CN117218220A - 融合fbp算法和ir算法的缺陷检测ct图像重建方法及系统 - Google Patents
融合fbp算法和ir算法的缺陷检测ct图像重建方法及系统 Download PDFInfo
- Publication number
- CN117218220A CN117218220A CN202310881282.XA CN202310881282A CN117218220A CN 117218220 A CN117218220 A CN 117218220A CN 202310881282 A CN202310881282 A CN 202310881282A CN 117218220 A CN117218220 A CN 117218220A
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- defective
- defect detection
- fbp
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 230000002950 deficient Effects 0.000 claims abstract description 39
- 238000009792 diffusion process Methods 0.000 claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 230000009467 reduction Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 8
- 230000011218 segmentation Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052704 radon Inorganic materials 0.000 description 3
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 201000011510 cancer Diseases 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
Classifications
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种融合FBP算法和IR算法的缺陷检测CT图像重建方法及系统，方法包括如下步骤：S1，获取稀疏角度的正弦图，运用FBP算法生成CT图像；S2，将步骤S1的CT图像输入VGG Net网络，将图像分为有缺陷的CT图像和无缺陷的CT图像；S3，基于UNet网络对步骤S2筛选出有缺陷的CT图像进行分割，输出物体缺陷区域的图像块；S4，基于IR算法生成去伪影的高清缺陷图像块；S5，基于小波变换和图像各向异性扩散方法抑制缺陷图像块噪声。本发明解决了现有技术存在迭代算法计算数据量大、计算速度慢的问题。
Description
技术领域
本发明属于X射线计算机断层成像技术(Computed Tomgraphy，CT)领域，具体涉及一种融合FBP算法和IR算法的缺陷检测CT图像重建方法及系统。
背景技术
CT图像具有高分辨率和高灵敏度的特点，被广泛应用于临床诊断、无损检测等方面。传统的CT重建是通过旋转式X射线源和探测器阵列获取大量的投影数据，利用传统重建算法重建出横断面图像。但X射线会残留在物品或人体，采用过高的X射线辐射剂量会对人造成伤害，存在诱发癌症的风险。目前降低剂量的主要方法是降低电流强度和减少采样次数，但这会造成投影数据的不完备，进而造成FBP算法重建的图像出现伪影和噪声。因此如何减少采样次数并保证重建图像的质量成为近年来的一个热点。
针对稀疏角度的CT图像重建问题，一些基于迭代算法和深度学习的重建算法已经被提出。目前有学者提出基于迭代重建算法，通过建立数学模型和优化算法，能够有效改善稀疏角度下的图像重建质量。但是该方法对优化函数的确定和参数的选择要求较高，且计算复杂度高，运行时间长，无法广泛应用于物体的大规模缺陷检测。此外还有一些学者基于深度学习进行图像重建，采用不同策略和网络结构的重建算法在降噪和恢复重建细节等方面取得良好效果，但目前深度学习算法对过于依赖数据样本，且泛化性能差。
发明内容
针对上述现有技术存在的问题，本发明提出一种融合FBP算法和IR算法的缺陷检测CT图像重建方法及系统。
本发明针对迭代算法计算数据量大、计算速度慢的问题，采用FBP算法进行初步的CT图像重建，并基于该图像完成初步的缺陷检测，降低了时间成本；针对稀疏角度下FBP算法存在伪影和噪声的问题，在对物体缺陷区域进行迭代重建的过程中考虑去伪影去除和噪声抑制，从而保证缺陷区域的CT图像重建质量。
为达到上述发明的目的，本发明采用以下技术方案：
一种融合FBP算法(滤波反投影算法)和IR算法(迭代模型算法)的缺陷检测CT图像重建方法，其包括如下步骤：
S1，获取稀疏角度的正弦图，运用FBP生成CT图像；
S2，将步骤S1的CT图像输入VGG Net网络，将图像分为有缺陷和无缺陷图像；
S3，基于UNet网络对步骤S2筛选出有缺陷的CT图像进行分割，输出物体缺陷区域的图像块；
S4，基于IR算法生成去伪影的高清缺陷图像块；
S5，基于小波变换和图像各向异性扩散原理抑制缺陷图像块噪声。
作为优选，步骤S1中，对于被测物体，采用扇束几何CT获取稀疏角度的正弦图。其中每张正弦图包含采集角度的投影。
作为优选，FBP算法具体如下：
对采集到的投影数据进行频域滤波；对滤波后的投影数据进行Radon逆变换，将其转换为图像域中的像素值；将所有反投影结果进行累加，得到最终的重建图像。
作为优选，Radon逆变换公式为：
其中，fbp(x，y，θ)表示投影线(θ，p)反投影后的图像信息在(x，y)处的值，δ(·)表示狄拉克函数，p是投影距离，表示从CT设备出发，射线通过被检体的路径长度，θ是投影角度，表示CT设备围绕被检体旋转的角度。R(·)是Radon变换函数，表达式为：
f(x，y)是二维函数，表示被检物体的X光吸收率，
作为优选，所述VGG Net网络将步骤S1重建的CT图像进行二分类，一类为含有缺陷的图像，另一类是无缺陷的图像。
作为优选，VGG Net网络对图形进行5次卷积操作，通过3个全连接层和Softmax层。其中卷积操作包括卷积层和池化层，Softmax层是归一化层，用于得到两类标签的概率值，从而预测输入图像的类别。
作为优选，所述UNet网络是一种基于FCNN的语义分割网络，在上采样和下采样过程采用相同卷积层数，是编码器-解码器的对称结构。其中，编码器使用卷积层和池化层来逐渐减小特征图的尺寸和维度，同时增加特征图的通道数，以便提取输入图像的高级别特征；解码器则使用反卷积层(或上采样)和卷积层来逐渐还原特征图的大小和维度，最终输出与原始图像大小相同的特征图。对于特征图上每个值经过softmax函数映射得到相应的类别，即缺陷区域和非缺陷区域，从而解决了分割问题。
作为优选，UNet网络对于图像中每一个像素进行二分类，全部使用卷积，最后得到的是二维的特征图，然后对于每个值经过softmax函数映射得到相应的类别，从而解决了分割问题。
作为优选，将具有标注的图像数据作为UNet网络的训练集，每个图像与对应的标签图像对应，其中标签图像标注了物体缺陷的位置。
作为优选，UNet损失函数带有边界权值，损失函数为：
其中，x表示像素点，P(x)(x)为softmax，Ω是标签值。w表示权值，为突出边界像素点，达到更好分割效果，赋予较高权值。
作为优选，步骤S4具体如下：基于伪影的生成机制和图像重建的数学模型，建立伪影模型；使用当前的图像块生成模拟投影数据，与实际投影数据进行比较，计算差值；利用伪影估计对重建图像进行校正；在迭代过程中应用正则化和约束来约束重建图像的更新；使用伪影校正和正则化的信息，更新重建图像；输出去除伪影的重建图像。
作为优选，步骤S5中，将图像噪声分为高频率和低频率进行降噪，对高频区域根据图像各向异性扩散原理对不同内容的图像进行降噪，保证图像的平滑程度及细节信息；低频区域，使用小波变换减低噪声。
作为优选，所述的高频降噪具体步骤如下：对图像像素进行固定次数的迭代。具体如下：
1)选择一个3×3的邻域范围，计算像素周围邻域内的平均梯度值；
2)根据邻域内的平均梯度值计算扩散系数，其中较大的梯度值对应于边缘，扩散系数较小，较小的梯度值对应于平滑区域，扩散系数较大；
3)使用计算得到的扩散系数对当前像素的值进行扩散；
4)更新当前像素的值，将其设置为扩散后的像素值；
5)确定迭代次数，重复步骤2)-4)。
作为优选，对高频降噪后的图像处理进行小波收缩法进行降噪，具体操作为：对输入图像执行二维小波变换；小波变换将图像分解成低频子图像(近似系数)和高频子图像(细节系数)；对每个尺度的高频子图像进行阈值处理；对经过阈值处理的小波系数进行逆小波变换，得到重构降噪后的高清CT图像。
本发明还公开了一种融合FBP算法和IR算法的缺陷检测CT图像重建系统，用于执行上述的方法，其包括如下模块：
CT图像生成模块：获取稀疏角度的正弦图，运用FBP算法生成CT图像；
CT图像分类模块：将生成的CT图像输入VGG Net网络，将图像分为有缺陷的CT图像和无缺陷的CT图像；
CT图像分割模块：基于UNet网络对筛选出有缺陷的CT图像进行分割，输出物体缺陷区域的图像块；
IR算法模块：生成去伪影的高清缺陷图像块；
缺陷图像块噪声抑制模块：基于小波变换和图像各向异性扩散方法抑制缺陷图像块噪声。
本发明针对迭代算法计算数据量大、计算速度慢的问题，采用FBP算法进行初步的CT图像重建，并基于该图像完成初步的缺陷检测，降低了时间成本；针对稀疏角度下FBP算法存在伪影和噪声的问题，在对物体缺陷区域进行迭代重建的过程中考虑去伪影去除和噪声抑制，保证缺陷区域的CT图像重建质量。
附图说明
图1为本发明优选实施例融合FBP算法和IR算法的缺陷检测CT图像重建方法流程图。
图2为本发明优选实施例的UNet网络的结构示意图。
图3为本发明优选实施例的基于小波变换的低频图像降噪方法流程图。
图4为本发明优选实施例的基于图像各向异性扩散原理的高频图像降噪方法流程图。
图5为本发明优选实施例融合FBP算法和IR算法的缺陷检测CT图像重建系统框图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
实施例1：
如图1-4所示，本实施例融合FBP算法和IR算法的缺陷检测CT图像重建方法，具体步骤如下：
S1，获取稀疏角度的正弦图，运用FBP算法生成CT图像；
S2，将S1的CT图像输入VGG Net网络，将图像分为有缺陷和无缺陷图像；
S3，基于UNet网络对S2筛选出有缺陷的CT图像进行分割，输出物体缺陷区域的图像块；
S4，基于IR算法生成去伪影的高清缺陷图像块；
S5，基于小波变换和图像各向异性扩散原理抑制缺陷图像块噪声。
本实施例的步骤S1中，对于被测物体，采用扇束几何CT获取稀疏角度的正弦图。其中，每张正弦图包含采集角度的投影。
本实施例中，VGG Net网络将S1重建的CT图像进行二分类，一类为含有缺陷的图像，另一类是无缺陷的图像。
本实施例中，VGG Net网络对图形进行5次卷积操作，通过3个全连接层和Softmax层。其中，卷积操作包括卷积层和池化层，Softmax层是归一化层，用于得到两类标签的概率值，从而预测输入图像的类别。
本实施例中，UNet网络是一种基于FCNN的语义分割网络，在上采样和下采样过程采用相同卷积层数，是编码器—解码器的对称结构。其中编码器使用卷积层和池化层来逐渐减小特征图的尺寸和维度，同时增加特征图的通道数，以便提取输入图像的高级别特征；解码器则使用反卷积层(或上采样)和卷积层来逐渐还原特征图的大小和维度，最终输出与原始图像大小相同的特征图。对于特征图上每个值经过softmax函数映射得到相应的类别，即缺陷区域和非缺陷区域，从而解决了分割问题。
本实施例中，UNet网络对于图像中每一个像素进行二分类，全部使用卷积，最后得到的是二维的特征图，然后对于每个值经过softmax函数映射得到相应的类别，从而解决了分割问题。
本实施例中，将具有标注的图像数据作为UNet网络的训练集，每个图像与对应的标签图像对应，其中标签图像标注了物体缺陷的位置。
本实施例中，UNet损失函数带有边界权值，损失函数为：
其中，x表示像素点，P(x)(x)为softmax，Ω是标签值。w表示权值，为突出边界像素点，达到更好分割效果，赋予较高权值。
本实施例中，步骤S4具体如下：基于伪影的生成机制和图像重建的数学模型，建立伪影模型；使用当前的图像块生成模拟投影数据，与实际投影数据进行比较，计算差值；利用伪影估计对重建图像进行校正；在迭代过程中应用正则化和约束来约束重建图像的更新；使用伪影校正和正则化的信息，更新重建图像；输出去除伪影的重建图像。
本实施例中，步骤S5中，将图像噪声分为高频率和低频率进行降噪，对高频区域根据图像各向异性扩散原理对不同内容的图像进行降噪，保证图像的平滑程度及细节信息；低频区域，使用小波变换减低噪声。
如图4所示，本实施例中，高频降噪具体步骤为：对图像像素进行固定次数的迭代。具体如下：
1)选择一个3×3的邻域范围，计算像素周围邻域内的平均梯度值；
2)根据邻域内的平均梯度值计算扩散系数，其中较大的梯度值对应于边缘，扩散系数较小，较小的梯度值对应于平滑区域，扩散系数较大；
3)使用计算得到的扩散系数对当前像素的值进行扩散；
4)更新当前像素的值，将其设置为扩散后的像素值；
5)确定迭代次数，重复步骤2)-4)。
作为优选，高频降噪的迭代函数为：
其中，It是迭代t次后的图像灰度值，cNx，y，cSx，y，cEx，y，cWx，y是四个方向的扩散系数。代表散度，散度公式为：
如图3所示，本实施例中，对高频降噪后的图像处理进行小波收缩法进行降噪，具体操作为：对输入图像执行二维小波变换；小波变换将图像分解成低频子图像(近似系数)和高频子图像(细节系数)；对每个尺度的高频子图像进行阈值处理；对经过阈值处理的小波系数进行逆小波变换，得到重构降噪后的高清CT图像。
实施例2
如图5所示，本实施例公开了一种融合FBP算法和IR算法的缺陷检测CT图像重建系统，用于执行上述实施例1的方法，其包括如下模块：
CT图像生成模块：获取稀疏角度的正弦图，运用FBP算法生成CT图像；
CT图像分类模块：将生成的CT图像输入VGG Net网络，将图像分为有缺陷的CT图像和无缺陷的CT图像；
CT图像分割模块：基于UNet网络对筛选出有缺陷的CT图像进行分割，输出物体缺陷区域的图像块；
IR算法模块：生成去伪影的高清缺陷图像块；
缺陷图像块噪声抑制模块：基于小波变换和图像各向异性扩散方法抑制缺陷图像块噪声。
本实施例其他内容可参考实施例1。
综上，本发明针对迭代算法计算数据量大、计算速度慢的问题，采用FBP算法进行初步的CT图像重建，并基于该图像完成初步的缺陷检测，降低了时间成本；针对稀疏角度下FBP算法存在伪影和噪声的问题，在对物体缺陷区域进行迭代重建的过程中考虑去伪影去除和噪声抑制，保证了缺陷区域的CT图像重建质量。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。
Claims (10)
1.融合FBP算法和IR算法的缺陷检测CT图像重建方法，其特征在于，包括如下步骤：
S1，获取稀疏角度的正弦图，运用FBP算法生成CT图像；
S2，将步骤S1的CT图像输入VGG Net网络，将图像分为有缺陷的CT图像和无缺陷的CT图像；
S3，基于UNet网络对步骤S2筛选出有缺陷的CT图像进行分割，输出物体缺陷区域的图像块；
S4，基于IR算法生成去伪影的高清缺陷图像块；
S5，基于小波变换和图像各向异性扩散方法抑制缺陷图像块噪声。
2.根据权利要求1所述的融合FBP算法和IR算法的缺陷检测CT图像重建方法，其特征在于，步骤S1中，对于被测物体，采用扇束几何CT获取稀疏角度的正弦图；其中，每张正弦图包含采集角度的投影。
3.根据权利要求1所述的融合FBP算法和IR算法的缺陷检测CT图像重建方法，其特征在于，步骤S2中，VGG Net网络对图形进行5次卷积操作，通过3个全连接层和Softmax层；其中，卷积操作包括卷积层和池化层，Softmax层是归一化层，用于得到两类标签的概率值。
4.根据权利要求1-3任一项所述的融合FBP算法和IR算法的缺陷检测CT图像重建方法，其特征在于，UNet网络对于图像中每一个像素进行二分类，全部使用卷积，最后得到二维特征图，再对每个值经过softmax函数映射得到相应的类别。
5.根据权利要求4所述的融合FBP算法和IR算法的缺陷检测CT图像重建方法，其特征在于，采用UNet损失函数衡量UNet网络预测结果与真实标签之间的差异，通过最小化损失函数来优化网络的权重，使网络能够更准确地进行图像分割；UNet损失函数具体如下：
其中，x表示像素点，P(x)(x)为softmax，Ω是标签值；w表示权值。
6.根据权利要求1所述的融合FBP算法和IR算法的缺陷检测CT图像重建方法，其特征在于，步骤S4具体如下：基于伪影的生成机制和图像重建的数学模型，建立伪影模型；使用当前的图像块生成模拟投影数据，与实际投影数据进行比较，计算差值；利用伪影估计对重建图像进行校正；在迭代过程中应用正则化和约束来约束重建图像的更新；使用伪影校正和正则化的信息，更新重建图像；输出去除伪影的重建图像。
7.根据权利要求1所述的融合FBP算法和IR算法的缺陷检测CT图像重建方法，其特征在于，步骤S5中，将图像噪声分为高频率和低频率进行降噪，对高频区域根据图像各向异性扩散方法对不同内容的图像进行降噪；对于低频区域，使用小波变换减低噪声。
8.根据权利要求7所述的融合FBP算法和IR算法的缺陷检测CT图像重建方法，其特征在于，所述的高频降噪具体步骤如下：
1)选择一个3×3的邻域范围，计算像素周围邻域内的平均梯度值；
2)根据邻域内的平均梯度值计算扩散系数，其中较大的梯度值对应于边缘，扩散系数较小，较小的梯度值对应于平滑区域，扩散系数较大；
3)使用计算得到的扩散系数对当前像素的值进行扩散；
4)更新当前像素的值，将其设置为扩散后的像素值；
5)确定迭代次数，重复步骤2)-4)。
9.根据权利要求7或8所述的融合FBP算法和IR算法的缺陷检测CT图像重建方法，其特征在于，对高频降噪后的图像处理进行小波收缩法进行降噪，具体操作为：对输入图像执行二维小波变换；小波变换将图像分解成低频子图像和高频子图像；对每个尺度的高频子图像进行阈值处理；对经过阈值处理的小波系数进行逆小波变换，得到重构降噪后的高清CT图像。
10.融合FBP算法和IR算法的缺陷检测CT图像重建系统，用于执行权利要求1-9任一项所述的方法，其特征在于，所述的系统包括如下模块：
CT图像生成模块：获取稀疏角度的正弦图，运用FBP算法生成CT图像；
CT图像分类模块：将生成的CT图像输入VGG Net网络，将图像分为有缺陷的CT图像和无缺陷的CT图像；
CT图像分割模块：基于UNet网络对筛选出有缺陷的CT图像进行分割，输出物体缺陷区域的图像块；
IR算法模块：生成去伪影的高清缺陷图像块；
缺陷图像块噪声抑制模块：基于小波变换和图像各向异性扩散方法抑制缺陷图像块噪声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310881282.XA CN117218220A (zh) | 2023-07-18 | 2023-07-18 | 融合fbp算法和ir算法的缺陷检测ct图像重建方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310881282.XA CN117218220A (zh) | 2023-07-18 | 2023-07-18 | 融合fbp算法和ir算法的缺陷检测ct图像重建方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117218220A true CN117218220A (zh) | 2023-12-12 |
Family
ID=89043252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310881282.XA Pending CN117218220A (zh) | 2023-07-18 | 2023-07-18 | 融合fbp算法和ir算法的缺陷检测ct图像重建方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117218220A (zh) |
-
2023
- 2023-07-18 CN CN202310881282.XA patent/CN117218220A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hu et al. | Artifact correction in low‐dose dental CT imaging using Wasserstein generative adversarial networks | |
| CN108898642B (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
| 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 | |
| CN107481297B (zh) | 一种基于卷积神经网络的ct图像重建方法 | |
| CN109840927B (zh) | 一种基于各向异性全变分的有限角度ct重建算法 | |
| CN109920020B (zh) | 一种锥束ct病态投影重建伪影抑制方法 | |
| CN109584324A (zh) | 一种基于自动编码器网络的正电子发射型计算机断层显像（pet）重建方法 | |
| CN112102428B (zh) | Ct锥形束扫描图像重建方法、扫描系统及存储介质 | |
| US7916828B1 (en) | Method for image construction | |
| WO2020048865A1 (en) | A method of generating an enhanced tomographic image of an object | |
| CN106846427A (zh) | 一种基于重加权各向异性全变分的有限角度ct重建方法 | |
| Okamoto et al. | Artifact reduction for sparse-view CT using deep learning with band patch | |
| CN113516586A (zh) | 一种低剂量ct图像超分辨率去噪方法和装置 | |
| CN113870138A (zh) | 基于三维U-net的低剂量CT图像去噪方法及系统 | |
| CN112330565A (zh) | 基于改善的U-net的低剂量CT投影域中图像去噪方法 | |
| Zhang et al. | Projection domain denoising method based on dictionary learning for low-dose CT image reconstruction | |
| CN111161182A (zh) | Mr结构信息约束的非局部均值引导的pet图像部分容积校正方法 | |
| Lv et al. | A back‐projection‐and‐filtering‐like (BPF‐like) reconstruction method with the deep learning filtration from listmode data in TOF‐PET | |
| CN112070856B (zh) | 基于非下采样轮廓波变换的有限角c型臂ct图像重建方法 | |
| CN117523095A (zh) | 一种基于深度学习的稀疏角度THz-CT图像重建方法 | |
| CN112070704A (zh) | 一种基于紧小波框架的双正则化有限角ct图像重建方法 | |
| Zhang et al. | Improving sparse compressed sensing medical CT image reconstruction | |
| CN117218220A (zh) | 融合fbp算法和ir算法的缺陷检测ct图像重建方法及系统 | |
| 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 | |
| CN111899312B (zh) | 一种迭代补偿的有限角度ct投影重建方法 |
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 |