CN117456038B - 一种基于低秩约束的能谱ct迭代展开重建系统 - Google Patents

一种基于低秩约束的能谱ct迭代展开重建系统 Download PDF

Info

Publication number
CN117456038B
CN117456038B CN202311777806.7A CN202311777806A CN117456038B CN 117456038 B CN117456038 B CN 117456038B CN 202311777806 A CN202311777806 A CN 202311777806A CN 117456038 B CN117456038 B CN 117456038B
Authority
CN
China
Prior art keywords
energy spectrum
reconstruction
network
iterative
variable
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.)
Active
Application number
CN202311777806.7A
Other languages
English (en)
Other versions
CN117456038A (zh
Inventor
桂志国
蔡业余
张鹏程
刘祎
于雪莲
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.)
Hefei Jimai Intelligent Equipment Co ltd
Original Assignee
Hefei Jimai Intelligent Equipment Co ltd
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 Hefei Jimai Intelligent Equipment Co ltd filed Critical Hefei Jimai Intelligent Equipment Co ltd
Priority to CN202311777806.7A priority Critical patent/CN117456038B/zh
Publication of CN117456038A publication Critical patent/CN117456038A/zh
Application granted granted Critical
Publication of CN117456038B publication Critical patent/CN117456038B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明涉及一种基于低秩约束的能谱CT迭代展开重建系统，信息输入模块、能谱CT重建网络模块和信息输出模块;在信息输入模块中，输入能谱投影数据和系统参数，采用原始‑对偶方法求解基于低秩约束的CT重建问题，得到易于神经网络展开的能谱CT迭代重建算法；对该迭代重建算法的各计算步骤进行神经网络展开，得到迭代展开重建网络的子网络结构，能谱CT重建网络由多个结构相同的子网络构成，能谱投影数据依次通过各子网络，生成重建后的能谱CT断层图像，在信息输出模块中，输出重建后的能谱CT断层图像。本发明实现了低秩约束的神经网络展开，提升整体能谱CT重建网络的可解释性，改善能谱CT重建图像的视觉质量。

Description

一种基于低秩约束的能谱CT迭代展开重建系统
技术领域
本发明涉及一种基于低秩约束的能谱CT迭代展开重建系统。
背景技术
X射线计算机断层扫描(computed tomography, CT) 技术够快速定位病灶，并从形态学角度初步诊断病灶性质以及测定病灶区血流状态，具有较高的可靠性，是当前临床应用率较高的肿瘤诊断筛查方法之一。但是，常规CT球管产生的是连续能谱分布的X射线，因而所获得的CT图像也具有混合能力的平均效应，不能形成平稳、准确的CT值。临床发现，常规CT扫描存在图像噪声大、X线管冷却速度缓慢、伪影重叠等弊端，不利于微小病灶的检出，限制了其在临床实践中的广泛应用。
由于能谱CT在病变检测和物质分解方面的巨大潜力，近年来受到了越来越多的关注。通过在数据采集过程中区分光子的能量，基于光子计数探测器的能谱CT可以在一次曝光内收集具有不同能谱信息的多组扫描数据。与传统CT扫描数据相比，这些数据中包含着更多的被测物体信息，提高了CT对物体成分识别和定量化分析的能力。然而，由于有限的光子数和每个能量仓有限的计数率，通过光子计数器采集得到的能谱投影通常会受到强噪声的影响。因此，开发高效的能谱CT重建算法在临床应用中具有重要的意义和迫切的需要。
为了更好地抑制能谱CT重建中的噪声和伪影，许多研究人员一直在研究提高能谱CT重建图像质量的方法。将基于稀疏正则项的CT重建算法应用于能谱中单能图像的重建，利用图像的稀疏特性提高CT重建图像的质量。常用的稀疏正则项有总变分、紧致框架和字典学习。但是这些方法忽略了不同能级图像之间的相关性。为了有效地利用不同能级图像之间的相关性，低秩约束被应用到能谱CT重建中，充分挖掘不同能级图像的相似性。将低秩约束应用于能谱CT重建问题不可避免地增加了求解该优化问题的难度。不同的优化算法被应用于求解基于低秩约束的能谱CT重建问题，如迭代收缩阈值算法、交替方向乘子法和原始-对偶算法等。
随着深度学习技术的发展，将能谱CT迭代重建算法展开成能谱CT重建网络，可以进一步改善重建图像的质量。为了将基于低秩约束的能谱CT重建算法展开成能谱CT重建网络，许多研究人员探索了不同的能谱CT重建问题的迭代求解算法。但是，在能谱CT重建问题的求解过程中，采用了较多的近似计算，降低了能谱CT重建方法的计算精度，进而降低了迭代展开神经网络的能效。
针对上述能谱CT迭代展开算法中存在的问题，本发明探索易于神经网络展开的能谱CT迭代重建算法，避免采用近似计算，直接对迭代算法中的低秩约束进行神经网络展开。本发明采用原始-对偶算法求解基于低秩约束的能谱CT重建问题，得到易于神经网络展开的迭代算法。对基于低秩约束的能谱CT迭代重建算法进行神经网络展开，进一步提升整体能谱CT重建网络的特征提取能力。
发明内容
本发明目的在于提供一种基于低秩约束的能谱CT迭代展开重建系统，探索易于神经网络展开的能谱CT 重建算法，并对该算法进行神经网络展开，尤其是针对其中低秩约束的迭代算法直接进行神经网络展开，提高能谱CT重建网络在能谱图像之间进行特征融合的能力，进而改善能谱CT重建图像的成像质量。
实现本发明目的的技术方案：
一种基于低秩约束的能谱CT迭代展开重建系统，包括：
信息输入模块、能谱CT重建网络模块和信息输出模块；
在信息输入模块中，输入能谱投影数据和系统参数，采用原始-对偶方法求解基于低秩约束的CT重建问题，得到易于神经网络展开的能谱CT迭代重建算法；对该迭代重建算法的各计算步骤进行神经网络展开，得到迭代展开重建网络的子网络结构，能谱CT重建网络由多个结构相同的子网络构成，能谱投影数据依次通过各子网络，生成重建后的能谱CT断层图像，在信息输出模块中，输出重建后的能谱CT断层图像。
系统参数包括：探测器位置、尺寸和采样间隔，射线源位置，CT系统的旋转中心位置，投影数据个数及采集角度，重建模体的尺寸和采样间隔；射线源能级及能级个数；
进一步的，迭代重建算法计算步骤如下：
;
;
;
;
其中， 为投影数据，/>为稀疏变换，/>为系统矩阵，/>为转置操作，/>、/>、/>、/>和/>为权重参数；/>、/>和/>为中间变量，初值均为0；
矩阵与变量相乘，表示对该变量进行正投影操作；矩阵/>与变量相乘，表示对该变量进行反投影操作。矩阵/>与变量相乘，表示对该变量进行稀疏变换；矩阵/>与变量相乘，表示对该变量进行稀疏变换的转置变换；
为待重建图像，初值为0；/>为基于奇异值分解的软阈值算子。通过对变量进行奇异值分解，/>的计算公式如下：
;
;
;
;
其中，对变量进行奇异值分解，计算得到变量/>、/>和/>。
进一步的，采用射线驱动方式实现正投影操作，采用像素驱动方法实现反投影操作。并根据正投影操作和反投影操作分别构造正投影网络层和反投影网络层/>，实现正投影操作和反投影操作。
进一步的，分别采用浅层卷积神经网络和/>实现迭代重建算法中的稀疏变换及其转置变换。
进一步的，构造浅层神经网络层实现软阈值算子/>的计算，网络的输入为/>。在该网络层中实现了奇异值分解算法的正向计算和梯度反馈的反向传播，通过深度学习从大数据中学习得到阈值/>的值。
进一步的，分别采用浅层卷积神经网络，/>，/>和/>替换上述各次迭代中变量的计算；
网络的输入为/>，/>和/>，输出为/>；
网络的输入为/>和/>，输出为/>；
网络的输入为/>，/>和/>，输出为/>；输出/>通过网络层/>，计算得到/>；
网络的输入为/>和/>，输出为/>；
最后一次迭代展开网络的输出为该能谱CT重建网络的重建结果，即重建后的能谱CT断层图像。
本发明具有的有益效果：
为了提高能谱CT重建图像的视觉质量，现有的能谱CT迭代重建算法利用低秩约束挖掘能谱数据之间的相关性。将低秩约束加入能谱CT重建问题，显著地增加了求解能谱CT重建问题的难度，从而增加了将能谱CT迭代重建算法展开为能谱CT迭代展开重建网络的困难。为了将基于低秩约束的能谱CT迭代重建算法展开成神经网络，采用了较多的近似计算得到易于神经网络的迭代重建算法，降低了所构造神经网络的性能。
采用原始-对偶算法求解基于低秩约束的能谱CT重建问题，得到易于神经网络展开的迭代重建算法；对能谱CT迭代重建算法的保真项和低秩约束进行神经网络展开，得到能谱CT重建网络。相比传统的神经网络构造方法，使用迭代展开方法构造神经网络，可以提高所构造神经网络的可解释性。
将低秩约束加入能谱CT重建问题中，以提升能谱数据之间的特征融合能力。将能谱CT迭代重建算法展开为能谱CT重建网络，特别是用神经网络实现低秩约束，可以更好地实现能谱数据的特征融合。
附图说明
图1本发明一种基于低秩约束的能谱CT迭代展开重建系统的流程图；
图2是本发明迭代展开重建网络的网络结构；
图3是本发明子网络的结构图；
图4是本发明子网络的神经网络图。
具体实施方式
如图1所示，本发明一种基于低秩约束的能谱CT迭代展开重建系统，包括：
信息输入模块、能谱CT重建网络模块和信息输出模块；
在信息输入模块中，输入能谱投影数据和系统参数，采用原始-对偶方法求解基于低秩约束的CT重建问题，得到易于神经网络展开的能谱CT迭代重建算法；对该迭代重建算法的各计算步骤进行神经网络展开，得到迭代展开重建网络的子网络结构，能谱CT重建网络由多个结构相同的子网络构成，能谱投影数据依次通过各子网络，生成重建后的能谱CT断层图像，在信息输出模块中，输出重建后的能谱CT断层图像。
系统参数包括：探测器位置、尺寸和采样间隔，射线源位置，CT系统的旋转中心位置，投影数据个数及采集角度，重建模体的尺寸和采样间隔，射线源能级及能级个数。
其中能谱投影数据可以是由CT硬件系统采集得到的能谱投影数据，也可以是计算机模拟所得能谱投影数据，系统参数为使用采集或模拟能谱投影数据时所使用的相应参数。
本实施例中，使用锥束X射线对模体进行照射，利用光子计数器进行成像，提取不同照射角度下平板探测器上等中心位置处的能谱投影数据构成能谱投影数据。在本实施例中，只对旋转中心所在断层平面进行重建。在本实施例中，投影个数为360，投影数据的长度为768个像素；X射线源的电压分别被设置为60、70、80、90和100 keV；分别获取每个投影角度下的5个能级的投影数据，构成能谱投影数据。
迭代重建算法计算步骤如下：
;
;
;
;
其中， 为投影数据，/>为稀疏变换，/>为系统矩阵，/>为转置操作，/>、/>、/>、和/>为权重参数；/>、/>和/>为中间变量，初值均为0；
矩阵与变量相乘，表示对该变量进行正投影操作；矩阵/>与变量相乘，表示对该变量进行反投影操作。矩阵/>与变量相乘，表示对该变量进行稀疏变换；矩阵/>与变量相乘，表示对该变量进行稀疏变换的转置变换；
为待重建图像，初值为0；/>为基于奇异值分解的软阈值算子。通过对变量进行奇异值分解，/>的计算公式如下：
;
;
;
;
其中，对变量进行奇异值分解，计算得到变量/>、/>和/>。
常用的基于低秩的能谱CT迭代重建问题不是采用原始-对偶方法进行求解的。因而，所得能谱CT迭代重建算法较为复杂，不适合直接进行神经网络展开。具体表现为：1）不是单层循环的迭代算法，不适合展开；2）单层循环的迭代重建算法，其中部分计算步骤的计算复杂度特别大，也不适合展开。
对此，我们采用原始-对偶算法，求解基于低秩的能谱CT迭代重建问题，所得迭代算法如左边公式所示。从公式中可以看出，该迭代算法是单层循环的，且各计算步骤简单，易于神经网络展开。尤其是其中的参数可以被看作超参数，通过神经网络训练得到。从而变量/>，/>，/>的计算可以被看作是几个变量的加权求和，因而适合进行神经网络展开。
在本实例中，基于低秩约束的能谱CT迭代展开重建网络由个子网络构成。能谱投影数据依次通过各子网络，完成对输入能谱投影数据的重建。根据基于低秩约束的能谱CT迭代重建算法进行迭代展开，使用神经网络替换迭代算法中各次迭代的计算步骤，得到各次迭代的子网络结构，如图3所示。分别采用射线驱动的计算方法和像素驱动的计算方法构造正投影网络层/>和反投影网络层/>，从而实现能谱CT迭代重建算法中的正投影操作/>和反投影操作/>。分别采用浅层神经网络/>和/>实现能谱CT迭代重建算法中的稀疏变换及其转置，挖掘特征图中的结构化稀疏性特征。采用浅层神经网络/>实现能谱CT迭代重建算法中的基于奇异值分解的软阈值操作/>，实现多能谱图像之间的特征融合。子网络由4个卷积神经网络构成，分别为/>，/>，/>和/>（如图4所示）。网络/>的输入为/>，/>和/>，输出为/>。网络/>的输入为/>和，输出为/>。网络/>的输入为/>，/>和/>，输出为/>。该输出/>通过网络层/>，计算得到输出/>。网络/>的输入为/>和/>，输出为/>。
在本实施案例中，各变量的通道数如图4所示；各变量的初值为，/>，/>和/>。输出/>即为重建所得能谱CT断层图像。
步骤3：信息输出模块。
在网络的测试过程中，直接输出由迭代展开重建网络计算所得能谱CT断层图像。在网络的训练过程中，构造损失函数，计算迭代展开重建网络的输出与真实值的差距，并将该差距作为梯度信息反馈至基于低秩约束的能谱CT迭代展开重建网络，更新网络中的参数值。在网络测试过程中，输出重建后的能谱CT图像。
使用点对点的像素差值或图像结构相似性构造所述损失函数，如范数损失函数、/>范数损失函数和SSIM (structural similarity index)损失函数。也可以利用提取图像结构特征的卷积神经网络构造损失函数，如VGG损失函数。本实施案例中，使用/>范数损失函数作为整个网络模型的损失函数。
以上显示和描述了本发明的基本原理、主要特征和本发明的特点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求保护的范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于，包括：
信息输入模块、能谱CT重建网络模块和信息输出模块；
在信息输入模块中，输入能谱投影数据和系统参数，采用原始-对偶方法求解基于低秩约束的CT重建问题，得到易于神经网络展开的能谱CT迭代重建算法；对该迭代重建算法的各计算步骤进行神经网络展开，得到迭代展开重建网络的子网络结构，能谱CT重建网络由多个结构相同的子网络构成，能谱投影数据依次通过各子网络，生成重建后的能谱CT断层图像，在信息输出模块中，输出重建后的能谱CT断层图像；
迭代重建算法计算步骤如下：
其中，g为投影数据，φ为稀疏变换，A为系统矩阵，T为转置操作，σ、τ、λ和θ为权重参数；为基于奇异值分解的软阈值算子；pn、qn和un为中间变量，初值均为0，/>为待重建图像，初值为0；
矩阵A与变量相乘，表示对该变量进行正投影操作；矩阵AT与变量相乘，表示对该变量进行反投影操作；矩阵φ与变量相乘，表示对该变量进行稀疏变换；矩阵φT与变量相乘，表示对该变量进行稀疏变换的转置变换。
2.根据权利要求1中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：基于奇异值分解的软阈值算子的计算步骤如下：
x＝UΣVT；
Σ＝diag({σi}1≤i≤r)；
其中，对向量x进行奇异值分解，得到向量U、Σ和V。
3.根据权利要求1中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：采用射线驱动方式实现正投影操作，采用像素驱动方法实现反投影操作，并根据正投影操作和反投影操作分别构造正投影网络层NetA和反投影网络层实现正投影操作和反投影操作。
4.根据权利要求3中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：分别采用浅层卷积神经网络CNNφ和实现迭代重建算法中的稀疏变换及其转置变换。
5.根据权利要求4中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：构造浅层神经网络层NetSVD实现软阈值算子的计算，网络的输入为un-τpn+1-τqn+1，通过深度学习从大数据中学习得到阈值σλ2的值。
6.根据权利要求5中所述的一种基于低秩约束的能谱CT迭代展开重建系统，其特征在于：分别采用浅层卷积神经网络CNNp，CNNq，CNNu和CNNu替换上述各次迭代中变量的计算；
网络CNNp的输入为pn，NetAT(g)和输出为pn+1；
网络CNNq的输入为qn和输出为qn+1；
网络CNNu的输入为un，pn+1和qn+1，输出为un+1/2；输出un+1/2通过网络层NetSVD，计算得到un+1；
网络CNNu的输入为un和un+1，输出为
最后一次迭代展开网络的输出为该能谱CT重建网络的重建结果，即重建后的能谱CT断层图像。
CN202311777806.7A 2023-12-22 2023-12-22 一种基于低秩约束的能谱ct迭代展开重建系统 Active CN117456038B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311777806.7A CN117456038B (zh) 2023-12-22 2023-12-22 一种基于低秩约束的能谱ct迭代展开重建系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311777806.7A CN117456038B (zh) 2023-12-22 2023-12-22 一种基于低秩约束的能谱ct迭代展开重建系统

Publications (2)

Publication Number Publication Date
CN117456038A CN117456038A (zh) 2024-01-26
CN117456038B true CN117456038B (zh) 2024-03-22

Family

ID=89591412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311777806.7A Active CN117456038B (zh) 2023-12-22 2023-12-22 一种基于低秩约束的能谱ct迭代展开重建系统

Country Status (1)

Country Link
CN (1) CN117456038B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228900A (zh) * 2022-12-25 2023-06-06 同济大学 一种基于深度学习的压缩能谱x射线ct图像重建方法
CN116258673A (zh) * 2022-12-28 2023-06-13 上海联影医疗科技股份有限公司 能谱ct的图像重建方法、系统、电子设备及存储介质
CN116630738A (zh) * 2023-04-25 2023-08-22 安徽工程大学 一种基于深度卷积稀疏表示重建网络的能谱ct成像方法
CN116912344A (zh) * 2023-07-04 2023-10-20 浙江大学 一种基于原始-对偶网络的列表模式tof-pet重建方法
CN117197349A (zh) * 2023-09-07 2023-12-08 中北大学 一种ct图像重建方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9662084B2 (en) * 2015-06-18 2017-05-30 Toshiba Medical Systems Corporation Method and apparatus for iteratively reconstructing tomographic images from electrocardiographic-gated projection data
US20180018757A1 (en) * 2016-07-13 2018-01-18 Kenji Suzuki Transforming projection data in tomography by means of machine learning
WO2018187662A1 (en) * 2017-04-06 2018-10-11 Mayo Foundation For Medical Education And Research Methods for iterative reconstruction of medical images using primal-dual optimization with stochastic dual variable updating
US10772582B2 (en) * 2018-03-20 2020-09-15 Siemens Medical Solutions Usa, Inc. Multi-modal emission tomography quality based on patient and application

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116228900A (zh) * 2022-12-25 2023-06-06 同济大学 一种基于深度学习的压缩能谱x射线ct图像重建方法
CN116258673A (zh) * 2022-12-28 2023-06-13 上海联影医疗科技股份有限公司 能谱ct的图像重建方法、系统、电子设备及存储介质
CN116630738A (zh) * 2023-04-25 2023-08-22 安徽工程大学 一种基于深度卷积稀疏表示重建网络的能谱ct成像方法
CN116912344A (zh) * 2023-07-04 2023-10-20 浙江大学 一种基于原始-对偶网络的列表模式tof-pet重建方法
CN117197349A (zh) * 2023-09-07 2023-12-08 中北大学 一种ct图像重建方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Johann Niesen and etc,..Performance of primal-dual algorithms for multi-channel image reconstruction in spectral X-ray CT.2014 IEEE Nuclear Science Symposium and Medical Imaging Conference.2016,全文. *
低剂量CT图像的自适应广义总变分降噪算法;何琳;张权;上官宏;张芳;张鹏程;刘;孙未雅;桂志国;;计算机应用;20160110(01);全文 *
磁共振图像的原始-对偶近似迭代重建算法;刘晓晖;张鑫媛;路利军;冯前进;陈武凡;;计算机工程与应用;20180415(08);全文 *

Also Published As

Publication number Publication date
CN117456038A (zh) 2024-01-26

Similar Documents

Publication Publication Date Title
Zhang et al. Image prediction for limited-angle tomography via deep learning with convolutional neural network
Zhou et al. Limited view tomographic reconstruction using a cascaded residual dense spatial-channel attention network with projection data fidelity layer
Abascal et al. Material decomposition in spectral CT using deep learning: a Sim2Real transfer approach
WO2022217984A1 (zh) 一种基于注意力机制的低剂量双示踪剂pet重建方法
JPWO2013094186A1 (ja) 動き追従ｘ線ｃｔ画像処理方法および動き追従ｘ線ｃｔ画像処理装置
CN110415307A (zh) 一种基于张量补全的多能ct成像方法、装置及其存储设备
CN113167913A (zh) 针对常规成像的光子计数的能量加权
CN107146263B (zh) 一种基于张量字典约束的动态pet图像重建方法
Wei et al. A joint reconstruction and segmentation method for limited-angle X-ray tomography
CN117197349A (zh) 一种ct图像重建方法及装置
Wang et al. One half-scan dual-energy CT imaging using the Dual-domain Dual-way Estimated Network (DoDa-Net) model
Zhang et al. Weighted tensor low-rankness and learnable analysis sparse representation model for texture preserving low-dose CT reconstruction
CN117456038B (zh) 一种基于低秩约束的能谱ct迭代展开重建系统
US20240185485A1 (en) Machine learning-based improvement in iterative image reconstruction
CN116630738A (zh) 一种基于深度卷积稀疏表示重建网络的能谱ct成像方法
CN112001978B (zh) 一种基于生成对抗网络的双能双90°ct扫描重建图像的方法及装置
CN114202464A (zh) 基于深度学习的x射线ct局部高分辨率成像方法及装置
Zhao et al. Low-dose CT image reconstruction via total variation and dictionary learning
Bussod et al. Convolutional neural network for material decomposition in spectral CT scans
US20190206094A1 (en) Fast iterative image reconstruction method for emission tomography
Vijina et al. A Survey on Recent Approaches in Image Reconstruction
Wang et al. Hybrid-Domain Integrative Transformer Iterative Network for Spectral CT Imaging
John et al. Quantitative Evaluation of Synthesized Brain PET Using a Variational Autoencoder
Zhang et al. A x-ray spectrum estimation method by exploring image-domain characteristic via CNN
Komolafe et al. Material decomposition for simulated dual-energy breast computed tomography via hybrid optimization method

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