CN115345803A - 基于残差网络的ct断层图中环形伪影校正方法 - Google Patents
基于残差网络的ct断层图中环形伪影校正方法 Download PDFInfo
- Publication number
- CN115345803A CN115345803A CN202211276440.0A CN202211276440A CN115345803A CN 115345803 A CN115345803 A CN 115345803A CN 202211276440 A CN202211276440 A CN 202211276440A CN 115345803 A CN115345803 A CN 115345803A
- Authority
- CN
- China
- Prior art keywords
- network
- artifact
- ring
- image
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012937 correction Methods 0.000 title claims description 73
- 238000003325 tomography Methods 0.000 title claims description 9
- 238000002591 computed tomography Methods 0.000 title description 20
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000013526 transfer learning Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims description 34
- 238000012360 testing method Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 229910052704 radon Inorganic materials 0.000 claims description 3
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000015556 catabolic process Effects 0.000 abstract description 3
- 238000006731 degradation reaction Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- -1 biology Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000004044 response Effects 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
- G06T5/80—Geometric correction
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
Abstract
本发明公开了基于残差网络的CT断层图中环形伪影校正方法，涉及图像处理技术领域，通过去除正弦图中的伪影，从而使得校正重建断层图中的环形伪影的过程会更加容易；通过残差网络对原始数据进行层层递进修正，能够加快网络的训练速度以及节约计算的空间成本；同时残差网络能消除网络梯度反向传播的退化问题，有利于更高性能的深度网络的建立，且通过残差网络能够对图像的原始细节信息进行保留；通过采用迁移学习的训练策略，使得经由小样本数据训练的网络仍能取得优异的效果，从而大大减少网络的训练难度。
Description
技术领域
本发明涉及图像处理技术领域，具体是基于残差网络的CT断层图中环形伪影校正方法。
背景技术
X射线断层成像技术具有穿透能力强、成像分辨率高和衬度来源丰富等优势，这些优异的性能使得X射线断层成像技术在医学、生物学、材料科学、化学等领域获得了广泛的应用 。然而在X射线断层成像实验过程中，由于探测器制造工艺的限制，探测器的像素单元存在响应不一致与非线性的问题。该问题的存在使得X射线断层重建图中出现大量的环形与半圆形伪影，严重损害了图像的细节信息，极大地降低了三维成像的分辨率。因此，需要一种校正方法在不损害图像分辨率的前提下去除环形伪影，使得X射线断层重建技术能够重建出高分辨的三维样品信息；
如何解决现有的伪影校正方法存在伪影识别不准，造成图像的细节信息丢失，是我们需要解决的问题，为此，现提供基于残差网络的CT断层图中环形伪影校正方法。
发明内容
本发明的目的在于提供基于残差网络的CT断层图中环形伪影校正方法。
本发明的目的可以通过以下技术方案实现：基于残差网络的CT断层图中环形伪影校正方法，包括以下步骤：
步骤一：基于CT断层图中环形伪影的特性，制作不同程度的环形伪影模拟数据集；
步骤二：基于残差网络建立并优化环形伪影校正网络；
步骤三：通过环形伪影模拟数据集对环形伪影校正网络进行训练与测试；
步骤四：通过迁移学习的策略，利用小样本数据的实际数据再次训练环形伪影校正网络；
步骤五：通过环形伪影校正网络对实际数据进行校准。
进一步的，制作不同程度的环形伪影模拟数据集的过程包括：
随机选取二维CT断层图像，并将所选取的二维CT断层图像进行标记，形成模拟数据集；
对模拟数据集内的每个二维CT断层图像进行裁剪和灰度值变换，获得相同尺寸大小的灰度图像；
将所获得的每张灰度图像进行Radon变换，得到模拟正弦图像数据集；
在模拟正弦图像数据集的基础上，对模拟正弦图像数据集内的每张图像随机添加不同程度的随机环形伪影，得到伪影正弦图集；
根据模拟正弦图像数据集与伪影正弦图集获得模拟数据训练集与模拟数据测试集。
进一步的，对环形伪影校正网络进行优化的过程包括：
建立环形伪影校正网络，所述环形伪影校正网络共14层，由两个3x3卷积层与6个残差网络组成；
所述残差网络由两个3x3卷积层与跳连接层构成，在残差网络中，输入数据经过两个卷积层后得到残差值，然后残差值通过跳连接层对输入数据进行修正。
进一步的，对环形伪影校正网络进行训练与测试的过程包括：
通过Haar离散小波变换将模拟数据训练集分解为四个小波子带系数；
将分解后获得的四个系数输入至环形伪影校正网络内，得到模拟数据训练集图像噪声、环形伪影图像信息以及环形伪影校正网络的网络参数信息；
利用经过上述训练后得到的网络参数信息对环形伪影校正网络进行参数更新；
在测试过程中，首先对模拟数据测试集的正弦图进行小波变换得到四个小波子带系数图像，将这四个小波子带系数图像输入到更新完网络参数后的环形伪影校正网络中进行测试，得到环形伪影校正网络输出的模拟数据测试集的噪声或者环形伪影图像信息；
通过计算伪影校正网络输出的模拟数据测试集的噪声或者环形伪影图像信息与模拟数据测试集的理想噪声或者伪影图像信息的差异来判断更新完网络参数后的环形伪影校正网络的有效性。
进一步的，对环形伪影校正网络进行再次训练的过程包括：
将小样本数据通过更新完网络参数后的环形伪影校正网络进行再训练，得到小样本数据图像噪声或者环形伪影图像信息以及新的网络参数信息；
利用经过上述训练后得到新的网络参数信息对环形伪影校正网络进行网络参数再次更新。
进一步的，通过环形伪影校正网络对实际数据进行校准的过程包括：
对实际数据的正弦图进行小波变换得到四个小波子带系数；
将所获得的小波子带系数输入至更新完网络参数后的环形伪影校正网内进行伪影校正，从而得到没有环形伪影的实际数据的小波子带系数图像；
再经过小波逆变换与滤波反投影重建，得到不含环形伪影的实际实验数据断层重建结果，并将结果进行输出。
与现有技术相比，本发明的有益效果是：通过去除正弦图中的伪影，从而使得校正重建断层图中的环形伪影的过程会更加容易；通过残差网络对原始数据进行层层递进修正，能够加快网络的训练速度以及节约计算的空间成本；同时残差网络能消除网络梯度反向传播的退化问题，有利于更高性能的深度网络的建立，且通过残差网络能够对图像的原始细节信息进行保留；
通过采用迁移学习的训练策略，使得经由小样本数据训练的网络仍能取得优异的效果，从而大大减少网络的训练难度。
附图说明
图1为本发明的原理图。
具体实施方式
如图1所示，基于残差网络的CT断层图中环形伪影校正方法，包括以下步骤：
步骤一：基于CT断层图中环形伪影的特性，制作不同程度的环形伪影模拟数据集；
步骤二：基于残差网络建立并优化环形伪影校正网络；
步骤三：通过环形伪影模拟数据集对环形伪影校正网络进行训练与测试；
步骤四：通过迁移学习的策略，利用小样本数据的实际数据再次训练环形伪影校正网络；
步骤五：通过环形伪影校正网络对实际数据进行校准。
需要进一步说明的是，在具体实施过程中，制作不同程度的环形伪影模拟数据集的过程包括：
随机选取二维CT断层图像，并将所选取的二维CT断层图像进行标记，形成模拟数据集；
对模拟数据集内的每个二维CT断层图像进行裁剪和灰度值变换，获得相同尺寸大小的灰度图像；
将所获得的每张灰度图像进行Radon变换，得到模拟正弦图像数据集，并将所获得的模拟正弦图像数据集记为P1。
在模拟正弦图像数据集P1的基础上，对模拟正弦图像数据集P1内的每张图像随机添加不同程度的随机环形伪影，从而得到伪影正弦图集，并将所获得的伪影正弦图集记为P2；
根据模拟正弦图像数据集P1与伪影正弦图集P2获得环形伪影模拟数据集，所述环形伪影模拟数据集包括模拟数据训练集与模拟数据测试集，其中模拟正弦图像数据集P1为模拟数据训练集，伪影正弦图P2为模拟数据测试集；
需要进一步说明的是，在具体实施过程中，通过上述方法获得的模拟数据训练集与模拟数据测试集，不仅解决了实验数据不足的问题，而且这些数据相对于实际CT数据更容易观察图像中的伪影，有利于后续的评估；此外，相较于实验数据，模拟数据集中的图像种类繁多且各不相同，使得通过这种方式构造的数据集训练出的网络具有更强的普适性。
需要进一步说明的是，在具体实施过程中，对环形伪影校正网络进行优化的过程包括：
建立环形伪影校正网络，所述环形伪影校正网络共14层，由两个3x3卷积层与6个残差网络组成；
且除了最后一个的卷积层为4通道外，其余的卷积核的通道数均为64；
需要进一步说明的是，在具体实施过程中，所述环形伪影校正网络的不同层之间均由ReLu激活函数进行连接，激活函数的引入为环形伪影校正网络带来非线性映射，从而使得环形伪影校正网络能够处理非线性问题；
所述残差网络由两个3x3卷积层与跳连接层构成，在残差网络中，输入数据经过两个卷积层后得到残差值，然后残差值通过跳连接层对输入数据进行修正；
需要进一步说明的是，在具体实施过程中，通过残差网络对原始数据进行层层递进修正，能够加快网络的训练速度以及节约计算的空间成本；同时残差网络能消除网络梯度反向传播的退化问题，有利于更高性能的深度网络的建立，且通过残差网络能够对图像的原始细节信息进行保留。
需要进一步说明的是，在具体实施过程中，对环形伪影校正网络进行训练与测试的过程包括：
通过Haar离散小波变换将模拟数据训练集分解为四个小波子带系数；
将分解后获得的四个系数输入至环形伪影校正网络内，得到模拟数据训练集图像噪声、环形伪影图像信息以及环形伪影校正网络的网络参数信息；
利用经过上述训练后得到的网络参数信息对环形伪影校正网络进行参数更新；
在测试过程中，首先对模拟数据测试集的正弦图进行小波变换得到四个小波子带系数图像，接着，将这四个小波子带系数图像输入到更新完网络参数后的环形伪影校正网络中进行测试，得到环形伪影校正网络输出的模拟数据测试集的噪声或者环形伪影图像信息；
通过计算伪影校正网络输出的模拟数据测试集的噪声或者环形伪影图像信息与模拟数据测试集的理想噪声或者伪影图像信息的差异来判断更新完网络参数后的环形伪影校正网络的有效性，当该差异值越接近于0，则表示更新完网络参数后的伪影校正网络越有效。
需要进一步说明的是，在具体实施过程中，不同的小波子带系数的互补信息，能够使得环形伪影校正网络在消除伪影的同时，很好地保存和恢复图像的详细信息，同时，由于小波子带系数的维数为原始图像的一半，从而可以减少所需的内存空间，加快训练速度；最后，环形伪影校正网络输出是小波子带系数中的预测伪影，有利于细节的保存和恢复。
需要进一步说明的是，在具体实施过程中，对环形伪影校正网络进行再次训练的过程包括：
将小样本数据通过更新完网络参数后的环形伪影校正网络进行再训练，得到小样本数据图像噪声或者环形伪影图像信息以及新的网络参数信息；
利用经过上述训练后得到新的网络参数信息对环形伪影校正网络进行网络参数再次更新。
需要进一步说明的是，在具体实施过程中，通过环形伪影校正网络对实际数据进行校准的过程包括：
对实际数据的正弦图进行小波变换得到四个小波子带系数；
将所获得的小波子带系数输入至更新完网络参数后的环形伪影校正网内进行伪影校正，从而得到没有环形伪影的实际数据的小波子带系数图像；
再经过小波逆变换与滤波反投影重建，得到不含环形伪影的实际实验数据断层重建结果，并将结果进行输出。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (6)
1.基于残差网络的CT断层图中环形伪影校正方法，其特征在于，包括以下步骤：
步骤一：基于CT断层图中环形伪影的特性，制作不同程度的环形伪影模拟数据集；
步骤二：基于残差网络建立并优化环形伪影校正网络；
步骤三：通过环形伪影模拟数据集对环形伪影校正网络进行训练与测试；
步骤四：通过迁移学习的策略，利用小样本数据的实际数据再次训练环形伪影校正网络；
步骤五：通过环形伪影校正网络对实际数据进行校准。
2.根据权利要求1所述的基于残差网络的CT断层图中环形伪影校正方法，其特征在于，制作不同程度的环形伪影模拟数据集的过程包括：
随机选取二维CT断层图像，并将所选取的二维CT断层图像进行标记，形成模拟数据集；
对模拟数据集内的每个二维CT断层图像进行裁剪和灰度值变换，获得相同尺寸大小的灰度图像；
将所获得的每张灰度图像进行Radon变换，得到模拟正弦图像数据集；
在模拟正弦图像数据集的基础上，对模拟正弦图像数据集内的每张图像随机添加不同程度的随机环形伪影，得到伪影正弦图集；
根据模拟正弦图像数据集与伪影正弦图集获得模拟数据训练集与模拟数据测试集。
3.根据权利要求2所述的基于残差网络的CT断层图中环形伪影校正方法，其特征在于，对环形伪影校正网络进行优化的过程包括：
建立环形伪影校正网络，所述环形伪影校正网络共14层，由两个3x3卷积层与6个残差网络组成；
所述残差网络由两个3x3卷积层与跳连接层构成，在残差网络中，输入数据经过两个卷积层后得到残差值，然后残差值通过跳连接层对输入数据进行修正。
4.根据权利要求3所述的基于残差网络的CT断层图中环形伪影校正方法，其特征在于，对环形伪影校正网络进行训练与测试的过程包括：
通过Haar离散小波变换将模拟数据训练集分解为四个小波子带系数；
将分解后获得的四个系数输入至环形伪影校正网络内，得到模拟数据训练集图像噪声、环形伪影图像信息以及环形伪影校正网络的网络参数信息；
利用经过上述训练后得到的网络参数信息对环形伪影校正网络进行参数更新；
在测试过程中，首先对模拟数据测试集的正弦图进行小波变换得到四个小波子带系数图像，将这四个小波子带系数图像输入到更新完网络参数后的环形伪影校正网络中进行测试，得到环形伪影校正网络输出的模拟数据测试集的噪声或者环形伪影图像信息；
通过计算伪影校正网络输出的模拟数据测试集的噪声或者环形伪影图像信息与模拟数据测试集的理想噪声或者伪影图像信息的差异来判断更新完网络参数后的环形伪影校正网络的有效性。
5.根据权利要求4所述的基于残差网络的CT断层图中环形伪影校正方法，其特征在于，对环形伪影校正网络进行再次训练的过程包括：
将小样本数据通过更新完网络参数后的环形伪影校正网络进行再训练，得到小样本数据图像噪声或者环形伪影图像信息以及新的网络参数信息；
利用经过上述训练后得到新的网络参数信息对环形伪影校正网络进行网络参数再次更新。
6.根据权利要求5所述的基于残差网络的CT断层图中环形伪影校正方法，其特征在于，通过环形伪影校正网络对实际数据进行校准的过程包括：
对实际数据的正弦图进行小波变换得到四个小波子带系数；
将所获得的小波子带系数输入至更新完网络参数后的环形伪影校正网内进行伪影校正，从而得到没有环形伪影的实际数据的小波子带系数图像；
再经过小波逆变换与滤波反投影重建，得到不含环形伪影的实际实验数据断层重建结果，并将结果进行输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211276440.0A CN115345803A (zh) | 2022-10-19 | 2022-10-19 | 基于残差网络的ct断层图中环形伪影校正方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211276440.0A CN115345803A (zh) | 2022-10-19 | 2022-10-19 | 基于残差网络的ct断层图中环形伪影校正方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115345803A true CN115345803A (zh) | 2022-11-15 |
Family
ID=83957703
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211276440.0A Pending CN115345803A (zh) | 2022-10-19 | 2022-10-19 | 基于残差网络的ct断层图中环形伪影校正方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115345803A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118351210A (zh) * | 2024-06-17 | 2024-07-16 | 南昌睿度医疗科技有限公司 | 一种ct图像伪影去除方法、系统、存储介质及电子设备 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
| CN110852350A (zh) * | 2019-10-21 | 2020-02-28 | 北京航空航天大学 | 一种基于多尺度迁移学习的肺结节良恶性分类方法和系统 |
| US20210035340A1 (en) * | 2018-02-12 | 2021-02-04 | Rensselaer Polytechnic Institute | Ct big data from simulation, emulation and transfer learning |
| US20210295474A1 (en) * | 2020-03-23 | 2021-09-23 | GE Precision Healthcare LLC | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks |
| CN113592809A (zh) * | 2021-07-28 | 2021-11-02 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
| CN113781461A (zh) * | 2021-09-16 | 2021-12-10 | 人工智能与数字经济广东省实验室(广州) | 一种病人智能监控排序方法 |
| CN114283088A (zh) * | 2021-12-24 | 2022-04-05 | 中北大学 | 低剂量ct图像降噪方法及装置 |
| CN114487964A (zh) * | 2020-10-28 | 2022-05-13 | 通用电气精准医疗有限责任公司 | 基于深度学习的磁共振成像（mri）检查加速 |
-
2022
- 2022-10-19 CN CN202211276440.0A patent/CN115345803A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107871332A (zh) * | 2017-11-09 | 2018-04-03 | 南京邮电大学 | 一种基于残差学习的ct稀疏重建伪影校正方法及系统 |
| US20210035340A1 (en) * | 2018-02-12 | 2021-02-04 | Rensselaer Polytechnic Institute | Ct big data from simulation, emulation and transfer learning |
| CN110852350A (zh) * | 2019-10-21 | 2020-02-28 | 北京航空航天大学 | 一种基于多尺度迁移学习的肺结节良恶性分类方法和系统 |
| US20210295474A1 (en) * | 2020-03-23 | 2021-09-23 | GE Precision Healthcare LLC | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks |
| CN114487964A (zh) * | 2020-10-28 | 2022-05-13 | 通用电气精准医疗有限责任公司 | 基于深度学习的磁共振成像（mri）检查加速 |
| CN113592809A (zh) * | 2021-07-28 | 2021-11-02 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
| CN113781461A (zh) * | 2021-09-16 | 2021-12-10 | 人工智能与数字经济广东省实验室(广州) | 一种病人智能监控排序方法 |
| CN114283088A (zh) * | 2021-12-24 | 2022-04-05 | 中北大学 | 低剂量ct图像降噪方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| ISAAC SHIRI 等: "PET-QA-Net: Towards Routine PET Image Artifact Detection and Correction using Deep Convolutional Neural Networks", 《2021 IEEE NUCLEAR SCIENCE SYMPOSIUM AND MEDICAL IMAGING CONFERENCE (NSS/MIC)》 * |
| 张晓荣 等: "基于CNN的小波域低剂量CT 图像去噪算法研究", 《电脑知识与技术》 * |
| 李钊: "基于深度学习的磁共振图像重建和波谱相位校正方法研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
| 钟安妮 等: "残差网络-迁移学习法抑制低剂量CT噪声", 《核电子学与探测技术》 * |
| 钟安妮: "基于深度卷积神经网络的CT/CBCT图像伪影校正方法研究", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》 * |
| 马燕 等: "基于残差编解码网络的CT图像金属伪影校正", 《仪器仪表学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118351210A (zh) * | 2024-06-17 | 2024-07-16 | 南昌睿度医疗科技有限公司 | 一种ct图像伪影去除方法、系统、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3367329B1 (en) | Denoising medical images by learning sparse image representations with a deep unfolding approach | |
| CN110378980B (zh) | 一种基于深度学习的多通道磁共振图像重建方法 | |
| CN111081354B (zh) | 用于通过深度学习网络对医疗图像进行去噪的系统和方法 | |
| CN110660123B (zh) | 基于神经网络的三维ct图像重建方法和设备以及存储介质 | |
| CN110490832B (zh) | 一种基于正则化深度图像先验方法的磁共振图像重建方法 | |
| CN109509235B (zh) | Ct图像的重建方法、装置、设备及存储介质 | |
| CN111932461B (zh) | 一种基于卷积神经网络的自学习图像超分辨率重建方法及系统 | |
| CN110942496B (zh) | 基于螺旋桨采样和神经网络的磁共振图像重建方法及系统 | |
| KR102142934B1 (ko) | 가중 최소 자승 필터와 희소 표현을 이용한 영상 융합 장치 및 방법 | |
| CN107154064A (zh) | 基于深度稀疏编码的自然图像压缩感知重建方法 | |
| CN112541871A (zh) | 低剂量图像去噪网络的训练方法、低剂量图像的去噪方法 | |
| CN115345803A (zh) | 基于残差网络的ct断层图中环形伪影校正方法 | |
| CN111667407A (zh) | 一种深度信息引导的图像超分辨率方法 | |
| CN116452423A (zh) | 一种同时稀疏角度ct重建及金属伪影高精度校正方法 | |
| CN106981046B (zh) | 基于多层梯度约束回归的单幅图像超分辨率重建方法 | |
| CN116503506B (zh) | 一种图像重建方法、系统、装置及存储介质 | |
| CN117115011A (zh) | 一种基于深度无监督学习的去伪影方法和系统 | |
| US12045958B2 (en) | Motion artifact correction using artificial neural networks | |
| CN116485925A (zh) | 一种ct图像环状伪影抑制方法、装置、设备和存储介质 | |
| CN116188615A (zh) | 一种基于正弦域和图像域的稀疏角度ct重建方法 | |
| CN114862982A (zh) | 一种基于生成对抗网络的混合域无监督有限角ct重建方法 | |
| CN115239836A (zh) | 一种基于端到端神经网络的极端稀疏视角ct重建方法 | |
| JP2021065707A (ja) | 医用画像処理装置、学習済みモデルおよび医用画像処理方法 | |
| KR20210040607A (ko) | 뉴럴 네트워크를 이용한 콘빔 단층촬영 영상 처리 방법 및 그 장치 | |
| CN112509089B (zh) | 基于截断数据外推网络的ct局部重建方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221115 |
|
| RJ01 | Rejection of invention patent application after publication |