CN116843825A - 一种渐进式cbct稀疏视角重建方法 - Google Patents

一种渐进式cbct稀疏视角重建方法 Download PDF

Info

Publication number
CN116843825A
CN116843825A CN202310639160.XA CN202310639160A CN116843825A CN 116843825 A CN116843825 A CN 116843825A CN 202310639160 A CN202310639160 A CN 202310639160A CN 116843825 A CN116843825 A CN 116843825A
Authority
CN
China
Prior art keywords
network
image
layer
stage
constructing
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
Application number
CN202310639160.XA
Other languages
English (en)
Other versions
CN116843825B (zh
Inventor
孙春贵
于涵
李兴捷
李新越
张钊骞
张震
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenyang Foundry Research Institute Co Ltd Of China National Machinery Research Institute Group
Original Assignee
Shenyang Foundry Research Institute Co Ltd Of China National Machinery Research Institute Group
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenyang Foundry Research Institute Co Ltd Of China National Machinery Research Institute Group filed Critical Shenyang Foundry Research Institute Co Ltd Of China National Machinery Research Institute Group
Priority to CN202310639160.XA priority Critical patent/CN116843825B/zh
Publication of CN116843825A publication Critical patent/CN116843825A/zh
Application granted granted Critical
Publication of CN116843825B publication Critical patent/CN116843825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00Three dimensional [3D] modelling, e.g. data description of 3D objects
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/0464Convolutional networks [CNN, ConvNet]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • G06N3/084Backpropagation, e.g. using gradient descent
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00Image analysis
    • G06T7/0002Inspection of images, e.g. flaw detection
    • G06T7/0012Biomedical image inspection
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/10Image acquisition modality
    • G06T2207/10072Tomographic images
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20081Training; Learning
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/20Special algorithmic details
    • G06T2207/20084Artificial neural networks [ANN]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00Indexing scheme for image analysis or image enhancement
    • G06T2207/30Subject of image; Context of image processing
    • G06T2207/30004Biomedical image processing
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种渐进式CBCT稀疏视角重建方法,其特征在于:步骤1.图像数据集的构建:步骤1.1:构建不同稀疏度的投影图像集;步骤1.2:构建CT断层图像集;步骤1.3:形成图像数据集;步骤2.构建多阶段卷积神经网络;多阶段卷积神经网络包括三个阶段,每个阶段的神经网络结构相同;步骤3.网络训练;搭建好模型后,每次输入固定数量的图像后,经前向传播获得损失函数值,利用反向传播算法优化模型各个卷积层中参数;步骤4.网络应用。本发明优点:提出一种渐进式的稀疏视角重建方法,通过渐进式的学习过程,使网络可以学习到投影图像稀疏性对CT断层图像的影响,实现更高精度的图像重建。

Description

一种渐进式CBCT稀疏视角重建方法
技术领域
本发明涉及工业无损检测领域,特别涉及一种渐进式CBCT稀疏视角重建方法。
背景技术
锥束CT是利用锥形束射线源与面阵探测器采集被测物体不同角度的一系列投影图像,并根据重建算法重建出连续的序列切片的成像检测技术。这种技术非常适合于定量表征物体内部结构尺寸、缺陷、密度等关键信息。然而在实际的锥束CT检测过程中,为了提高重建图像的质量,通常采取多个角度(1000~2000)的投影图像,导致CT的检测时间长、效率低。稀疏视角采样是一种非常重要的提高检测效率的扫描方式,但是由于投影数量的成倍缩减导致重建断层图像退化严重,投影数据的不完备性导致常规算法重建的切片图像出现严重的伪影,为物体内部结构的尺寸测量和缺陷定位带来困难。
为了在稀疏视角CT扫描条件下提高重建断层图像质量,一种方法是通过改进的迭代重建算法,但这类算法迭代时间长、重建速度慢。另一种方法是结合压缩感知理论,在远小于Nyquist采样率的条件下,利用稀疏信号的先验信息,通过非线性重建算法有效提升稀疏角度下断层重建的质量,然而现有的结合压缩感知理论的重建算法将图像假设为分段恒定的,虽然可以一定程度上减少图像伪影,改善重建质量,但是在投影图像过于稀疏时会出现边缘平滑和块状阶梯的现象。最近随着人工智能技术的进步,出现了一些基于深度学习的重建方法。这类方法通过卷积神经网络直接构建稀疏角重建图像与全视角重建图像的映射关系,取得了较好的图像质量,但这类方法没有考虑视角的稀疏程度对重建图像的质量影响。
鉴于上述方法存在的一些不足,本发明提出了一种渐进式CBCT稀疏视角重建方法,该方法将稀疏程度逐渐降低的重建图像作为多阶段监督信号,将稀疏程度对重建图像的质量影响这一先验知识融入网络训练过程中,实现了更高的重建质量提高。
发明内容
本发明的目的在于提供一种渐进式CBCT稀疏视角重建方法。
本发明提供了一种渐进式CBCT稀疏视角重建方法,其特征在于:
其步骤为:
步骤1.图像数据集的构建;
步骤2.构建多阶段卷积神经网络;
步骤3.网络训练;
步骤4.网络应用。
其中:步骤1.图像数据集的构建:
步骤1.1:构建不同稀疏度的投影图像集
将待检测物体放置于锥束CT转台上,开启CT系统,采集N个角度的投影图像;随后,分别等间隔地抽取所有投影图像的构建4组具有不同稀疏投影角度的投影图像集;
步骤1.2:构建CT断层图像集;
基于4组投影图像数据分别使用FDK算法进行三维重建,获得4组具有不同伪影水平的CT断层图像;
步骤1.3:形成图像数据集
更换检测物体,按步骤1.1-1.2采集图像即可获得更多的图像样本,构成含有M对图像的数据集
其中,Ie是基于投影数据重建的断层图像,Iq是基于/>投影数据重建的断层图像,Ih是基于/>投影数据重建的断层图像,If是基于全部投影数据重建的断层图像。将得到的图像数据集D随机划分为训练集、验证集和测试集,其比例分别为70%,10%和20%。
步骤2.构建多阶段卷积神经网络
多阶段卷积神经网络包括三个阶段,每个阶段的神经网络结构相同,定义为F1、F2、F3;F1、F2、F3均由7个深度可分离卷积层堆叠而成;对于前6个卷积层,卷积层通道数为32,卷积核尺寸为3×3,步长为1,卷积层的激活函数为Relu;第三层网络的输出特征与第四层网络的输出特征在通道上拼接后,作为第五层的输入;第二层网络的输出特征与第五层网络的输出特征在通道上拼接后,作为第六层的输入;第一层网络的输出特征与第六层网络的输出特征在通道上拼接后,作为第七层的输入;对于第七个卷积层,卷积层通道数为1,卷积核尺寸为3×3,步长为1,卷积层的激活函数为Tanh;
其他结构的卷积网络模型,如UNET,FCN等,也可作为本发明中的训练网络。对于第一阶段网络,其输入图像为Ie,监督图像为Iq。对于第二阶段网络,其输入图像为第一阶段网络的输出结果S,监督图像为Ih。对于第三阶段网络,其输入图像为第二阶段网络的输出结果T,监督图像为If。本发明中损失函数包括三个阶段的损失函数之和。每个阶段的损失函数为L1损失,结构相似度损失与梯度损失之和。
L=L1+L2+L3
L1=|F1(Ie)-Iq|+ssim(F1(Ie),Iq)+|G(F1(Ie))-G(Iq)|
L2=|S-Ih|+ssim(S,Ih)+|G(S)-G(Ih)|
L3=|T-If|+ssim(T,If)+|G(T)-G(If)|。
步骤3.网络训练
搭建好模型后,使用步骤1中的训练数据集进行训练,每次输入固定数量的图像后,经前向传播获得损失函数值,利用反向传播算法优化模型各个卷积层中参数;重复上述步骤,直至验证集损失函数值不再下降,模型收敛,卷积层中参数值固定。
步骤4.网络应用
训练完成后,将基于投影数据重建的断层图像输入网络模型中,网络的输出图像与基于全投影数据重建的断层图像效果相近,即可达到保持图像质量的同时加速CT检测效率。
本发明与现有技术相比,其优点在于:
提出一种渐进式的稀疏视角重建方法,通过渐进式的学习过程,使网络可以学习到投影图像稀疏性对CT断层图像的影响,实现更高精度的图像重建。
附图说明
下面结合附图及实施方式对本发明作进一步详细的说明:
图1为渐进式的稀疏视角重建方法示意图。
具体实施方式
下面将结合具体的实施方案对本发明进行进一步的解释:
本发明提供了一种渐进式CBCT稀疏视角重建方法,其特征在于:
其步骤为:
步骤1.图像数据集的构建;
步骤2.构建多阶段卷积神经网络;
步骤3.网络训练;
步骤4.网络应用。
其中:步骤1.图像数据集的构建:
步骤1.1:构建不同稀疏度的投影图像集
将待检测物体放置于锥束CT转台上,开启CT系统,采集N个角度的投影图像;随后,分别等间隔地抽取所有投影图像的构建4组具有不同稀疏投影角度的投影图像集;
步骤1.2:构建CT断层图像集;
基于4组投影图像数据分别使用FDK算法进行三维重建,获得4组具有不同伪影水平的CT断层图像;
步骤1.3:形成图像数据集
更换检测物体,按步骤1.1-1.2采集图像即可获得更多的图像样本,构成含有M对图像的数据集
其中,Ie是基于投影数据重建的断层图像,Iq是基于/>投影数据重建的断层图像,Ih是基于/>投影数据重建的断层图像,If是基于全部投影数据重建的断层图像。将得到的图像数据集D随机划分为训练集、验证集和测试集,其比例分别为70%,10%和20%。
步骤2.构建多阶段卷积神经网络
多阶段卷积神经网络包括三个阶段,每个阶段的神经网络结构相同,定义为F1、F2、F3;F1、F2、F3均由7个深度可分离卷积层堆叠而成;对于前6个卷积层,卷积层通道数为32,卷积核尺寸为3×3,步长为1,卷积层的激活函数为Relu;第三层网络的输出特征与第四层网络的输出特征在通道上拼接后,作为第五层的输入;第二层网络的输出特征与第五层网络的输出特征在通道上拼接后,作为第六层的输入;第一层网络的输出特征与第六层网络的输出特征在通道上拼接后,作为第七层的输入;对于第七个卷积层,卷积层通道数为1,卷积核尺寸为3×3,步长为1,卷积层的激活函数为Tanh;
其他结构的卷积网络模型,如UNET,FCN等,也可作为本发明中的训练网络。对于第一阶段网络,其输入图像为Ie,监督图像为Iq。对于第二阶段网络,其输入图像为第一阶段网络的输出结果S,监督图像为Ih。对于第三阶段网络,其输入图像为第二阶段网络的输出结果T,监督图像为If。本发明中损失函数包括三个阶段的损失函数之和。每个阶段的损失函数为L1损失,结构相似度损失与梯度损失之和。
L=L1+L2+L3
L1=|F1(Ie)-Iq|+ssim(F1(Ie),Iq)+|G(F1(Ie))-G(Iq)|
L2=|S-Ih|+ssim(S,Ih)+|G(S)-G(Ih)|
L3=|T-If|+ssim(T,If)+|G(T)-G(If)|。
步骤3.网络训练
搭建好模型后,使用步骤1中的训练数据集进行训练,每次输入固定数量的图像后,经前向传播获得损失函数值,利用反向传播算法优化模型各个卷积层中参数;重复上述步骤,直至验证集损失函数值不再下降,模型收敛,卷积层中参数值固定。
步骤4.网络应用
训练完成后,将基于投影数据重建的断层图像输入网络模型中,网络的输出图像与基于全投影数据重建的断层图像效果相近,即可达到保持图像质量的同时加速CT检测效率。
本发明未尽事宜为公知技术。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。

Claims (5)

1.一种渐进式CBCT稀疏视角重建方法,其特征在于:
其步骤为:
步骤1.图像数据集的构建;
步骤2.构建多阶段卷积神经网络;
步骤3.网络训练;
步骤4.网络应用。
2.根据权利要求1所述的渐进式CBCT稀疏视角重建方法,其特征在于:步骤1.图像数据集的构建:
步骤1.1:构建不同稀疏度的投影图像集
将待检测物体放置于锥束CT转台上,开启CT系统,采集N个角度的投影图像;随后,分别等间隔地抽取所有投影图像的构建4组具有不同稀疏投影角度的投影图像集;
步骤1.2:构建CT断层图像集;
基于4组投影图像数据分别使用FDK算法进行三维重建,获得4组具有不同伪影水平的CT断层图像;
步骤1.3:形成图像数据集
更换检测物体,按步骤1.1-1.2采集图像即可获得更多的图像样本,构成含有M对图像的数据集
其中,Ie是基于投影数据重建的断层图像,Iq是基于/>投影数据重建的断层图像,Ih是基于/>投影数据重建的断层图像,If是基于全部投影数据重建的断层图像。将得到的图像数据集D随机划分为训练集、验证集和测试集,其比例分别为70%,10%和20%。
3.根据权利要求1所述的渐进式CBCT稀疏视角重建方法,其特征在于:步骤2.构建多阶段卷积神经网络
多阶段卷积神经网络包括三个阶段,每个阶段的神经网络结构相同,定义为F1、F2、F3;F1、F2、F3均由7个深度可分离卷积层堆叠而成;对于前6个卷积层,卷积层通道数为32,卷积核尺寸为3×3,步长为1,卷积层的激活函数为Relu;第三层网络的输出特征与第四层网络的输出特征在通道上拼接后,作为第五层的输入;第二层网络的输出特征与第五层网络的输出特征在通道上拼接后,作为第六层的输入;第一层网络的输出特征与第六层网络的输出特征在通道上拼接后,作为第七层的输入;对于第七个卷积层,卷积层通道数为1,卷积核尺寸为3×3,步长为1,卷积层的激活函数为Tanh;
其他结构的卷积网络模型,如UNET,FCN等,也可作为本发明中的训练网络。对于第一阶段网络,其输入图像为Ie,监督图像为Iq。对于第二阶段网络,其输入图像为第一阶段网络的输出结果S,监督图像为Ih。对于第三阶段网络,其输入图像为第二阶段网络的输出结果T,监督图像为If。本发明中损失函数包括三个阶段的损失函数之和。每个阶段的损失函数为L1损失,结构相似度损失与梯度损失之和。
L=L1+L2+L3
L1=|F1(Ie)-Ia|+ssim(F1(Ie),Iq)+|G(F1(Ie))-G(Iq)|
L2=|S-Ih|+ssim(S,Ih)+|G(S)-G(Ih)|
L3=|T-If|+ssim(T,If)+|G(T)-G(If)|。
4.根据权利要求1所述的渐进式CBCT稀疏视角重建方法,其特征在于:步骤3.网络训练
搭建好模型后,使用步骤1中的训练数据集进行训练,每次输入固定数量的图像后,经前向传播获得损失函数值,利用反向传播算法优化模型各个卷积层中参数;重复上述步骤,直至验证集损失函数值不再下降,模型收敛,卷积层中参数值固定。
5.根据权利要求1所述的渐进式CBCT稀疏视角重建方法,其特征在于:步骤4.网络应用
训练完成后,将基于投影数据重建的断层图像输入网络模型中,网络的输出图像与基于全投影数据重建的断层图像效果相近,即可达到保持图像质量的同时加速CT检测效率。
CN202310639160.XA 2023-06-01 2023-06-01 一种渐进式cbct稀疏视角重建方法 Active CN116843825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310639160.XA CN116843825B (zh) 2023-06-01 2023-06-01 一种渐进式cbct稀疏视角重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310639160.XA CN116843825B (zh) 2023-06-01 2023-06-01 一种渐进式cbct稀疏视角重建方法

Publications (2)

Publication Number Publication Date
CN116843825A true CN116843825A (zh) 2023-10-03
CN116843825B CN116843825B (zh) 2024-04-05

Family

ID=88158997

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310639160.XA Active CN116843825B (zh) 2023-06-01 2023-06-01 一种渐进式cbct稀疏视角重建方法

Country Status (1)

Country Link
CN (1) CN116843825B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117420209A (zh) * 2023-12-18 2024-01-19 中国机械总院集团沈阳铸造研究所有限公司 基于深度学习的全聚焦相控阵超声快速高分辨率成像方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898642A (zh) * 2018-06-01 2018-11-27 安徽工程大学 一种基于卷积神经网络的稀疏角度ct成像方法
CN110544282A (zh) * 2019-08-30 2019-12-06 清华大学 基于神经网络的三维多能谱ct重建方法和设备及存储介质
CN112017136A (zh) * 2020-08-06 2020-12-01 杭州深睿博联科技有限公司 一种基于深度学习的肺部ct图像参数重建方法、系统、终端及存储介质
CN112233227A (zh) * 2020-10-20 2021-01-15 北京航星机器制造有限公司 一种ct投影图生成方法和装置
CN112396672A (zh) * 2020-11-20 2021-02-23 华中科技大学 一种基于深度学习的稀疏角度锥束ct图像重建方法
CN113039581A (zh) * 2018-09-14 2021-06-25 恩维医疗公司有限公司 三维对象的多尺度图像重建
CN113052936A (zh) * 2021-03-30 2021-06-29 大连理工大学 集成fdk和深度学习的单视角ct重建方法
CN113052935A (zh) * 2021-03-23 2021-06-29 大连理工大学 渐进式学习的单视角ct重建方法
CN114723842A (zh) * 2022-05-24 2022-07-08 之江实验室 基于深度融合神经网络的稀疏视角ct成像方法和设备
CN115239836A (zh) * 2022-07-25 2022-10-25 广东工业大学 一种基于端到端神经网络的极端稀疏视角ct重建方法
CN115294225A (zh) * 2021-12-31 2022-11-04 兰州理工大学 一种针对新冠肺炎胸部ct的渐进式反向投影网络超分辨率重建方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108898642A (zh) * 2018-06-01 2018-11-27 安徽工程大学 一种基于卷积神经网络的稀疏角度ct成像方法
CN113039581A (zh) * 2018-09-14 2021-06-25 恩维医疗公司有限公司 三维对象的多尺度图像重建
CN110544282A (zh) * 2019-08-30 2019-12-06 清华大学 基于神经网络的三维多能谱ct重建方法和设备及存储介质
CN112017136A (zh) * 2020-08-06 2020-12-01 杭州深睿博联科技有限公司 一种基于深度学习的肺部ct图像参数重建方法、系统、终端及存储介质
CN112233227A (zh) * 2020-10-20 2021-01-15 北京航星机器制造有限公司 一种ct投影图生成方法和装置
CN112396672A (zh) * 2020-11-20 2021-02-23 华中科技大学 一种基于深度学习的稀疏角度锥束ct图像重建方法
CN113052935A (zh) * 2021-03-23 2021-06-29 大连理工大学 渐进式学习的单视角ct重建方法
CN113052936A (zh) * 2021-03-30 2021-06-29 大连理工大学 集成fdk和深度学习的单视角ct重建方法
CN115294225A (zh) * 2021-12-31 2022-11-04 兰州理工大学 一种针对新冠肺炎胸部ct的渐进式反向投影网络超分辨率重建方法
CN114723842A (zh) * 2022-05-24 2022-07-08 之江实验室 基于深度融合神经网络的稀疏视角ct成像方法和设备
CN115239836A (zh) * 2022-07-25 2022-10-25 广东工业大学 一种基于端到端神经网络的极端稀疏视角ct重建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LIANYING CHAO等: "Sparse-view cone beam CT reconstruction using dual CNNs in projection domain and image domain", 《NEUROCOMPUTING》, vol. 493, 7 July 2022 (2022-07-07), pages 536 - 547, XP087053370, DOI: 10.1016/j.neucom.2021.12.096 *
崔树辉: "基于BM3D算法和渐进式投影的CT图像重建", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, vol. 2013, no. 09, 15 September 2013 (2013-09-15), pages 053 - 21 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117420209A (zh) * 2023-12-18 2024-01-19 中国机械总院集团沈阳铸造研究所有限公司 基于深度学习的全聚焦相控阵超声快速高分辨率成像方法
CN117420209B (zh) * 2023-12-18 2024-05-07 中国机械总院集团沈阳铸造研究所有限公司 基于深度学习的全聚焦相控阵超声快速高分辨率成像方法

Also Published As

Publication number Publication date
CN116843825B (zh) 2024-04-05

Similar Documents

Publication Publication Date Title
CN110211045B (zh) 基于srgan网络的超分辨率人脸图像重建方法
WO2019128660A1 (zh) 训练神经网络的方法和设备、图像处理方法和设备以及存储介质
Tran et al. GAN-based noise model for denoising real images
CN116843825B (zh) 一种渐进式cbct稀疏视角重建方法
CN111007566B (zh) 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法
CN110490832A (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
Sandino et al. Deep convolutional neural networks for accelerated dynamic magnetic resonance imaging
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
CN109858408B (zh) 一种基于自编码器的超声信号处理方法
CN112116601B (zh) 基于生成对抗残差网络的压缩感知采样重建方法及系统
CN111870245B (zh) 一种跨对比度引导的超快速核磁共振成像深度学习方法
KR20200032651A (ko) 3차원 영상 재구성 장치 및 그 방법
CN111667444B (zh) 一种基于多通道残差网络的图像压缩感知重建方法
CN112085829A (zh) 基于神经网络的螺旋ct图像重建方法和设备及存储介质
CN110297041A (zh) 一种基于fcn与gru的3d编织复合材料缺陷检测方法
CN114972332B (zh) 一种基于图像超分辨率重建网络的竹集成材裂纹检测方法
Zhao et al. Sparse-view CT reconstruction via generative adversarial networks
CN115880158A (zh) 一种基于变分自编码的盲图像超分辨率重建方法及系统
CN111860664A (zh) 超声平面波复合成像方法、装置及存储介质
CN114283058A (zh) 基于对抗网络和最大互信息优化的图像超分辨率重建方法
CN104318619B (zh) 面向无损检测的自适应压缩感知的重建方法
Krishnan et al. A novel underwater image enhancement technique using ResNet
CN114494952B (zh) 一种基于感知损失的乳腺mri影像时间序列生成方法
CN114529519A (zh) 基于多尺度深度空洞残差网络的图像压缩感知重建方法及系统
CN115754007A (zh) 一种基于声发射技术和层析成像技术的损伤检测方法

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
GR01 Patent grant
GR01 Patent grant