JP2021157539A - Method for reducing metal artifacts - Google Patents
Method for reducing metal artifacts Download PDFInfo
- Publication number
- JP2021157539A JP2021157539A JP2020057617A JP2020057617A JP2021157539A JP 2021157539 A JP2021157539 A JP 2021157539A JP 2020057617 A JP2020057617 A JP 2020057617A JP 2020057617 A JP2020057617 A JP 2020057617A JP 2021157539 A JP2021157539 A JP 2021157539A
- Authority
- JP
- Japan
- Prior art keywords
- image
- cross
- ray
- metal artifacts
- prediction
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 28
- 239000000463 material Substances 0.000 claims abstract description 16
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 239000011347 resin Substances 0.000 claims description 9
- 229920005989 resin Polymers 0.000 claims description 9
- 238000012951 Remeasurement Methods 0.000 claims 1
- 239000007943 implant Substances 0.000 claims 1
- 238000000465 moulding Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 6
- 238000012937 correction Methods 0.000 abstract description 5
- 238000006243 chemical reaction Methods 0.000 abstract description 4
- 238000012986 modification Methods 0.000 abstract description 2
- 230000004048 modification Effects 0.000 abstract description 2
- 238000003702 image correction Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 230000003902 lesion Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 210000004072 lung Anatomy 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 208000019693 Lung disease Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000621 bronchi Anatomy 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007596 consolidation process Methods 0.000 description 1
- 208000031513 cyst Diseases 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000005337 ground glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 210000000214 mouth Anatomy 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000003325 tomography Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Abstract
Description
本発明は、放射線を用いてワーク（被写体）をスキャンするX線CT装置において、得られる断面画像（CT画像）に発生するメタルアーチファクトを改善する方法に関するものである。 The present invention relates to a method for improving metal artifacts generated in a obtained cross-sectional image (CT image) in an X-ray CT apparatus that scans a work (subject) using radiation.
従来、X線を用いて画像を生成する放射線断層撮影装置として、X線CT装置が知られている。X線CT装置は、X線を放出するX線管と、X線を検出するX線検出器を有している。X線管から放出されたX線はワークを透過し、X線検出器で検出される。X線検出器は、ワークの透過X線を検出し、その強度に応じた電気信号を出力する。X線検出器から出力された電気信号はデータ収集部で受信され、X線データに変換される。このX線データに基づいて断面画像が再構成される。 Conventionally, an X-ray CT apparatus is known as a radiation tomography apparatus that generates an image using X-rays. The X-ray CT apparatus has an X-ray tube that emits X-rays and an X-ray detector that detects X-rays. The X-rays emitted from the X-ray tube pass through the workpiece and are detected by the X-ray detector. The X-ray detector detects the transmitted X-rays of the work and outputs an electric signal according to the intensity. The electric signal output from the X-ray detector is received by the data acquisition unit and converted into X-ray data. The cross-sectional image is reconstructed based on this X-ray data.
前記した放射線を用いたＣＴ装置等の医療機器や放射線計測機器では、空間分解能を向上させるためにワークを透過した放射線強度の分布を、より精度よく、より細かく測定することが重要になってきている。そして、工業製品に対する省エネルギー、省資源の需要の高まり、部品の薄肉化・高密度化・複合化が求められ、産業界においても、自社の競争力維持のため製品の設計は複雑化、三次元化の一途をたどっている。 In medical equipment such as CT equipment and radiation measuring equipment using the above-mentioned radiation, it has become important to measure the distribution of radiation intensity transmitted through the work more accurately and finely in order to improve the spatial resolution. There is. In addition, energy saving and resource saving demand for industrial products are increasing, and parts are required to be thinner, denser, and more complex. Even in the industrial world, product design is complicated and three-dimensional in order to maintain the competitiveness of the company. It is becoming more and more popular.
更に、複雑に入り組んだ精密な内部構造を持つ部材や、異種素材、複合材料による製品では、部品同士の形状のずれ等による予想できない変形や欠陥が発生する恐れがある。そのため、設計通りの加工精度や配置の実現等を正確な計測を求められている。
企業の多くが非破壊試験による製品内部の観察を目的として、X線透過検査機を導入し、内部の非破壊検査を行ってきた。これだけでは製品内部や複雑形状の検査を行うことは出来ない。そのため、物体内部を可視化可能なX線CT装置による計測が産業界から大いに注目されている。そして、X線CT装置の導入には多額の費用とその後のメンテナンス費用を必要とする。
Further, in a member having a complicated and precise internal structure, a product made of a different material, or a composite material, unexpected deformation or defects may occur due to a deviation in the shape of the parts. Therefore, accurate measurement is required to realize the processing accuracy and arrangement as designed.
Many companies have introduced X-ray transmission inspection machines for the purpose of observing the inside of products by non-destructive testing, and have conducted non-destructive inspection of the inside. This alone cannot inspect the inside of the product or complex shapes. Therefore, measurement by an X-ray CT device that can visualize the inside of an object is drawing a lot of attention from the industrial world. And, the introduction of the X-ray CT apparatus requires a large amount of cost and subsequent maintenance cost.
しかも、X線CT装置の使用環境や、ワークが金属と樹脂で構成される製品等、金属を含む場合に、X線を吸収しやすい金属に由来するメタルアーチファクトと呼ばれる画像上の不具合が発生し、ワークの金属およびその周辺の画像形状が不鮮明になることから、断面画像の精度に及ぼす影響は非常に大きいことが知られている。 Moreover, when the usage environment of the X-ray CT device or the work contains metal such as a product composed of metal and resin, an image defect called a metal artifact derived from a metal that easily absorbs X-rays occurs. It is known that the influence on the accuracy of the cross-sectional image is very large because the image shape of the metal of the work and its surroundings becomes unclear.
メタルアーチファクトの低減に関する先行技術は、低密度（樹脂等）、高密度（金属等）にそれぞれ異なる２種類の管電圧を用いるＣＴ測定法がAlvarezらによって提案されている。この方法はED（Dual-Energy）法と呼ばれ、メタルアーチファクト低減にも応用されているが、X線CT装置の修正が不可欠なことから、既設のX線CT装置に適用することは困難である。また、画像再構成手法からのアプローチとしては、逐次近似計算によりアーチファクト低減が試みられているが、十分な効果は得られていない。また、現在の補正逆投影法と比較して膨大な計算量の処理に対応するためのハードウェアを必要とするために容易ではない。 As prior art for reducing metal artifacts, Alvarez et al. Have proposed a CT measurement method using two types of tube voltages that are different for low density (resin, etc.) and high density (metal, etc.). This method is called the ED (Dual-Energy) method and is also applied to reduce metal artifacts, but it is difficult to apply it to existing X-ray CT equipment because modification of the X-ray CT equipment is indispensable. be. In addition, as an approach from the image reconstruction method, artifact reduction has been attempted by successive approximation calculation, but a sufficient effect has not been obtained. In addition, it is not easy because it requires hardware for processing a huge amount of calculation as compared with the current correction back projection method.
そして、断面画像を用いて、断面画像に含まれる組織又は病変を分類する場合にて、特に、肺疾病患者の診断分野について、断面画像に含まれる肺領域を、すりガラス影、正常影、気管支、蜂窩蜂、網状影、コンソリデーション、低吸収および嚢胞の８種類について、数百万という多数の教師データを用いて、入力と入力を多層ニューラルネットワークにて学習させ、学習の際には、組織又は病変の種類が既知の断面画像から、予め定められたサイズ（例えば１．５cm×１．５cm）の関心領域を切り出し、その関心領域を教師データとして用いて、断面画像に含まれる肺領域の画素が８種類の組織または病変の何れかに分類される手法の画像処理装置および方法並びにプログラムが上記特許文献１に開示されている。
更に、医用画像撮像装置で医用画像処理及びプログラムにより、撮像された３次元情報を有する医用画像に手書き線を描画操作し、修正処理の結果を断面画像上に重畳表示可能な医用画像処理装置及びプログラムの事例が上記特許文献２に開示されている。
Then, when classifying tissues or lesions included in the cross-sectional image using the cross-sectional image, particularly in the field of diagnosis of a lung disease patient, the lung region included in the cross-sectional image is divided into a ground glass shadow, a normal shadow, a bronchus, and the like. Inputs and inputs are trained in a multi-layer neural network using millions of teacher data for eight types of bees, reticular shadows, consolidations, low absorption and cysts. A region of interest of a predetermined size (for example, 1.5 cm x 1.5 cm) is cut out from a cross-sectional image in which the type of lesion is known, and the region of interest is used as training data to capture pixels of the lung region included in the cross-sectional image. The above-mentioned Patent Document 1 discloses an image processing apparatus and method and a program of a method in which is classified into any of eight types of tissues or lesions.
Further, the medical image processing device and the medical image processing device capable of drawing a handwritten line on the medical image having the captured three-dimensional information by the medical image processing and the program with the medical image imaging device and superimposing and displaying the result of the correction processing on the cross-sectional image. An example of the program is disclosed in the above-mentioned Patent Document 2.
上記、先行技術分権委開示されているような、手の込んだ手法によらずに、作業現場にて容易に扱える手法として、断面画像の精度に影響を与えるメタルアーチファクトを断面画像上のノイズとして捉え、このノイズをDeep Learningによる画像修復技術を用いて修復することでメタルアーチファクトを低減させ、断面画像の精度を向上させる方法を提供することである。 As a method that can be easily handled at the work site without using the elaborate method disclosed by the Advanced Technology Decentralization Committee, metal artifacts that affect the accuracy of the cross-sectional image are used as noise on the cross-sectional image. It is to provide a method of reducing metal artifacts and improving the accuracy of cross-sectional images by capturing and repairing this noise by using an image restoration technique by deep learning.
画像修復技術を実現する画像修正ネットワークは、全層が畳み込み層で構成され、畳み込み層のワークを予想対象として、メタルアーチファクトが発生した断面画像（予想材料）と見分けがつかないように学習し、メタルアーチファクトの低減による金属およびその周辺の形状が不鮮明さを修正した断面画像を得るものである。 The image correction network that realizes image restoration technology is composed of convolution layers in all layers, and learns the work of the convolution layer as a prediction target so that it is indistinguishable from the cross-sectional image (prediction material) in which metal artifacts have occurred. A cross-sectional image in which the shape of the metal and its surroundings is unclear due to the reduction of metal artifacts is obtained.
通常の「教師あり学習」技術によるDeep Learningには、極めて大量の予測材料（断面画像）、予測対象（ワークの写真）のペアが必要となる。
本発明では、「半教師あり学習」により、一つの予測材料（X線CT装置から生成された断面画像）と、予測対象（ワークの写真）とのペアのデータに加えて、予測対象が存在しない予測材料のみのデータからも学習することで、画像再構築の各層で補正データ入力を実行変換して、最終的な補正データ入力の実行変換の結果を基に、予測予想を行い、学習の作業を効率化し、画像修正ネットワークの精度の向上を実現することにより、X線CT装置の断面画像の精度の向上が図れる
Deep learning using ordinary "supervised learning" technology requires an extremely large number of pairs of prediction materials (cross-sectional images) and prediction targets (photographs of works).
In the present invention, there is a prediction target in addition to the paired data of one prediction material (cross-sectional image generated from the X-ray CT device) and the prediction target (work photograph) by "semi-supervised learning". By learning from the data of only the prediction material, the correction data input is executed and converted in each layer of image reconstruction, and the prediction prediction is performed based on the result of the execution conversion of the final correction data input. By streamlining the work and improving the accuracy of the image correction network, the accuracy of the cross-sectional image of the X-ray CT device can be improved.
アーチファクトは、歯科用CTに関しても、同様に義歯に使用される金属からメタルアーチファクトが発生し、口腔内の形状を不鮮明にしている。これらの改善にも効果がある。通常の「教師あり学習」技術によるDeep Learningには、極めて大量の予測材料（断面画像）、予測対象（ワークの写真）のペアが必要となる。この課題に対して、本発明では「半教師あり学習」により、ペアのデータに加えて、予測対象が存在しない予測材料のみのデータからも学習を行うことで、各層で入力を変換し最終的な変換結果を基に予測を行う、学習の作業を効率化し、画像修正ネットワークの精度の向上を実現する。 As for the artifacts, in the case of dental CT as well, metal artifacts are generated from the metal used for the denture, and the shape in the oral cavity is obscured. It is also effective for these improvements. Deep learning using ordinary "supervised learning" technology requires an extremely large number of pairs of prediction materials (cross-sectional images) and prediction targets (photographs of works). In response to this problem, in the present invention, by "semi-supervised learning", in addition to the paired data, learning is performed from the data of only the prediction material for which there is no prediction target, so that the input is converted in each layer and finally. It makes predictions based on various conversion results, streamlines learning work, and improves the accuracy of image correction networks.
以下、本発明のメタルアーチファクトの低減方法について説明する。なお、以下では本発明の目的を達成するための説明に必要な範囲を示し、本発明の該当部分に必要な説明を行い、説明を省略する個所は公知技術になるものとする。 Hereinafter, the method for reducing metal artifacts of the present invention will be described. In the following, the scope necessary for the explanation for achieving the object of the present invention will be shown, the necessary explanation will be given for the relevant part of the present invention, and the part where the explanation is omitted will be a known technique.
図１は、本発明に係るX線CT装置のハードウェアの構成概略図を示す。
X線CT装置において、回転台上に載置される測定対象物（試料）を挟んで、X線管（X線源）とX線検出器が配置されている。測定対象物（試料）を回転台上に載置して、回転台を回転させ、測定対象物（試料）はX線を全方位から受け、照射されたX線は測定対象物（試料）を通過し、測定対象物（試料）に一部吸収されて減衰した後、X線管（X線源）の反対側に位置するX線検出器に到達する。これらは、それぞれの方向でどの程度吸収されたかを記録したのち、コンピュータで画像をフーリエ変換で再構成される。内蔵するソフトウエア等を有するコンピュータシステムにより、データ処理され、記録され、表示される。そして、測定対象物（試料）を載置した回転台を３６０度回転させながら、測定情報をX線検出器から取得した、投影イメージから断面画像を生成する。
産業用X線CT装置では、測定対象物（試料）を固定して、X線管（X線源）とX線検出器を同時に回転させる方式もあるが、原理は同じである。
FIG. 1 shows a schematic configuration diagram of the hardware of the X-ray CT apparatus according to the present invention.
In the X-ray CT apparatus, an X-ray tube (X-ray source) and an X-ray detector are arranged across a measurement object (sample) placed on a turntable. The object to be measured (sample) is placed on a turntable and the turntable is rotated, the object to be measured (sample) receives X-rays from all directions, and the irradiated X-ray receives the object to be measured (sample). After passing through and being partially absorbed by the object to be measured (sample) and attenuated, it reaches the X-ray detector located on the opposite side of the X-ray tube (X-ray source). After recording how much they are absorbed in each direction, the image is reconstructed by Fourier transform on a computer. Data is processed, recorded, and displayed by a computer system having built-in software or the like. Then, while rotating the turntable on which the measurement object (sample) is placed by 360 degrees, a cross-sectional image is generated from the projected image obtained by acquiring the measurement information from the X-ray detector.
In industrial X-ray CT equipment, there is also a method of fixing the object to be measured (sample) and rotating the X-ray tube (X-ray source) and the X-ray detector at the same time, but the principle is the same.
画像再構成を行うハードウェアの構成は、情報を入力するキーボードなどの入力部、プログラムや情報を記憶するハードディスクなどの記憶部、有線や無線によって外部と接続するインターフェース部、これらを制御するCPUなどの制御部からなり、これらを有するものであれば、専用機でなくともパーソナルコンピュータやワークステーションであってもよい。 The hardware configuration for image reconstruction includes an input unit such as a keyboard for inputting information, a storage unit such as a hard disk for storing programs and information, an interface unit for connecting to the outside by wire or wireless, and a CPU for controlling these. As long as it is composed of the control units of the above and has these, it may be a personal computer or a workstation instead of a dedicated machine.
本発明のメタルアーチファクトの低減方法は、例えば金属表面を樹脂でコーティングしたインサート成形品の断面画像において、樹脂と金属の界面近傍のメタルアーチファクトを低減させることにより、界面付近のボイドやクラックを可能にするため、実用上有益である。 The method for reducing metal artifacts of the present invention enables voids and cracks near the interface by reducing metal artifacts near the interface between the resin and the metal, for example, in a cross-sectional image of an insert molded product in which the metal surface is coated with resin. Therefore, it is practically useful.
産業用X線CT装置だけでなく、歯科用X線CT装置、医療用X線CT装置から生成された断面画像にも同様に発生しうるものである。本発明のメタルアーチファクトの低減方法は、これらすべてのメタルアーチファクトの低減が期待できる。 It can occur not only in industrial X-ray CT equipment but also in cross-sectional images generated from dental X-ray CT equipment and medical X-ray CT equipment. The method for reducing metal artifacts of the present invention can be expected to reduce all of these metal artifacts.
X線源を管球または加速器、X線検出器をイメージインテンシファイア（I.I.）あるいはデジタルフラットパネル（DPF）を用いた場合の断面画像でも同様に発生しうるものである。本発明のメタルアーチファクトの低減方法は、これらすべてのメタルアーチファクトの低減が期待できる。 The same can occur in a cross-sectional image when the X-ray source is a tube or accelerator and the X-ray detector is an image intensifier (I.I.) or a digital flat panel (DPF). The method for reducing metal artifacts of the present invention can be expected to reduce all of these metal artifacts.
本発明のメタルアーチファクトの低減方法は、例えば金属表面を樹脂でコーティングしたインサート成形品の断面画像において、樹脂と金属の界面近傍のメタルアーチファクトを低減させることにより、界面付近のボイドやクラックを可能にするため、実用上有益である。 The method for reducing metal artifacts of the present invention enables voids and cracks near the interface by reducing metal artifacts near the interface between the resin and the metal, for example, in a cross-sectional image of an insert molded product in which the metal surface is coated with resin. Therefore, it is practically useful.
本発明によるメタルアーチファクトの低減は、「半教師あり学習」技術を用いたDeep Learningによる画像修正ネットワークプログラムと言ってよい。 The reduction of metal artifacts according to the present invention can be said to be an image correction network program by deep learning using the "semi-supervised learning" technique.
図２は、教師あり学習Deep Learningによる画像修正ネットワークの概要である。予想材料として、X線CT装置から生成された断面画像を使用する。ただ、断面画像だけをインプットするだけでは学習することはできないため、これらの断面画像に対して、予想対象である樹脂に金属部品を包埋したワークの写真を用意する必要がある。通常この予想材料と予想対象のペアは膨大になる。 FIG. 2 is an outline of an image correction network by supervised learning Deep Learning. As a predictive material, a cross-sectional image generated from an X-ray CT device is used. However, since it is not possible to learn by inputting only the cross-sectional images, it is necessary to prepare photographs of the work in which the metal parts are embedded in the resin, which is the prediction target, for these cross-sectional images. Usually, the pair of this forecast material and the forecast target is huge.
図３は、本発明により実現される半教師あり学習を用いた修正ネットワークプログラムの概要である。一つの予測材料（X線CT装置から生成された断面画像）と、予測対象（樹脂に金属部品を包埋したワークの写真）とのペアのデータに加えて、予測対象が存在しない予測材料のみのデータからも学習することで、画像再構築の各層で補正データ入力を実行変換して、最終的な補正データ入力の実行変換の結果を基に、予測予想を行い、学習の作業を効率化し、画像修正ネットワークの精度の向上を実現する。 FIG. 3 is an outline of a modified network program using semi-supervised learning realized by the present invention. In addition to the paired data of one prediction material (cross-sectional image generated from the X-ray CT device) and the prediction target (photograph of the work in which the metal part is embedded in the resin), only the prediction material for which there is no prediction target By learning from the data of , Achieve improved accuracy of image correction network.
このような、半教師あり学習を用いた修正ネットワークプログラムにより、予想対象のペアが存在しないX線CT装置の断面画像に対してもメタルアーチファクト低減させることは期待できる。 It can be expected that such a modified network program using semi-supervised learning will reduce metal artifacts even for a cross-sectional image of an X-ray CT apparatus in which a pair of prediction targets does not exist.
半教師あり学習は、ペアのデータに加えて、予測対象が存在しない予測材料のみのデータからも学習を行うことで、予測モデルの精度を向上させる手法の総称である。
Deep Learningにおける半教師あり学習技術の多くは、予測対象の存在しないデータを用いて、各層における「よい」変換方法をうまく学習させることを目指している。
例として、Ladder Networkと呼ばれる手法では、「変換後の値から入力を再構築できるもの」を「よい」変換とする考え方を取り入れている。変換後の値から入力が再構築できるということは、入力データが持つ情報を効率的に抽出できたといえると言える。
さらに、各層で入力の値と再構築された値を比べ、それぞれ誤差が小さくなるようにパラメータを調整していけば、予測対象データが存在しなくても「よい」変換を学習することが期待できる。
Semi-supervised learning is a general term for methods that improve the accuracy of prediction models by learning from data of only prediction materials that do not have prediction targets in addition to paired data.
Many semi-supervised learning techniques in deep learning aim to successfully learn "good" transformation methods at each layer using data that does not have a predictor.
As an example, the method called Ladder Network adopts the idea that "the one that can reconstruct the input from the converted value" is regarded as "good" conversion. The fact that the input can be reconstructed from the converted value means that the information contained in the input data can be efficiently extracted.
Furthermore, if the input value and the reconstructed value are compared in each layer and the parameters are adjusted so that the error becomes smaller, it is expected to learn the transformation that "may" even if the prediction target data does not exist. can.
予測対象が存在するデータに関しては、予測誤差も同時に小さくするようにパラメータの更新を行う。Neural Networkの各層で「変換後の値から入力を再構築できる」ようにするには、入力の細かな情報も抽出する必要があるが、細かすぎる情報はこの予測誤差を小さくするにはむしろノイズになってしまう。
いくつもの層が重なったモデルを用いることで、浅い層で細かな情報を抽出し、深い層になるにつれて予測に関連する情報のみ抽出するようにする、という役割分担を持たせることが可能になる。このようにして学習させたモデルは、予測対象が存在するデータのみ使用した場合に比べて、格段に良い精度を持つことがAntti Rasmusらによって明らかにされている。
For data that has a prediction target, the parameters are updated so that the prediction error is also reduced at the same time. In order to be able to "reconstruct the input from the converted value" at each layer of the Neural Network, it is necessary to extract detailed information of the input, but too detailed information is rather noise to reduce this prediction error. Become.
By using a model in which multiple layers are stacked, it is possible to have a division of roles in which detailed information is extracted in the shallow layer and only information related to prediction is extracted in the deeper layer. .. Antti Rasmus et al. Have shown that the model trained in this way has much better accuracy than when only the data in which the prediction target exists is used.
Claims (4)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020057617A JP2021157539A (en) | 2020-03-27 | 2020-03-27 | Method for reducing metal artifacts |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020057617A JP2021157539A (en) | 2020-03-27 | 2020-03-27 | Method for reducing metal artifacts |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2021157539A true JP2021157539A (en) | 2021-10-07 |
Family
ID=77918562
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020057617A Pending JP2021157539A (en) | 2020-03-27 | 2020-03-27 | Method for reducing metal artifacts |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2021157539A (en) |
-
2020
- 2020-03-27 JP JP2020057617A patent/JP2021157539A/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7202302B2 (en) | Deep learning-based estimation of data for use in tomographic reconstruction | |
| CN107356615B (en) | Method and system for dual-energy X-ray CT | |
| CN110570492A (en) | Neural network training method and apparatus, image processing method and apparatus, and medium | |
| US20100220910A1 (en) | Method and system for automated x-ray inspection of objects | |
| CN106232007B (en) | X ray CT device and processing unit | |
| WO2014198239A1 (en) | Ct imaging method and system | |
| CN108292428A (en) | The system and method for image reconstruction | |
| US20070274581A1 (en) | Methods and apparatus for BIS correction | |
| JP6280544B2 (en) | Image reconstruction apparatus and method according to X-ray energy, and X-ray three-dimensional measurement apparatus and method | |
| WO2014107960A1 (en) | Image processing method and image processing apparatus | |
| WO2020237873A1 (en) | Neural network-based spiral ct image reconstruction method and device, and storage medium | |
| CN109920020A (en) | A kind of Cone-Beam CT morbid state backprojection reconstruction artifact suppressing method | |
| Ziabari et al. | Beam hardening artifact reduction in X-ray CT reconstruction of 3D printed metal parts leveraging deep learning and CAD models | |
| JP2013535678A (en) | Computer tomography method, computer program, computer device, and computer tomography system | |
| CN107019518B (en) | Signal processing method for scatter correction in computed tomography and imaging system | |
| US11337671B2 (en) | Methods and systems for improved spectral fidelity for material decomposition | |
| CN107209130A (en) | A kind of image rebuilding method of X-ray measurement equipment, the manufacture method of works, the image reconstruction program of X-ray measurement equipment and X-ray measurement equipment | |
| RU2312602C2 (en) | Method for producing tomographic images | |
| CN109870471B (en) | Single-grating-detection cone-beam CT angle sequence scattering acquisition method | |
| JP2021157539A (en) | Method for reducing metal artifacts | |
| CN110827370B (en) | Multi-energy CT (computed tomography) cyclic iterative reconstruction method for non-uniform-thickness component | |
| Guhathakurta et al. | Reducing Computed Tomography Reconstruction and Beam Hardening Artefacts by Data Fusion | |
| US20240108302A1 (en) | Method for identifying interventional object, imaging system, and non-transitory computer-readable medium | |
| JP5053389B2 (en) | Method for processing image function based on radon data and imaging method | |
| Zhang et al. | A framework for 3D x-ray CT iterative reconstruction using GPU-accelerated ray casting |