CN116842321A - 计算机断层扫描设备的扫描数据的校正方法及校正装置 - Google Patents
计算机断层扫描设备的扫描数据的校正方法及校正装置 Download PDFInfo
- Publication number
- CN116842321A CN116842321A CN202310844795.3A CN202310844795A CN116842321A CN 116842321 A CN116842321 A CN 116842321A CN 202310844795 A CN202310844795 A CN 202310844795A CN 116842321 A CN116842321 A CN 116842321A
- Authority
- CN
- China
- Prior art keywords
- scan
- data
- scanning
- scene
- detector pixel
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 64
- 238000002591 computed tomography Methods 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000011159 matrix material Substances 0.000 claims description 36
- 238000004590 computer program Methods 0.000 claims description 18
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/48—Diagnostic techniques
- A61B6/488—Diagnostic techniques involving pre-scan acquisition
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/58—Testing, adjusting or calibrating thereof
- A61B6/582—Calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/09—Supervised learning
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Animal Behavior & Ethology (AREA)
- Radiology & Medical Imaging (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Optics & Photonics (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- High Energy & Nuclear Physics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pulmonology (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本公开的实施例提供一种计算机断层扫描设备的扫描数据的校正方法和装置。校正方法包括:获得在第一扫描场景下生成的第一扫描数据,在第一扫描场景下在目标区域内不存在物体;通过预测模型预测第一扫描场景下的第一空气数据,预测模型的模型参数被预训练成使得第一空气数据与第一扫描数据之间的误差小于第一误差值;获得在第二扫描场景下生成的第二扫描数据,在第二扫描场景下在目标区域内存在物体;更新预测模型的模型参数,并通过更新的预测模型预测第二扫描场景下的第二空气数据,预测模型的模型参数被更新成使得第二空气数据中的未被遮挡数据与第二扫描数据中的未被遮挡数据之间的误差小于第一误差值;使用第二空气数据来校正第二扫描数据。
Description
技术领域
本公开的实施例涉及计算机断层扫描技术领域,具体地,涉及计算机断层扫描设备的扫描数据的校正方法及校正装置。
背景技术
计算机断层扫描(Computed Tomography,简称CT)常用于现代医学技术。计算机断层扫描(CT)系统可以包括X射线管和探测器阵列。X射线管发射的X射线由探测器阵列接收。如果X射线管发射的X射线穿过物体被探测器阵列接收,则探测器阵列接收的X射线可能被衰减。探测器阵列可以将接收的X射线转换为电信号。电信号被用于重建出断层面的影像。断层面的影像通常被称为CT图像。
发明内容
本文中描述的实施例提供了一种计算机断层扫描设备的扫描数据的校正方法及校正装置以及存储有计算机程序的计算机可读存储介质。
根据本公开的第一方面,提供了一种计算机断层扫描设备的扫描数据的校正方法。该校正方法包括:获得第一扫描数据,第一扫描数据由计算机断层扫描设备在第一扫描场景下采用第一扫描参数针对目标区域进行扫描而生成,在第一扫描场景下在目标区域内不存在物体;通过预测模型来根据第一扫描数据和第一扫描参数预测第一扫描场景下的第一空气数据,其中,预测模型的模型参数被预训练成使得第一空气数据与第一扫描数据之间的误差小于第一误差值;获得第二扫描数据,第二扫描数据由计算机断层扫描设备在第二扫描场景下采用第二扫描参数针对目标区域进行扫描而生成,在第二扫描场景下在目标区域内存在物体;确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态,该多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域;根据该多个探测器像素单元的状态来将第二扫描数据分成未被遮挡数据和被遮挡数据;更新预测模型的模型参数,并通过更新的预测模型来根据第二扫描数据、第二扫描参数和该多个探测器像素单元的状态预测第二扫描场景下的第二空气数据,其中,第二空气数据根据该多个探测器像素单元的状态被分成未被遮挡数据和被遮挡数据,预测模型的模型参数被更新成满足第一条件,第一条件包括:使得第二空气数据中的未被遮挡数据与第二扫描数据中的未被遮挡数据之间的误差小于第一误差值;以及使用第二空气数据来校正第二扫描数据。
在本公开的一些实施例中,更新预测模型的模型参数包括:通过更新的预测模型来根据第一扫描数据和第一扫描参数预测第一扫描场景下的第一辅助空气数据。其中,第一条件还包括:第一辅助空气数据与第一扫描数据之间的误差小于第二误差值。第二误差值大于第一误差值。
在本公开的一些实施例中,更新的预测模型还根据第二扫描场景之前的L个历史扫描场景下的扫描数据、扫描参数和该多个探测器像素单元的状态来预测第二扫描场景下的第二空气数据。其中,L是大于或者等于1的整数。
在本公开的一些实施例中,更新预测模型的模型参数包括:分别以L个历史扫描场景中的每一个历史扫描场景作为目标历史扫描场景,对目标历史扫描场景执行以下操作:通过更新的预测模型来根据目标历史扫描场景和目标历史扫描场景之前的K个历史扫描场景下的扫描数据、扫描参数和多个探测器像素单元的状态来预测目标历史扫描场景下的辅助空气数据。其中,第一条件还包括:目标历史扫描场景下的辅助空气数据与目标历史扫描场景下的扫描数据之间的误差小于目标历史扫描场景所对应的目标误差值。目标误差值大于第一误差值。其中,L个历史扫描场景中的每一个历史扫描场景所对应的目标误差值按时间顺序依次递减。K等于L。
在本公开的一些实施例中,第一扫描参数和第二扫描参数包括:计算机断层扫描设备中的X射线管的管电压和管电流、扫描时长、距离上一次扫描的时间间隔、探测器温度、以及环境湿度。
在本公开的一些实施例中,预测模型被表示为:
P′j=λj·(1-bj)·Pj+(1-λj)·Mj,
其中,
其中,P′j表示预测模型的输出,Pj表示预测模型的输入,bj表示多个探测器像素单元中的第j探测器像素单元的状态,λj, ejk,fjk,gjk表示预测模型的模型参数,j对应任一探测器像素单元,k对应除了第j探测器像素单元之外的所有其它探测器像素单元,kVp表示管电压,mA表示管电流,t表示扫描时长,tc表示距离上一次扫描的时间间隔,T表示探测器温度,W表示环境湿度。
在本公开的一些实施例中,通过下式来计算多个探测器像素单元的状态:
其中,bj表示多个探测器像素单元中的第j探测器像素单元的状态,bj为0表示第j探测器像素单元未被遮挡,bj为1表示第j探测器像素单元被遮挡,表示第二扫描数据中的第j像素值,θ表示预设阈值。
在本公开的一些实施例中,确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态包括:使用经预训练的卷积神经网络来根据第二扫描数据生成指示该多个探测器像素单元的状态的状态矩阵。其中,状态矩阵中的第一元素表示相对应的探测器像素单元未被遮挡。状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。
在本公开的一些实施例中,使用第二空气数据来校正第二扫描数据包括:将第二扫描数据除以第二空气数据。
在本公开的一些实施例中,使用第二空气数据来校正第二扫描数据包括:将第二扫描数据的对数值减去第二空气数据的对数值。
根据本公开的第二方面,提供了一种计算机断层扫描设备的扫描数据的校正装置。该校正装置包括至少一个处理器;以及存储有计算机程序的至少一个存储器。当计算机程序由至少一个处理器执行时,使得校正装置:获得第一扫描数据,第一扫描数据由计算机断层扫描设备在第一扫描场景下采用第一扫描参数针对目标区域进行扫描而生成,在第一扫描场景下在目标区域内不存在物体;通过预测模型来根据第一扫描数据和第一扫描参数预测第一扫描场景下的第一空气数据,其中,预测模型的模型参数被预训练成使得第一空气数据与第一扫描数据之间的误差小于第一误差值;获得第二扫描数据,第二扫描数据由计算机断层扫描设备在第二扫描场景下采用第二扫描参数针对目标区域进行扫描而生成,在第二扫描场景下在目标区域内存在物体;确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态,该多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域;根据该多个探测器像素单元的状态来将第二扫描数据分成未被遮挡数据和被遮挡数据;更新预测模型的模型参数,并通过更新的预测模型来根据第二扫描数据、第二扫描参数和该多个探测器像素单元的状态预测第二扫描场景下的第二空气数据,其中,第二空气数据根据该多个探测器像素单元的状态被分成未被遮挡数据和被遮挡数据,预测模型的模型参数被更新成满足第一条件,第一条件包括:使得第二空气数据中的未被遮挡数据与第二扫描数据中的未被遮挡数据之间的误差小于第一误差值;以及使用第二空气数据来校正第二扫描数据。
在本公开的一些实施例中,计算机程序在由至少一个处理器执行时使得校正装置通过以下操作来更新预测模型的模型参数:通过更新的预测模型来根据第一扫描数据和第一扫描参数预测第一扫描场景下的第一辅助空气数据。其中,第一条件还包括:第一辅助空气数据与第一扫描数据之间的误差小于第二误差值。第二误差值大于第一误差值。
在本公开的一些实施例中,计算机程序在由至少一个处理器执行时使得校正装置通过以下操作来更新预测模型的模型参数:分别以L个历史扫描场景中的每一个历史扫描场景作为目标历史扫描场景,对目标历史扫描场景执行以下操作:通过更新的预测模型来根据目标历史扫描场景和目标历史扫描场景之前的K个历史扫描场景下的扫描数据、扫描参数和多个探测器像素单元的状态来预测目标历史扫描场景下的辅助空气数据。其中,第一条件还包括:目标历史扫描场景下的辅助空气数据与目标历史扫描场景下的扫描数据之间的误差小于目标历史扫描场景所对应的目标误差值。目标误差值大于第一误差值。其中,L个历史扫描场景中的每一个历史扫描场景所对应的目标误差值按时间顺序依次递减。K等于L。
在本公开的一些实施例中,计算机程序在由至少一个处理器执行时使得校正装置通过以下操作来确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态:使用经预训练的卷积神经网络来根据第二扫描数据生成指示该多个探测器像素单元的状态的状态矩阵。其中,状态矩阵中的第一元素表示相对应的探测器像素单元未被遮挡。状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。
在本公开的一些实施例中,计算机程序在由至少一个处理器执行时使得校正装置通过以下操作来使用第二空气数据来校正第二扫描数据:将第二扫描数据除以第二空气数据。
在本公开的一些实施例中,计算机程序在由至少一个处理器执行时使得校正装置通过以下操作来使用第二空气数据来校正第二扫描数据:将第二扫描数据的对数值减去第二空气数据的对数值。
根据本公开的第三方面,提供了一种存储有计算机程序的计算机可读存储介质,其中,计算机程序在由处理器执行时实现根据本公开的第一方面所述的校正方法的步骤。
附图说明
为了更清楚地说明本公开的实施例的技术方案,下面将对实施例的附图进行简要说明,应当知道,以下描述的附图仅仅涉及本公开的一些实施例,而非对本公开的限制,其中:
图1是根据本公开的实施例的计算机断层扫描设备的扫描数据的校正方法的示例性流程图;以及
图2是根据本公开的实施例的计算机断层扫描设备的扫描数据的校正装置的示意性框图。
需要注意的是,附图中的元素是示意性的,没有按比例绘制。
具体实施方式
为了使本公开的实施例的目的、技术方案和优点更加清楚,下面将结合附图,对本公开的实施例的技术方案进行清楚、完整的描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域技术人员在无需创造性劳动的前提下所获得的所有其它实施例,也都属于本公开保护的范围。
除非另外定义,否则在此使用的所有术语(包括技术和科学术语)具有与本公开主题所属领域的技术人员所通常理解的相同含义。进一步将理解的是,诸如在通常使用的词典中定义的那些的术语应解释为具有与说明书上下文和相关技术中它们的含义一致的含义,并且将不以理想化或过于正式的形式来解释,除非在此另外明确定义。如在此所使用的,将两个或更多部分“连接”或“耦接”到一起的陈述应指这些部分直接结合到一起或通过一个或多个中间部件结合。另外,诸如“第一”和“第二”的术语仅用于将一个部件(或部件的一部分)与另一个部件(或部件的另一部分)区分开。
为了保障CT图像质量,对CT设备的扫描数据需要做多种校正。空气校正是最常见的一种校正方式,可用来修正探测器阵列的各像素间增益的不一致性。
常用的空气校正方法可包括:预先清空扫描视野,进行各种扫描参数下的空气扫描,以及将扫描空气得到的扫描数据(在本文中可替换地称为“空气校正数据”)保存下来。在实际扫描场景下,得到被扫描物体的扫描数据后,用扫描空气得到的扫描数据来校正被扫描物体的扫描数据。
在实际应用中,各种扫描参数存在多种组合方式且曝光条件众多,因此单个扫描场景下需要的曝光次数很多,扫描时间也会比较长。因为探测器阵列所处环境的变化,这样得到的空气校正数据在一段时间后会失效。为了保证图像质量,就需要在每次失效前重新进行上述空气扫描。而曝光次数的增加会降低CT设备的寿命。
本公开的实施例提出了一种计算机断层扫描设备(CT)的扫描数据的校正方法。该校正方法在扫描实际物体时能够实时更新空气校正数据,从而降低空气扫描的频率和曝光次数。
图1示出根据本公开的实施例的计算机断层扫描设备的扫描数据的校正方法100的示例性流程图。
在该校正方法100中,在框S102处,获得第一扫描数据。第一扫描数据由计算机断层扫描设备在第一扫描场景下采用第一扫描参数针对目标区域进行扫描而生成。在第一扫描场景下在目标区域内不存在物体。在第一扫描场景下的扫描相当于上述空气扫描。具体地,在第一扫描场景下可预先清空扫描视野。然后进行各种扫描参数下的空气扫描,以获得第一扫描数据。
在本公开的一些实施例中,探测器阵列中的多个探测器像素单元呈阵列布置。假设探测器阵列包括m×n个探测器像素单元,则第一扫描数据可以是m×n的矩阵。该矩阵中的每一个元素对应一个探测器像素单元所采集的像素值。换句话说,该矩阵中的m×n个元素与m×n个探测器像素单元一一对应。其中m和n为正整数。
在框S104处,通过预测模型来根据第一扫描数据和第一扫描参数预测第一扫描场景下的第一空气数据。其中,预测模型的模型参数被预训练成使得第一空气数据与第一扫描数据之间的误差小于第一误差值。
在本公开的一些实施例中,可通过预测模型Mp来预测第一扫描场景下的第一空气数据P0*。
P0*=Mp(α0;β0,b0,P0) (1)
s.t.||P0*-P0||2<ε0
其中,α0表示预测模型Mp的模型参数(也可以认为是经过预训练的预测模型Mp的初始模型参数),β0表示第一扫描参数,b0表示计算机断层扫描设备中的多个探测器像素单元的状态,P0表示第一扫描数据,ε0表示第一误差值。
该多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域。由于在第一扫描场景下在目标区域内不存在物体,因此该多个探测器像素单元都位于遮挡区域之外。如果用0表示探测器像素单元未被遮挡,用1表示探测器像素单元被遮挡,则b0为全0矩阵。
在预训练预测模型Mp的过程中,通过训练模型参数来获得预期的预测模型Mp。可通过第一空气数据P0*与第一扫描数据P0来验证预测模型Mp。当预测模型Mp所预测的第一空气数据P0*与第一扫描数据P0之间的误差(||P0*-P0||2)小于第一误差值ε0时,停止预训练。
在本公开的一些实施例中,第一扫描参数可包括:计算机断层扫描设备中的X射线管的管电压和管电流、扫描时长、距离上一次扫描的时间间隔、探测器温度、以及环境湿度。
预测模型Mp可被表示为:
P′j=λj·(1-bj)·Pj+(1-λj)·Mj (2)
其中,
其中,P′j表示预测模型Mp的输出,Pj表示预测模型Mp的输入,bj表示多个探测器像素单元中的第j探测器像素单元的状态,λj, djk,ejk,fjk,gjk表示预测模型的模型参数,j对应任一探测器像素单元,k对应除了第j探测器像素单元之外的所有其它探测器像素单元,kVp表示管电压,mA表示管电流,t表示扫描时长,tc表示距离上一次扫描的时间间隔,T表示探测器温度,W表示环境湿度。
在本公开的另一些实施例中,预测模型Mp可由卷积神经网络(例如,深度残差网络(Deep residual network,简称ResNet)等)来实现。式(1)中的α0是卷积神经网络的权重参数。该卷积神经网络可经过有监督的训练。具体地,在探测器阵列包括m×n个探测器像素单元的情况下,第一扫描数据P0、多个探测器像素单元的状态b0、以及第一空气数据P0*被分别表示成m×n的矩阵。其中m和n为正整数。可将第一扫描数据P0以及多个探测器像素单元的状态b0融合成m×n×2的张量。然后,可将m×n×2的张量和第一扫描参数β0输入经预训练的卷积神经网络。通过该卷积神经网络中的一系列网络层处理后,卷积神经网络输出m×n的第一空气数据P0*。
在本公开的又一些实施例中,预测模型Mp可由微分方程模型来实现。
在本公开的一些实施例中,第一扫描参数还可包括:曝光时间、以及曝光前的冷却时间等。
在框S106处,获得第二扫描数据。第二扫描数据由计算机断层扫描设备在第二扫描场景下采用第二扫描参数针对目标区域进行扫描而生成。在第二扫描场景下在目标区域内存在物体。(在上下文中可替换地称为“被扫描物体”)。此时探测器阵列中的一部分探测器像素单元被物体遮挡,另一部分探测器像素单元未被物体遮挡。
在探测器阵列包括m×n个探测器像素单元的情况下,第二扫描数据可以是m×n的矩阵。该矩阵中的每一个元素对应一个探测器像素单元所采集的像素值。换句话说,该矩阵中的m×n个元素与m×n个探测器像素单元一一对应。
在框S108处,确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态。该多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域。
在本公开的一些实施例中,可用状态矩阵b来指示探测器像素单元的状态。
b=M1(θ;P1) (3)
其中,M1表示分类模型,θ是分类模型M1的固定参数,P1表示第二扫描数据。在探测器阵列包括m×n个探测器像素单元的情况下,状态矩阵b可以是m×n的矩阵。状态矩阵b中的第j元素bj指示对应的一个探测器像素单元(也可称为第j探测器像素单元)是否被遮挡(即,是否位于被物体遮挡的遮挡区域)。
在本公开的一些实施例中,分类模型M1是一个阈值比较模型。可通过下式来计算多个探测器像素单元的状态:
其中,bj表示多个探测器像素单元中的第j探测器像素单元的状态(即,状态矩阵b中的第j元素),bj为0表示第j探测器像素单元未被遮挡,bj为1表示第j探测器像素单元被遮挡,表示第二扫描数据中的第j像素值,θ表示预设阈值。
在本公开的另一些实施例中,分类模型M1由卷积神经网络(例如,深度残差网络(Deep residual network,简称ResNet)等)来实现。式(3)中的θ是卷积神经网络的权重参数。该卷积神经网络可经过有监督的训练。可针对预先采集的多个扫描数据(模体数据)手动标记被遮挡和未被遮挡的像素值(被遮挡和未被遮挡的探测器像素单元所采集的像素值),然后用标记数据对网络进行训练得到卷积神经网络的权重参数θ。
可使用经预训练的卷积神经网络来根据第二扫描数据P1生成指示多个探测器像素单元的状态的状态矩阵b。可将第二扫描数据P1以m×n的矩阵形式输入经预训练的卷积神经网络。通过该卷积神经网络中的一系列网络层处理后,卷积神经网络输出m×n的状态矩阵b。状态矩阵b中的第一元素表示相对应的探测器像素单元未被遮挡。状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。在一个示例中,第一元素为0,第二元素为1。在另一个示例中,第一元素为1,第二元素为0。
在框S110处,根据该多个探测器像素单元的状态来将第二扫描数据分成未被遮挡数据(未被遮挡的像素)和被遮挡数据(被遮挡的像素)。未被遮挡数据位于遮挡区域之外。被遮挡数据位于遮挡区域之内。在下文中,将第二扫描数据P1中的未被遮挡数据记为P1a,将第二扫描数据P1中的被遮挡数据记为P1b。
应注意,在框S104处执行的操作可以与在框S106-S110处执行的操作并行地执行,或者在框S110处执行的操作之后执行。
在框S112处,更新预测模型的模型参数,并通过更新的预测模型来根据第二扫描数据、第二扫描参数和第二扫描场景下的该多个探测器像素单元的状态预测第二扫描场景下的第二空气数据。其中,第二空气数据根据该多个探测器像素单元的状态被分成未被遮挡数据和被遮挡数据。预测模型的模型参数被更新成满足第一条件。第一条件包括:使得第二空气数据中的未被遮挡数据与第二扫描数据中的未被遮挡数据之间的误差小于第一误差值。
在本公开的一些实施例中,可通过预测模型Mp来预测第二扫描场景下的第二空气数据P1*。
P1*=Mp(α1;β1,b1,P1) (5)
s.t.||P1a*-P1a||2<ε0
其中,α1表示预测模型Mp的更新的模型参数,β1表示第二扫描参数,b1表示在第二扫描场景下的多个探测器像素单元的状态,P1表示第二扫描数据,P1a*表示第二空气数据P1*中的未被遮挡数据,P1a表示第二扫描数据P1中的未被遮挡数据,ε0表示第一误差值。
为了保持预测模型的预测结果的前后一致性,本公开的实施例还考虑更新的预测模型应同样适用于第一扫描场景下的预测。在本公开的一些实施例中,在更新预测模型的模型参数的过程中,可通过更新的预测模型来根据第一扫描数据和第一扫描参数预测第一扫描场景下的第一辅助空气数据。其中,第一条件还包括:第一辅助空气数据与第一扫描数据之间的误差小于第二误差值。这样,更新的预测模型仍然能预测第一扫描场景下的空气数据。但是由于第一扫描场景不是当前的扫描场景,因此可使得第二误差值大于第一误差值。这样,更新的预测模型对第一扫描场景的预测精度被允许降低。
P0*=Mp(α1;β0,b0,P0) (6)
s.t.||P0*-P0||2<ε1,ε1<ε0
其中,α1表示预测模型Mp的更新的模型参数,β0表示第一扫描参数,b0表示在第一扫描场景下的多个探测器像素单元的状态,P0表示第一扫描数据,P0*表示第一辅助空气数据,ε0表示第一误差值,ε1表示第二误差值。
通过联合求解式(5)和(6),能够获得更准确的更新的模型参数α1,从而获得更准确的第二空气数据P1*。
本公开的实施例还进一步提出利用多个历史扫描场景来辅助预测。在本公开的一些实施例中,在预测模型Mp中,可以不仅使用当前扫描场景(在这里是第二扫描场景)的数据作为输入,还使用多个历史扫描场景下的数据来实现预测。这些数据包括:扫描数据、扫描参数和探测器像素单元的状态。也就是说,更新的预测模型根据第二扫描数据、第二扫描参数和第二扫描场景下的该多个探测器像素单元的状态,以及第二扫描场景之前的L个历史扫描场景下的扫描数据、扫描参数和该多个探测器像素单元的状态来预测第二扫描场景下的第二空气数据。其中,L是大于或者等于1的整数。
假设当前扫描场景是第N扫描场景,则可根据下式来计算第N扫描场景下所预测的空气数据PN*:
PN*=Mp(αN;βN,βN-1,…,βN-L,bN,bN-1,…,bN-L,PN,PN-1,…,PN-L)
s.t.||PNa*_PNa||2<ε0 (7)
其中,PN表示第N扫描场景下的扫描数据,αN表示第N扫描场景下的模型参数,PN-1表示第N扫描场景的前一扫描场景下的扫描数据,PN-L表示第N扫描场景的前L扫描场景下的扫描数据,βN表示第N扫描场景下的扫描参数,βN-1表示第N扫描场景的前一扫描场景下的扫描参数,βN-L表示第N扫描场景的前L扫描场景下的扫描参数,bN表示第N扫描场景下的状态矩阵(该多个探测器像素单元的状态),bN-1表示第N扫描场景的前一扫描场景下的状态矩阵,bN-L表示第N扫描场景的前L扫描场景下的状态矩阵,PNa*表示PN*中的未被遮挡数据,PNa表示PN中的未被遮挡数据。
为了保持预测模型的预测结果的前后一致性,本公开的实施例还考虑更新的预测模型应同样适用于历史扫描场景下的预测。在本公开的一些实施例中,分别以L个历史扫描场景中的每一个历史扫描场景作为目标历史扫描场景,通过更新的预测模型来根据目标历史扫描场景和目标历史扫描场景之前的K个历史扫描场景下的扫描数据、扫描参数和多个探测器像素单元的状态来预测目标历史扫描场景下的辅助空气数据。其中,第一条件还包括:目标历史扫描场景下的辅助空气数据与目标历史扫描场景下的扫描数据之间的误差小于目标历史扫描场景所对应的目标误差值。目标误差值大于第一误差值。其中,L个历史扫描场景中的每一个历史扫描场景所对应的目标误差值按时间顺序依次递减。K等于Lo
Pk*=Mp(αN;βk,βk-1,…,βk-L,bk,bk-1,…,bk-L,Pk,Pk-1,…,Pk-L)
s.t.||Pk*-Pk||2<εk (8)
其中,Pk*表示第k扫描场景下所预测的空气数据,Pk表示第k扫描场景下的扫描数据,αN表示第N扫描场景下的模型参数,Pk-1表示第k扫描场景的前一扫描场景下的扫描数据,Pk-L表示第k扫描场景的前L扫描场景下的扫描数据,βk表示第k扫描场景下的扫描参数,βk-1表示第k扫描场景的前一扫描场景下的扫描参数,βk-L表示第k扫描场景的前L扫描场景下的扫描参数,bk表示第k扫描场景下的状态矩阵(该多个探测器像素单元的状态),bk-1表示第k扫描场景的前一扫描场景下的状态矩阵,bk-L表示第k扫描场景的前L扫描场景下的状态矩阵,k的取值范围为从N-1到N-L-1,εk表示目标误差值。目标误差值可以随着扫描时间距离目前扫描场景越远而逐渐变大,也就是说,k越小则εk越大。
通过联合求解式(7)和(8),能够获得更准确的第N扫描场景下的模型参数αN,从而获得更准确的空气数据PN*。
在考虑历史扫描场景的实施例中,如果第N扫描场景之前没有L个历史扫描场景,则将第一扫描场景下的数据代入式(7)或式(8)。例如,第一扫描场景下的第一空气数据P0*可被表示为:
P0*=Mp(α0;β0,β0,…,β0,b0,b0,…,b0,P0,P0,…,P0) (9)
s.t.||P0*-P0||2<ε0
在框S114处,使用第二空气数据来校正第二扫描数据。在本公开的一些实施例中,可将第二扫描数据除以第二空气数据。第二扫描数据与第二空气数据的商作为校正后的第二扫描数据。在本公开的另一些实施例中,可将第二扫描数据的对数值减去第二空气数据的对数值。第二扫描数据的对数值与第二空气数据的对数值之差作为校正后的第二扫描数据的对数值。对第二扫描数据的对数值进行反对数计算即可获得校正后的第二扫描数据。
图2示出根据本公开的实施例的计算机断层扫描设备的扫描数据的校正装置200的示意性框图。如图2所示,该校正装置200可包括处理器210和存储有计算机程序的存储器220。当计算机程序由处理器210执行时,使得校正装置200可执行如图1所示的方法100的步骤。在一个示例中,校正装置200可以是计算机设备或云计算节点。校正装置200可获得第一扫描数据。第一扫描数据由计算机断层扫描设备在第一扫描场景下采用第一扫描参数针对目标区域进行扫描而生成。在第一扫描场景下在目标区域内不存在物体。校正装置200可通过预测模型来根据第一扫描数据和第一扫描参数预测第一扫描场景下的第一空气数据。其中,预测模型的模型参数被预训练成使得第一空气数据与第一扫描数据之间的误差小于第一误差值。校正装置200可获得第二扫描数据。第二扫描数据由计算机断层扫描设备在第二扫描场景下采用第二扫描参数针对目标区域进行扫描而生成。在第二扫描场景下在目标区域内存在物体。校正装置200可确定在第二扫描场景下计算机断层扫描设备中的多个探测器像素单元的状态。该多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被物体遮挡的遮挡区域。校正装置200可根据该多个探测器像素单元的状态来将第二扫描数据分成未被遮挡数据和被遮挡数据。校正装置200可更新预测模型的模型参数,并通过更新的预测模型来根据第二扫描数据、第二扫描参数和该多个探测器像素单元的状态预测第二扫描场景下的第二空气数据。其中,第二空气数据根据该多个探测器像素单元的状态被分成未被遮挡数据和被遮挡数据。预测模型的模型参数被更新成满足第一条件。第一条件包括:使得第二空气数据中的未被遮挡数据与第二扫描数据中的未被遮挡数据之间的误差小于第一误差值。校正装置200可使用第二空气数据来校正第二扫描数据。
在本公开的一些实施例中,校正装置200可通过更新的预测模型来根据第一扫描数据和第一扫描参数预测第一扫描场景下的第一辅助空气数据。其中,第一条件还包括:第一辅助空气数据与第一扫描数据之间的误差小于第二误差值。第二误差值大于第一误差值。
在本公开的一些实施例中,校正装置200可还根据第二扫描场景之前的L个历史扫描场景下的扫描数据、扫描参数和该多个探测器像素单元的状态来预测第二扫描场景下的第二空气数据。其中,L是大于或者等于1的整数。
在本公开的一些实施例中,校正装置200可分别以L个历史扫描场景中的每一个历史扫描场景作为目标历史扫描场景。校正装置200可通过更新的预测模型来根据目标历史扫描场景和目标历史扫描场景之前的K个历史扫描场景下的扫描数据、扫描参数和多个探测器像素单元的状态来预测目标历史扫描场景下的辅助空气数据。其中,第一条件还包括:目标历史扫描场景下的辅助空气数据与目标历史扫描场景下的扫描数据之间的误差小于目标历史扫描场景所对应的目标误差值。目标误差值大于第一误差值。其中,L个历史扫描场景中的每一个历史扫描场景所对应的目标误差值按时间顺序依次递减。K等于L。
在本公开的一些实施例中,校正装置200可通过下式来计算多个探测器像素单元的状态:
其中,bj表示多个探测器像素单元中的第j探测器像素单元的状态,bj为0表示第j探测器像素单元未被遮挡,bj为1表示第j探测器像素单元被遮挡,表示第二扫描数据中的第j像素值,θ表示预设阈值。
在本公开的一些实施例中,校正装置200可使用经预训练的卷积神经网络来根据第二扫描数据生成指示该多个探测器像素单元的状态的状态矩阵。其中,状态矩阵中的第一元素表示相对应的探测器像素单元未被遮挡。状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。
在本公开的一些实施例中,校正装置200可将第二扫描数据除以第二空气数据。
在本公开的一些实施例中,校正装置200可将第二扫描数据的对数值减去第二空气数据的对数值。
在本公开的实施例中,处理器210可以是例如中央处理单元(CPU)、微处理器、数字信号处理器(DSP)、基于多核的处理器架构的处理器等。存储器220可以是使用数据存储技术实现的任何类型的存储器,包括但不限于随机存取存储器、只读存储器、基于半导体的存储器、闪存、磁盘存储器等。
此外,在本公开的实施例中,校正装置200也可包括输入设备230,用于输入扫描数据和扫描参数。另外,校正装置200还可包括输出设备240,用于输出校正后的第二扫描数据。
在本公开的其它实施例中,还提供了一种存储有计算机程序的计算机可读存储介质,其中,计算机程序在由处理器执行时能够实现如图1所示的方法的步骤。
综上所述,根据本公开的实施例的用于校正计算机断层扫描设备的方法和装置有效利用了最近一次或多次的扫描数据来生成空气校正数据,因此空气校正更准确可靠,由此生成的CT图像质量更好。而且根据本公开的实施例的用于校正计算机断层扫描设备的方法和装置减少了单独进行空气校正扫描的次数,能够延长计算机断层扫描设备的使用寿命。
附图中的流程图和框图显示了根据本公开的多个实施例的装置和方法的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
除非上下文中另外明确地指出,否则在本文和所附权利要求中所使用的词语的单数形式包括复数,反之亦然。因而,当提及单数时,通常包括相应术语的复数。相似地,措辞“包含”和“包括”将解释为包含在内而不是独占性地。同样地,术语“包括”和“或”应当解释为包括在内的,除非本文中明确禁止这样的解释。在本文中使用术语“示例”之处,特别是当其位于一组术语之后时,所述“示例”仅仅是示例性的和阐述性的,且不应当被认为是独占性的或广泛性的。
适应性的进一步的方面和范围从本文中提供的描述变得明显。应当理解,本申请的各个方面可以单独或者与一个或多个其它方面组合实施。还应当理解,本文中的描述和特定实施例旨在仅说明的目的并不旨在限制本申请的范围。
以上对本公开的若干实施例进行了详细描述,但显然,本领域技术人员可以在不脱离本公开的精神和范围的情况下对本公开的实施例进行各种修改和变型。本公开的保护范围由所附的权利要求限定。
Claims (10)
1.一种计算机断层扫描设备的扫描数据的校正方法,其特征在于,所述校正方法包括:
获得第一扫描数据,所述第一扫描数据由所述计算机断层扫描设备在第一扫描场景下采用第一扫描参数针对目标区域进行扫描而生成,在所述第一扫描场景下在所述目标区域内不存在物体;
通过预测模型来根据所述第一扫描数据和所述第一扫描参数预测所述第一扫描场景下的第一空气数据,其中,所述预测模型的模型参数被预训练成使得所述第一空气数据与所述第一扫描数据之间的误差小于第一误差值;
获得第二扫描数据,所述第二扫描数据由所述计算机断层扫描设备在第二扫描场景下采用第二扫描参数针对所述目标区域进行扫描而生成,在所述第二扫描场景下在所述目标区域内存在物体;
确定在所述第二扫描场景下所述计算机断层扫描设备中的多个探测器像素单元的状态,所述多个探测器像素单元中的每个探测器像素单元的状态指示该探测器像素单元是否位于被所述物体遮挡的遮挡区域;
根据所述多个探测器像素单元的状态来将所述第二扫描数据分成未被遮挡数据和被遮挡数据;
更新所述预测模型的所述模型参数,并通过更新的预测模型来根据所述第二扫描数据、所述第二扫描参数和所述多个探测器像素单元的状态预测所述第二扫描场景下的第二空气数据,其中,所述第二空气数据根据所述多个探测器像素单元的状态被分成未被遮挡数据和被遮挡数据,所述预测模型的所述模型参数被更新成满足第一条件,所述第一条件包括:使得所述第二空气数据中的未被遮挡数据与所述第二扫描数据中的未被遮挡数据之间的误差小于所述第一误差值;以及
使用所述第二空气数据来校正所述第二扫描数据。
2.根据权利要求1所述的校正方法,其特征在于,更新所述预测模型的所述模型参数包括:
通过所述更新的预测模型来根据所述第一扫描数据和所述第一扫描参数预测所述第一扫描场景下的第一辅助空气数据;
其中,所述第一条件还包括:所述第一辅助空气数据与所述第一扫描数据之间的误差小于第二误差值,所述第二误差值大于所述第一误差值。
3.根据权利要求1所述的校正方法,其特征在于,所述更新的预测模型还根据所述第二扫描场景之前的L个历史扫描场景下的扫描数据、扫描参数和所述多个探测器像素单元的状态来预测所述第二扫描场景下的所述第二空气数据,其中,L是大于或者等于1的整数。
4.根据权利要求3所述的校正方法,其特征在于,更新所述预测模型的所述模型参数包括:
分别以所述L个历史扫描场景中的每一个历史扫描场景作为目标历史扫描场景,对所述目标历史扫描场景执行以下操作:
通过所述更新的预测模型来根据所述目标历史扫描场景和所述目标历史扫描场景之前的K个历史扫描场景下的扫描数据、扫描参数和所述多个探测器像素单元的状态来预测所述目标历史扫描场景下的辅助空气数据;
其中,所述第一条件还包括:所述目标历史扫描场景下的辅助空气数据与所述目标历史扫描场景下的扫描数据之间的误差小于所述目标历史扫描场景所对应的目标误差值,所述目标误差值大于所述第一误差值;
其中,所述L个历史扫描场景中的每一个历史扫描场景所对应的目标误差值按时间顺序依次递减,K等于L。
5.根据权利要求1所述的校正方法,其特征在于,所述第一扫描参数和所述第二扫描参数包括:所述计算机断层扫描设备中的X射线管的管电压和管电流、扫描时长、距离上一次扫描的时间间隔、探测器温度、以及环境湿度,
所述预测模型被表示为:
Pj′=λj·(1-bj)·Pj+(1-λj)·Mj,
其中,
其中,Pj′表示所述预测模型的输出,Pj表示所述预测模型的输入,bj表示所述多个探测器像素单元中的第j探测器像素单元的状态,λj, djk,ejk,fjk,gjk表示所述预测模型的所述模型参数,j对应任一探测器像素单元,k对应除了第j探测器像素单元之外的所有其它探测器像素单元,kVp表示所述管电压,mA表示所述管电流,t表示所述扫描时长,tc表示距离上一次扫描的时间间隔,T表示所述探测器温度,W表示所述环境湿度。
6.根据权利要求1至5中任一项所述的校正方法,其特征在于,通过下式来计算所述多个探测器像素单元的状态:
其中,bj表示所述多个探测器像素单元中的第j探测器像素单元的状态,bj为0表示所述第j探测器像素单元未被遮挡,bj为1表示所述第j探测器像素单元被遮挡,表示所述第二扫描数据中的第j像素值,θ表示预设阈值。
7.根据权利要求1至5中任一项所述的校正方法,其特征在于,确定在所述第二扫描场景下所述计算机断层扫描设备中的多个探测器像素单元的状态包括:
使用经预训练的卷积神经网络来根据所述第二扫描数据生成指示所述多个探测器像素单元的状态的状态矩阵;
其中,所述状态矩阵中的第一元素表示相对应的探测器像素单元未被遮挡,所述状态矩阵中的第二元素表示相对应的探测器像素单元被遮挡。
8.根据权利要求1至5中任一项所述的校正方法,其特征在于,使用所述第二空气数据来校正所述第二扫描数据包括:
将所述第二扫描数据除以所述第二空气数据;或者
将所述第二扫描数据的对数值减去所述第二空气数据的对数值。
9.一种计算机断层扫描设备的扫描数据的校正装置,其特征在于,所述校正装置包括:
至少一个处理器;以及
存储有计算机程序的至少一个存储器;
其中,当所述计算机程序由所述至少一个处理器执行时,使得所述校正装置执行根据权利要求1至8中任一项所述的校正方法的步骤。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序在由处理器执行时实现根据权利要求1至8中任一项所述的校正方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310844795.3A CN116842321B (zh) | 2023-07-11 | 2023-07-11 | 计算机断层扫描设备的扫描数据的校正方法及校正装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310844795.3A CN116842321B (zh) | 2023-07-11 | 2023-07-11 | 计算机断层扫描设备的扫描数据的校正方法及校正装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116842321A true CN116842321A (zh) | 2023-10-03 |
CN116842321B CN116842321B (zh) | 2024-03-15 |
Family
ID=88170442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310844795.3A Active CN116842321B (zh) | 2023-07-11 | 2023-07-11 | 计算机断层扫描设备的扫描数据的校正方法及校正装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116842321B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117243624A (zh) * | 2023-11-17 | 2023-12-19 | 苏州波影医疗技术有限公司 | 一种ct参考探测器的遮挡补偿方法及ct系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016063725A1 (ja) * | 2014-10-22 | 2016-04-28 | 株式会社日立製作所 | データ処理装置、x線ct装置、及びリファレンス補正方法 |
US20160239971A1 (en) * | 2015-02-13 | 2016-08-18 | Kabushiki Kaisha Toshiba | Computed tomography scanner calibration with angle correction for scan angle offset |
CN109998578A (zh) * | 2019-03-29 | 2019-07-12 | 上海联影医疗科技有限公司 | 预测计算机断层成像的空气校正表的方法和装置 |
US20190216419A1 (en) * | 2017-07-12 | 2019-07-18 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for air correction |
CN111297383A (zh) * | 2019-12-24 | 2020-06-19 | 上海联影医疗科技有限公司 | X射线成像的校正方法、装置及存储介质 |
CN111436963A (zh) * | 2020-06-17 | 2020-07-24 | 南京安科医疗科技有限公司 | 一种头部移动ct探测器的自校准方法及扫描系统 |
CN111796255A (zh) * | 2016-09-20 | 2020-10-20 | 创新科技有限公司 | 激光雷达系统和使用其检测物体的方法及车辆 |
CN112603345A (zh) * | 2020-12-02 | 2021-04-06 | 赛诺威盛科技(北京)有限公司 | 模型训练、多能谱ct扫描方法、装置、电子设备 |
-
2023
- 2023-07-11 CN CN202310844795.3A patent/CN116842321B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016063725A1 (ja) * | 2014-10-22 | 2016-04-28 | 株式会社日立製作所 | データ処理装置、x線ct装置、及びリファレンス補正方法 |
US20160239971A1 (en) * | 2015-02-13 | 2016-08-18 | Kabushiki Kaisha Toshiba | Computed tomography scanner calibration with angle correction for scan angle offset |
CN111796255A (zh) * | 2016-09-20 | 2020-10-20 | 创新科技有限公司 | 激光雷达系统和使用其检测物体的方法及车辆 |
US20190216419A1 (en) * | 2017-07-12 | 2019-07-18 | Shanghai United Imaging Healthcare Co., Ltd. | System and method for air correction |
CN109998578A (zh) * | 2019-03-29 | 2019-07-12 | 上海联影医疗科技有限公司 | 预测计算机断层成像的空气校正表的方法和装置 |
CN111297383A (zh) * | 2019-12-24 | 2020-06-19 | 上海联影医疗科技有限公司 | X射线成像的校正方法、装置及存储介质 |
CN111436963A (zh) * | 2020-06-17 | 2020-07-24 | 南京安科医疗科技有限公司 | 一种头部移动ct探测器的自校准方法及扫描系统 |
CN112603345A (zh) * | 2020-12-02 | 2021-04-06 | 赛诺威盛科技(北京)有限公司 | 模型训练、多能谱ct扫描方法、装置、电子设备 |
Non-Patent Citations (3)
Title |
---|
WENTING RUI ET AL.: "Deep Learning-Assisted Quantitative Susceptibility Mapping as a Tool for Grading and Molecular Subtyping of Gliomas", 《PHENOMICS》, vol. 3, no. 3, pages 243 * |
任彦等: "胶质瘤磁共振IVIM与DSC灌注成像的相关性研究", 《中国医学计算机成像杂志》, vol. 23, no. 05, pages 490 - 494 * |
王保云等: "结合几何方法与Radon变换的CT系统参数标定模型", 《昆明学院学报》, vol. 41, no. 06, pages 85 - 90 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117243624A (zh) * | 2023-11-17 | 2023-12-19 | 苏州波影医疗技术有限公司 | 一种ct参考探测器的遮挡补偿方法及ct系统 |
CN117243624B (zh) * | 2023-11-17 | 2024-02-09 | 苏州波影医疗技术有限公司 | 一种ct参考探测器的遮挡补偿方法及ct系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116842321B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116842321B (zh) | 计算机断层扫描设备的扫描数据的校正方法及校正装置 | |
US10417794B2 (en) | Reconstructing CT image | |
Elbakri et al. | Efficient and accurate likelihood for iterative image reconstruction in X-ray computed tomography | |
US10559100B2 (en) | Method and devices for image reconstruction | |
JP6491545B2 (ja) | 画像処理装置、放射線撮影装置、画像処理方法、プログラム、および記憶媒体 | |
JPWO2015064446A1 (ja) | X線撮像装置、x線撮像方法、及び、x線撮像装置のモニタリング方法 | |
CN111160531A (zh) | 神经网络模型的分布式训练方法、装置及电子设备 | |
JP5238175B2 (ja) | X線画像診断装置 | |
US7496221B2 (en) | Radiological image diagnostic system and data processing method thereof | |
CN116807502B (zh) | 用于校正计算机断层扫描设备的扫描数据的方法及装置 | |
US10930018B2 (en) | Quantizer determination, computer-readable medium and apparatus that implements at least two quantizers | |
CN110836901B (zh) | 基于k边缘成像的优化阈值方法、装置、设备和介质 | |
CN109459452B (zh) | 有效原子序数计算方法、装置和存储介质 | |
CN102859993A (zh) | 图像处理设备、图像处理方法和程序 | |
CN110673428B (zh) | 一种结构光补偿方法、装置及设备 | |
CN111067560B (zh) | 散射校正方法、装置、可读存储介质和电子设备 | |
EP1411472A2 (en) | Gradation conversion of an image | |
CN112052885B (zh) | 图像处理方法、装置、设备及pet-ct系统 | |
CN110840469B (zh) | 乳腺x线机曝光控制方法和装置及乳腺x线机 | |
EP2133025A1 (en) | Radiography control apparatus and radiography control method | |
Yang et al. | Empirical optimization of energy bin weights for compressing measurements with realistic photon counting x‐ray detectors | |
CN115797486B (zh) | 一种ct图像线状伪影消除方法、装置及存储介质 | |
JPH1048341A (ja) | 画像生成方法と装置 | |
KR102543990B1 (ko) | X선 영상의 산란 보정 방법 및 장치 | |
CN112053329B (zh) | 骨硬化系数的获取方法、装置、存储介质和电子设备 |
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 |