差的低剂量ct投影域去噪及重建方法 |
| CN114004753A (zh) * | 2021-09-07 | 2022-02-01 | 山东财经大学 | 一种基于gan的融合ndct噪声的低剂量ct双域联合降噪方法 |
-
2022
- 2022-06-10 CN CN202210654321.8A patent/CN115187470A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102947861A (zh) * | 2010-06-21 | 2013-02-27 | 皇家飞利浦电子股份有限公司 | 用于在低剂量计算机断层摄影中降低噪声的方法和系统 |
| CN109493951A (zh) * | 2017-11-08 | 2019-03-19 | 上海联影医疗科技有限公司 | 用于降低辐射剂量的系统和方法 |
| CN111147691A (zh) * | 2019-12-31 | 2020-05-12 | 上海联影医疗科技有限公司 | 图像处理方法、装置、设备和可读存储介质 |
| CN112381741A (zh) * | 2020-11-24 | 2021-02-19 | 佛山读图科技有限公司 | 基于spect数据采样与噪声特性的断层图像重建方法 |
| CN112348936A (zh) * | 2020-11-30 | 2021-02-09 | 华中科技大学 | 一种基于深度学习的低剂量锥束ct图像重建方法 |
| CN112656438A (zh) * | 2020-12-17 | 2021-04-16 | 中山大学 | 一种基于曲面全变差的低剂量ct投影域去噪及重建方法 |
| CN114004753A (zh) * | 2021-09-07 | 2022-02-01 | 山东财经大学 | 一种基于gan的融合ndct噪声的低剂量ct双域联合降噪方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107481297B (zh) | 一种基于卷积神经网络的ct图像重建方法 | |
| US11080897B2 (en) | Systems and methods for a PET image reconstruction device | |
| CN107958471B (zh) | 基于欠采样数据的ct成像方法、装置、ct设备及存储介质 | |
| CN110223255B (zh) | 一种基于残差编解码网络的低剂量ct图像去噪递归方法 | |
| CN111325686A (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| CN106960429B (zh) | 一种ct图像金属伪影校正方法及装置 | |
| CN112102213B (zh) | 低剂量ct图像处理方法、扫描系统及计算机存储介质 | |
| CN106909947B (zh) | 基于Mean Shift算法的CT图像金属伪影消除方法及消除系统 | |
| CN103810735A (zh) | 一种低剂量x射线ct图像统计迭代重建方法 | |
| CN114708352A (zh) | 一种基于无监督学习的低剂量ct图像恢复方法及系统 | |
| CN105590296A (zh) | 一种基于双字典学习的单帧图像超分辨率复原方法 | |
| CN115187470A (zh) | 一种基于3d打印内型腔的双域迭代降噪方法 | |
| Won et al. | Self-supervised learning based CT denoising using pseudo-CT image pairs | |
| CN111145281B (zh) | 一种双能ct直接迭代基材料分解图像重建方法 | |
| CN117115031A (zh) | 一种基于非配对学习的cbct金属伪影去除方法及系统 | |
| CN112116677B (zh) | 一种基于低维流形先验的低剂量ct重建方法 | |
| CN113129296B (zh) | 基于变换域下去噪自动编码器作为先验的图像处理方法 | |
| CN112529980B (zh) | 一种基于极大极小化的多目标有限角ct图像重建方法 | |
| CN106127712B (zh) | 图像增强方法及装置 | |
| CN112150426B (zh) | 基于非参数核密度估计的数字乳腺层析合成摄影重建方法 | |
| Ruan et al. | QS-ADN: Quasi-supervised artifact disentanglement network for low-dose CT image denoising by local similarity among unpaired data | |
| Ma et al. | Image fusion for low-dose computed tomography reconstruction | |
| Ding et al. | Efficient scheme of low-dose CT reconstruction using TV minimization with an adaptive stopping strategy and sparse dictionary learning for post-processing | |
| CN113870137B (zh) | 由梯度指导、自相似性修正的低剂量ct图像去噪方法、系统 | |
| Shivahare et al. | Medical Image Denoising and Brain Tumor Detection Using CNN and U-Net |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221014 |