WO2020118894A1 - 图像重建方法、计算机设备及计算机可读存储介质 - Google Patents

图像重建方法、计算机设备及计算机可读存储介质 Download PDF

Info

Publication number
WO2020118894A1
WO2020118894A1 PCT/CN2019/075580 CN2019075580W WO2020118894A1 WO 2020118894 A1 WO2020118894 A1 WO 2020118894A1 CN 2019075580 W CN2019075580 W CN 2019075580W WO 2020118894 A1 WO2020118894 A1 WO 2020118894A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
noise reduction
input image
image block
reduction optimization
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.)
Ceased
Application number
PCT/CN2019/075580
Other languages
English (en)
French (fr)
Inventor
胡战利
梁栋
杨永峰
刘新
郑海荣
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Publication of WO2020118894A1 publication Critical patent/WO2020118894A1/zh
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—Two-dimensional [2D] image generation
    • G06T11/60—Creating or editing images; Combining images with text
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]

Definitions

  • the present invention belongs to the technical field of image reconstruction, and in particular, relates to an image reconstruction method, a computer device, and a computer-readable storage medium.
  • CT Computer Tomography
  • under-sampling data collection can effectively shorten the CT scan time, reduce image artifacts and reduce the CT radiation dose.
  • Low-dose CT can reduce the radiation brought to the patient by reducing the energy of X-rays.
  • the present invention provides an image reconstruction method, a computer device, and a computer-readable storage medium for image reconstruction combined with noise reduction optimization processing and dictionary learning.
  • an image reconstruction method includes:
  • N ⁇ 2 and N is a positive integer
  • the input image in the first iteration process is the initial reconstructed image
  • the input image in the qth iteration process is the output image after the q-1 iteration process, N ⁇ q ⁇ 2 and q is a positive integer ;
  • the iterative processing sequence includes: performing noise reduction optimization processing on the input image; generating transition dictionaries and sparse coefficients corresponding to each image block according to each image block of the input image after noise reduction optimization processing; generating based on the transition dictionary and sparse coefficients New image block; use each new image block to update the input image to get the output image.
  • x q-1 represents the output image after the q-1 iteration process
  • ⁇ represents the step size of the gradient descent
  • ⁇ x x q-1 -x 0 .
  • a transition dictionary and a sparse coefficient corresponding to each image block are generated according to each image block of the input image after noise reduction optimization processing:
  • a new image block is generated according to the transition dictionary and sparse coefficients and using the following formula,
  • the input image after the noise reduction optimization process in the qth iteration process is composed of pixels in n rows and m columns, n>0, m>0, n and m are integers, and the noise reduction in the qth iteration process
  • the optimized input image is divided into m image blocks in column order, Represents the jth new image block of the input image after the noise reduction optimization process in the qth iteration process, Represents the transition dictionary of the jth image block of the input image after the noise reduction optimization process in the qth iteration process; Represents the sparse coefficient of the j-th image block of the input image after the noise reduction optimization process in the q-th iteration process.
  • x q represents the output image after the q-th iteration process
  • R j represents the extraction matrix that extracts the image block of the j-th column from the input image after the noise reduction optimization process
  • Represents the transposed matrix of R j Represents a diagonal matrix.
  • the method for obtaining the initial reconstructed image according to the scan projection data collected by scanning the target object includes:
  • Filtered back projection method is used to process the collected scan projection data to obtain the initial reconstructed image.
  • a CT scan is used to scan the target object to obtain the scan projection data.
  • a computer device including: a memory, a processor, and an image reconstruction program stored on the memory and executable on the processor, the image When the reconstruction program is executed by the processor, the steps of the image reconstruction method as described above are realized.
  • a computer-readable storage medium stores an image reconstruction program, and the image reconstruction program implements the image reconstruction method as described above when executed by a processor. A step of.
  • the present invention obtains the initial reconstructed image by scanning the projection data collected by scanning the target object, and iteratively processes the initial image using noise reduction optimization combined with dictionary learning, thereby optimizing the iterative processing method and obtaining better Reconstruction effect.
  • FIG. 1 is a flowchart of an image reconstruction method according to an embodiment of the present invention.
  • FIG. 2 is a comparison diagram of an output image of an image reconstruction method according to an embodiment of the present invention and an output image of a related art image reconstruction method.
  • first, second, etc. are for descriptive purposes only, and cannot be understood as indicating or implying their relative importance or implicitly indicating the number of technical features indicated.
  • the features defined with “first” and “second” may include at least one of the features either explicitly or implicitly.
  • “plurality” means at least two, such as two, three, etc., unless otherwise specifically limited.
  • FIG. 1 is a flowchart of an image reconstruction method according to an embodiment of the present invention.
  • the first embodiment of the present invention discloses an image reconstruction method.
  • the method includes the steps of:
  • the input image in the first iteration process is the initial reconstructed image
  • the input image in the qth iteration process is the output image after the q-1 iteration process, N ⁇ q ⁇ 2 and q is a positive integer ;
  • the iterative processing sequence includes: performing noise reduction optimization processing on the input image; generating transition dictionaries and sparse coefficients corresponding to each image block according to each image block of the input image after noise reduction optimization processing; generating based on the transition dictionary and sparse coefficients New image block; use each new image block to update the input image to get the output image.
  • the invention obtains the initial reconstructed image by scanning the projection data collected by scanning the target object, and iteratively processes the initial image using noise reduction optimization combined with dictionary learning, thereby optimizing the method of iterative processing and obtaining a better reconstruction effect.
  • an embodiment of the present invention uses a CT scan to scan a target object to obtain the scan projection data.
  • CT Computerputed Tomography
  • X-rays need to be used in the CT scanning process. The greater the CT radiation dose and the longer the duration, the greater the potential harm to human radiation.
  • a method for obtaining an initial reconstructed image based on scan projection data collected by scanning a target object includes:
  • the CT scanning instrument will center the target object, scan the target object at equal intervals around the target object, and collect scan projection data. In this way, CT scan time, image artifacts, and CT radiation dose can be effectively reduced, thereby reducing the potential harm of CT scan rays to the target object.
  • the filtered back projection method (Filered Back-Projection, FBP) is used to process the collected scan projection data to obtain the initial reconstructed image.
  • FBP Filled Back-Projection
  • the collected scan projection data is incomplete, the quality of the initial reconstructed image will be greatly affected.
  • the initial reconstructed image will have streak artifacts, and the image details will be completely blurred. Due to the lack of partial angular projection data, the initial The reconstructed image has artifacts in the direction of missing data, and information is seriously missing.
  • embodiments of the present invention further iteratively process the initial reconstructed image.
  • the iterative processing sequence includes: performing noise reduction optimization processing on the input image; generating a transition dictionary and a sparse coefficient corresponding to each image block according to each image block of the input image after the noise reduction optimization process; according to the transition
  • the dictionary and sparse coefficients generate new image blocks; use each new image block to update the input image to get the output image.
  • the following formula is used to perform noise reduction optimization processing on the input image
  • x q-1 represents the output image after the q-1 iteration process
  • ⁇ represents the step size of the gradient descent
  • ⁇ x x q-1 -x 0 .
  • x q-1 are composed of pixels in n rows and m columns, n>0, m>0, n and m are integers, Represents the pixel value of the pixel in the i-th row and j-th column in x q-1 , n ⁇ j>0, m ⁇ i>0; And so on.
  • ⁇ represents a small positive number in the denominator, used to avoid any singularities, preferably, 0 ⁇ 10 -5 .
  • the pixel values of each pixel of the input image after the noise reduction optimization process are sequentially calculated by the above formula to form the input image after the noise reduction process.
  • a transition dictionary and a sparse coefficient corresponding to each image block are generated according to each image block of the input image after noise reduction optimization processing.
  • the transition dictionary of each image block is obtained according to each image block of the input image processed by noise reduction optimization.
  • the input image after noise reduction optimization processing is divided into j image blocks in column order. Calculate the transition dictionary corresponding to each image block separately. Further, by randomly extracting a number of pixels in the image block, and then calculating the distance between each extracted pixel to each pixel in the image block, a group is selected to the image block The extracted pixels with the smallest distance between each pixel in form a local transition dictionary.
  • the method of forming a transition dictionary may be pre-trained into a dictionary model, and during iterative calculation, each image block of the input image processed by noise reduction optimization may be input into the dictionary model to obtain a transition dictionary of each image block.
  • the orthogonal matching tracking algorithm is used to obtain the sparse constraint coefficient of each image block of the input image after noise reduction optimization processing, specifically Ground, use the following formula to calculate the sparse coefficient:
  • a new image block is generated according to the transition dictionary and the sparse coefficient of each image block of the input image after noise reduction optimization processing, specifically , Use the following formula to generate a new image block:
  • the input image after the noise reduction optimization process in the qth iteration process is composed of pixels in n rows and m columns, n>0, m>0, n and m are integers, and the noise reduction in the qth iteration process
  • the optimized input image is divided into m image blocks in column order, Represents the jth new image block of the input image after the noise reduction optimization process in the qth iteration process, Represents the transition dictionary of the jth image block of the input image after the noise reduction optimization process in the qth iteration process; Represents the sparse coefficient of the j-th image block of the input image after the noise reduction optimization process in the q-th iteration process.
  • the input image is updated using the following formula to obtain the output image:
  • x q represents the output image after the q-th iteration process
  • R j represents the extraction matrix that extracts the image block of the j-th column from the input image after the noise reduction optimization process
  • the diagonal elements represent the number of overlapping patches at a given location.
  • the input image is continuously optimized, denoised, and artifact-free, and approximates the original image.
  • the value of the number of iterations is: 200 ⁇ N ⁇ 500.
  • FIG. 2 is a comparison diagram of an output image of an image reconstruction method according to an embodiment of the present invention and an output image of a related art image reconstruction method.
  • FIG 2 (a) is the output image of traditional statistical iterative method for image reconstruction; (b) is the output image of traditional statistical iterative method combined with machine learning for image reconstruction; Figure (c) is the traditional iterative method combined with penalties Image reconstruction output image; Figure (d) is the output image of the image reconstruction method according to an embodiment of the present invention.
  • the left and upper right corners of each image are selected to enlarge the representative area.
  • the output image of the image reconstruction method according to the embodiment of the present invention is greatly improved in noise reduction and artifact removal compared to the other three prior art image reconstruction methods, and the imaging quality is greatly improved.
  • the invention obtains the initial reconstructed image by scanning the projection data collected by scanning the target object, and iteratively processes the initial image using noise reduction optimization combined with dictionary learning, thereby optimizing the iterative processing method and obtaining better reconstruction effects.
  • the invention requires a small amount of data to be collected, and the scanning time period can reduce the potential damage of the rays to the target object during scanning, and can also increase the speed of image reconstruction to avoid artifacts caused by the movement of the target object.
  • the present invention also provides another implementation manner, that is, to provide a computer-readable storage medium that stores an image reconstruction program, and the image reconstruction program can be executed by at least one processor to enable all The at least one processor performs the following steps:
  • the input image in the first iteration process is the initial reconstructed image
  • the input image in the qth iteration process is the output image after the q-1 iteration process, N ⁇ q ⁇ 2 and q is a positive integer ;
  • the iterative processing sequence includes: performing noise reduction optimization processing on the input image; generating transition dictionaries and sparse coefficients corresponding to each image block according to each image block of the input image after noise reduction optimization processing; generating based on the transition dictionary and sparse coefficients New image block; use each new image block to update the input image to get the output image.
  • the third embodiment of the present invention improves a computer device.
  • the computer device may be a computer device such as a notebook computer.
  • the computer device includes a memory, a processor, and a program that is stored on the memory and can be run on the processor to detect student concentration.
  • the memory includes at least one type of readable storage medium for storing an operating system and various application software installed on the computer device, such as program codes of an image reconstruction program.
  • the memory can also be used to temporarily store various types of data that have been or will be output.
  • the processor may be a central processing unit (Central Processing Unit, CPU), controller, microcontroller, microprocessor, or other data processing chip.
  • the processor is generally used to control the overall operation of the mobile terminal.
  • the processor is used to run program codes or process data stored in the memory, for example, to run the image reconstruction program.
  • the image reconstruction program is used for image reconstruction.
  • the image reconstruction program is executed by the processor, the following steps are implemented:
  • the input image in the first iteration process is the initial reconstructed image
  • the input image in the qth iteration process is the output image after the q-1 iteration process, N ⁇ q ⁇ 2 and q is a positive integer ;
  • the iterative processing sequence includes: performing noise reduction optimization processing on the input image; generating transition dictionaries and sparse coefficients corresponding to each image block according to each image block of the input image after noise reduction optimization processing; generating based on the transition dictionary and sparse coefficients New image block; use each new image block to update the input image to get the output image.
  • the computer device may further include other necessary components, or combine some components, or arrange different components.
  • the methods in the above embodiments can be implemented by means of software plus a necessary general hardware platform, and of course, can also be implemented by hardware, but in many cases the former is better Implementation.
  • the technical solutions of the present invention can be embodied in the form of software products in essence or part of contributions to the existing technology, and the computer software products are stored in a storage medium (such as ROM/RAM, magnetic disk,
  • the CD-ROM includes several instructions to enable a terminal (which may be a mobile phone, a computer, a server, an air conditioner, or a network device, etc.) to execute the method described in each embodiment of the present invention.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

本发明公开了一种图像重建方法，所述图像重建方法包括：根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像；对输入图像进行N次迭代处理，以获得重建图像。其中，所述迭代处理顺序包括：对输入图像进行降噪优化处理；根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数；根据过渡字典和稀疏系数生成新图像块；利用各新图像块更新输入图像，以得到输出图像。本发明还公开了一种计算机设备。本发明还公开了一种计算机可读存储介质。本发明通过对目标对象进行扫描而采集的扫描投影数据获取初始重建图像，并对初始图像采用降噪优化结合字典学习进行迭代处理，从而优化迭代处理的方法，获得更好的重建效果。

Description

图像重建方法、计算机设备及计算机可读存储介质 技术领域
本发明属于图像重建的技术领域，具体地，涉及一种图像重建方法、计算机设备及计算机可读存储介质。
背景技术
CT(计算机断层成像)能够在毫米尺度上清晰的获得人体不同组织对于X射线的衰减信息，从而为临床医生的诊断和预防提供丰富的三维人体器官组织信息。今天，作为一种技术成熟并在临床上被普遍认可的检查方法，CT已经成为放射诊断领域内不可缺少的主要工具之一。然而，由于CT扫描过程中需要使用X射线，随着人们对辐射潜在危害的逐步了解，CT辐射剂量问题越来越受到人们的重视。
在CT扫描时，进行欠采样数据采集可以有效缩短CT扫描时间、减少图像伪影并降低CT的辐射剂量，低剂量CT可以通过调低X射线的能量来减少带给病人的辐射。
中国专利申请号201210140841.3提出的“一种稀疏角度CT图像的重建方法”。获取CT机的系统参数和一周期内的稀疏角度投影数据，并应用重建模型采用辅助函数法求解得到要求的迭代运算方法进行循环迭代运算，当循环次数达到预设的次数时即停止迭代运算，并将当前所得到的迭代运算结果作为重建图像。但是该方法仅采用辅助函数法对待重建图像进行迭代计算，重建效果仍存在一定的误差。
因此，如何优化现有技术的重建图像的方法以获得更好的重建效果是本领域技术人员亟待解决的技术问题。
发明内容
为解决上述现有技术存在的问题，本发明提供了一种结合降噪优化处理和字典学习进行图像重建的图像重建方法、计算机设备及计算机可读存储介质。
为了达到上述发明目的，本发明采用了如下的技术方案：
根据本发明的一方面，提供了一种图像重建方法，所述图像重建方法包括：
根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像；
对输入图像进行N次迭代处理，以获得重建图像，N≥2且N为正整数；
其中，第一次迭代处理中的输入图像为所述初始重建图像，第q次迭代处理中的输入图像为第q-1次迭代处理后的输出图像，N≥q≥2且q为正整数；
其中，所述迭代处理顺序包括：对输入图像进行降噪优化处理；根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数；根据过渡字典和稀疏系数生成新图像块；利用各新图像块更新输入图像，以得到输出图像。
可选地，利用下面的式子对输入图像进行降噪优化处理，
Figure PCTCN2019075580-appb-000001
其中，
Figure PCTCN2019075580-appb-000002
表示第q次迭代处理中的降噪优化处理后的输入图像，x q-1表示第q-1次迭代处理后的输出图像，β表示梯度下降的步长，Δx＝x q-1-x 0。
可选地，根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数：
根据降噪优化处理的输入图像的各图像块获得各图像块的过渡字典；
根据降噪优化处理后的输入图像的各图像块和各图像块的过渡字典并采用以下公式获得各图像块的稀疏约束系数；
Figure PCTCN2019075580-appb-000003
subject to
Figure PCTCN2019075580-appb-000004
其中，
Figure PCTCN2019075580-appb-000005
表示第q次迭代处理中的降噪优化处理后的输入图像，
Figure PCTCN2019075580-appb-000006
由n行m列的像素点组成，n＞0，m＞0，n、m为整数，
Figure PCTCN2019075580-appb-000007
被按列顺序分割成m个图像块，
Figure PCTCN2019075580-appb-000008
表示提取矩阵，用于提取
Figure PCTCN2019075580-appb-000009
的第j个图像块，m＞j＞0，j为整数；
Figure PCTCN2019075580-appb-000010
为
Figure PCTCN2019075580-appb-000011
的第j个图像块的稀疏约束系数；ρ为稀疏度限制因子；
Figure PCTCN2019075580-appb-000012
为
Figure PCTCN2019075580-appb-000013
的第j个图像块的过渡字典。
可选地，根据过渡字典和稀疏系数并利用下面的式子生成新图像块，
Figure PCTCN2019075580-appb-000014
其中，第q次迭代处理中的降噪优化处理后的输入图像由n行m列的像素点组成，n＞0，m＞0，n、m为整数，第q次迭代处理中的降噪优化处理后的输入图像被按列顺序分割成m个图像块，
Figure PCTCN2019075580-appb-000015
表示第q次迭代处理中的降噪优化处理后的输入图像的第j个新图像块，
Figure PCTCN2019075580-appb-000016
表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的过渡字典；
Figure PCTCN2019075580-appb-000017
表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的稀疏系数。
可选地，根据各新图像块并利用下面的式子更新输入图像，
Figure PCTCN2019075580-appb-000018
其中，x q表示第q次迭代处理后的输出图像，R j表示从降噪优化处理后的输入图像中提取第j列的图像块的提取矩阵；
Figure PCTCN2019075580-appb-000019
表示R j的转置矩阵，
Figure PCTCN2019075580-appb-000020
表示对角矩阵。
另外，可选地，200≤N≤500。
可选地，根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像的方法包括：
以不同角度对目标对象进行扫描，以采集扫描投影数据；
采用滤波反投影的方法对采集的扫描投影数据进行处理，以获取初始重建图像。
可选地，采用CT扫描对所述目标对象进行扫描以获取所述扫描投影数据。
根据本发明的另一方面，还提供了一种计算机设备，所述计算机设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像重建程序，所述图像重建程序被所述处理器执行时实现如上述的图像重建方法的步骤。
根据本发明的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有图像重建程序，所述图像重建程序被处理器执行时实现如上述的图像重建方法的步骤。
本发明的有益效果：本发明通过对目标对象进行扫描而采集的扫描投影数据获取初始重建图像，并对初始图像采用降噪优化结合字典学习进行迭代处理，从而优化迭代处理的方法，获得更好的重建效果。
附图说明
通过下面结合附图进行的对实施例的描述，本发明的上述和/或其它目的和优点将会变得更加清楚，其中：
图1是根据本发明的实施例的图像重建方法的流程图；
图2是根据本发明的实施例的图像重建方法的输出图像与现有技术的图像重建方法的输出图像的对比图。
具体实施方式
以下，将参照附图来详细描述本发明的实施例。然而，可以以许多不同的形式来实施本发明，并且本发明不应该被解释为限制于这里阐述的具体实施例。相反，提供这些实施例是为了解释本发明的原理及其实际应用，从而使本领域的其他技术人员能够理解本发明的各种实施例和适合于特定预期应用的各种修改。在附图中，为了清楚起见，可以夸大元件的形状和尺寸，并且相同 的标号将始终被用于表示相同或相似的元件。
在本发明中，如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义至少两个，例如两个、三个等，除非另有明确具体的限定。
另外，在本发明的各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无爱实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
实施例一
图1是根据本发明的实施例的图像重建方法的流程图。
参照图1所示，本发明的第一实施例公开了一种图像重建方法，所述方法包括步骤：
S100、根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像；
S200、对输入图像进行N次迭代处理，以获得重建图像，N≥2且N为正整数；
其中，第一次迭代处理中的输入图像为所述初始重建图像，第q次迭代处理中的输入图像为第q-1次迭代处理后的输出图像，N≥q≥2且q为正整数；
其中，所述迭代处理顺序包括：对输入图像进行降噪优化处理；根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数；根据过渡字典和稀疏系数生成新图像块；利用各新图像块更新输入图像，以得到输出图像。
本发明通过对目标对象进行扫描而采集的扫描投影数据获取初始重建图像，并对初始图像采用降噪优化结合字典学习进行迭代处理，从而优化迭代处 理的方法，获得更好的重建效果。
作为本发明的一种实施方式，本发明的实施例采用CT扫描对目标对象进行扫描以获取所述扫描投影数据。CT(计算机断层成像)能够在毫米尺度上清晰的获得人体不同组织对于X射线的衰减信息，从而为临床医生的诊断和预防提供丰富的三维人体器官组织信息。但是CT扫描过程中需要使用X射线，CT辐射剂量越大和时长越多对人么的辐射潜在危害越大。
为了降低扫描检测过程中射线对目标对象的潜在危害，作为本发明的一种实施方式，本发明的实施例的根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像的方法包括：
以不同角度对目标对象进行扫描，以采集扫描投影数据。具体地，CT扫描仪器会以目标对象为中心，围绕目标对象的一周，以等间隔角度对目标对象进行扫描，并采集扫描投影数据。如此，可以有效缩短CT扫描时间，减少图像伪影并降低CT的辐射剂量，从而降低CT扫描射线对目标对象的潜在危害。
然后，采用滤波反投影的方法(Filered Back-Projection，FBP)对采集的扫描投影数据进行处理，以获取初始重建图像。但是由于采集的扫描投影数据是不完整的，初始重建图像的质量会受到很大的影响，初始重建图像会存在条纹状伪影，图像细节信息完全模糊，由于缺失部分角度范围的投影数据，初始重建图像在数据缺失方向存在伪影，信息严重缺失。
因此，为了获得较好的重建图像，本发明的实施例进一步对初始重建图像进行迭代处理。
作为本发明的一种实施方式，迭代处理顺序包括：对输入图像进行降噪优化处理；根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数；根据过渡字典和稀疏系数生成新图像块；利用各新图像块更新输入图像，以得到输出图像。
作为本发明的一种实施方式，采用下面的式子对输入图像进行降噪优化处理，
Figure PCTCN2019075580-appb-000021
其中，
Figure PCTCN2019075580-appb-000022
表示第q次迭代处理中的降噪优化处理后的输入图像，x q-1表示第q-1次迭代处理后的输出图像，β表示梯度下降的步长，Δx＝x q-1-x 0。
其中，
Figure PCTCN2019075580-appb-000023
表示TV最小化其中的梯度下降方法中的最陡下降法公式，具体地，
Figure PCTCN2019075580-appb-000024
其中，
Figure PCTCN2019075580-appb-000025
及x q-1均由n行m列的像素点组成，n＞0，m＞0，n、m为整数，
Figure PCTCN2019075580-appb-000026
表示x q-1中第i行第j列的像素点的像素值，n≥j＞0，m≥i＞0；
Figure PCTCN2019075580-appb-000027
的含义以此类推。ε表示分母中的一个很小的正数，用于避免任何奇点，优选地，0＜ε＜10 -5。
Figure PCTCN2019075580-appb-000028
表示x q-1中第i行第j列的像素点的梯度的大小，
Figure PCTCN2019075580-appb-000029
通过上述公式依次计算出降噪优化处理后的输入图像的各个像素点的像素值从而形成降噪处理后的输入图像。
进一步地，对输入图像进行降噪优化处理后，根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数。
具体地，根据降噪优化处理的输入图像的各图像块获得各图像块的过渡字典。降噪优化处理后的输入图像被按列顺序分割成j个图像块。分别计算每个图像块对应的过渡字典。进一步地，通过在图像块中随机抽取若干像素点，再计算所抽取的若干像素点中，每个抽取的像素点到图像块中的每个像素点之间的距离，选取一组到图像块中的每个像素点之间的距离最小的所抽取的像素点形成局部过渡字典。作为本发明的另一种实施方式，形成过渡字典的方法可以预先训练成字典模型，迭代计算时，将降噪优化处理的输入图像的各图像块输入字典模型可得到各图像块的过渡字典。
进一步地，获得降噪优化处理后的输入图像的各图像块和各图像块的过渡字典后，采用正交匹配追踪算法获得降噪优化处理后的输入图像的各图像块的稀疏约束系数，具体地，采用以下公式计算稀疏系数：
Figure PCTCN2019075580-appb-000030
其中，
Figure PCTCN2019075580-appb-000031
表示第q次迭代处理中的降噪优化处理后的输入图像，
Figure PCTCN2019075580-appb-000032
由n行m列的像素点组成，n＞0，m＞0，n、m为整数，
Figure PCTCN2019075580-appb-000033
被按列顺序分割成m个图像块，
Figure PCTCN2019075580-appb-000034
表示提取矩阵，用于提取
Figure PCTCN2019075580-appb-000035
的第j个图像块，m＞j＞0，j为整数；
Figure PCTCN2019075580-appb-000036
为
Figure PCTCN2019075580-appb-000037
的第j个图像块的稀疏约束系数；ρ为稀疏度限制因子；
Figure PCTCN2019075580-appb-000038
为
Figure PCTCN2019075580-appb-000039
的第j个图像块的过渡字典。
进一步地，获得降噪优化处理后的输入图像的各图像块的过渡字典和稀疏系数后，根据降噪优化处理后的输入图像的各图像块的过渡字典和稀疏系数生成新图像块，具体地，采用以下公式生成新图像块：
Figure PCTCN2019075580-appb-000040
其中，第q次迭代处理中的降噪优化处理后的输入图像由n行m列的像素点组成，n＞0，m＞0，n、m为整数，第q次迭代处理中的降噪优化处理后的输入图像被按列顺序分割成m个图像块，
Figure PCTCN2019075580-appb-000041
表示第q次迭代处理中的降噪优化处理后的输入图像的第j个新图像块，
Figure PCTCN2019075580-appb-000042
表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的过渡字典；
Figure PCTCN2019075580-appb-000043
表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的稀疏系数。
进一步地，生成各个新图像块之后，采用下面的式子更新输入图像，以获得输出图像：
Figure PCTCN2019075580-appb-000044
其中，x q表示第q次迭代处理后的输出图像，R j表示从降噪优化处理后的 输入图像中提取第j列的图像块的提取矩阵；
Figure PCTCN2019075580-appb-000045
表示R j的转置矩阵，
Figure PCTCN2019075580-appb-000046
表示对角矩阵，对角元素表示给定位置处的重叠补丁的数量。
通过N次迭代处理使得输入图像不断优化、去噪、去伪影，逼近原始图像。优选地，迭代次数的取值为：200≤N≤500。
图2是根据本发明的实施例的图像重建方法的输出图像与现有技术的图像重建方法的输出图像的对比图。
图2中，(a)为传统统计迭代方法进行图像重建的输出图像；(b)为传统统计迭代方法与机器学习结合进行图像重建的输出图像；图(c)为传统迭代方法结合惩罚项进行图像重建的输出图像；图(d)为根据本发明的实施例的图像重建方法的输出图像。为了便于观察，每幅图的左小角和右上角都选取了具有代表性的区域进行放大。
由图2可知，本发明的实施例的图像重建方法的输出图像相比其他三种现有技术的图像重建方法在去噪、去伪影方面有较大的改善，较大地提高了成像质量。
本发明通过对目标对象进行扫描而采集的扫描投影数据获取初始重建图像，并对初始图像采用降噪优化结合字典学习进行迭代处理，从而优化迭代处理的方法，获得更好的重建效果，并且本发明所需采集的数据量小，扫描时间段，可以降低扫描时射线对目标对象的潜在危害，还可以提高图像重建速度，避免出现目标对象移动所引起的伪影。
实施例二
本发明还提供了另一种实施方式，即提供一种计算机可读存储介质，所述计算机可读存储介质存储有图像重建程序，所述图像重建程序可被至少一个处理器执行，以使所述至少一个处理器执行如下步骤：
S100、根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像；
S200、对输入图像进行N次迭代处理，以获得重建图像，N≥2且N为正整数；
其中，第一次迭代处理中的输入图像为所述初始重建图像，第q次迭代处理中的输入图像为第q-1次迭代处理后的输出图像，N≥q≥2且q为正整数；
其中，所述迭代处理顺序包括：对输入图像进行降噪优化处理；根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数；根据过渡字典和稀疏系数生成新图像块；利用各新图像块更新输入图像，以得到输出图像。
上述步骤的详细说明请参阅上述第一实施例，在此不再赘述。
实施例三
本发明的第三实施例提高一种计算机设备。所述计算机设备可以是笔记本电脑等计算机设备。所述计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的检测学生专注度的程序。
其中，所述存储器至少包括一种类型的可读存储介质，用于存储安装于所述计算机设备的操作系统和各类应用软件，例如图像重建程序的程序代码等。此外，所述存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
所述处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制所述移动终端的总体操作。本实施例中，所述处理器用于运行所述存储器中存储的程序代码或者处理数据，例如运行所述图像重建程序等。
所述图像重建程序用于进行图像重建。所述图像重建程序被所述处理器执行时，实现如下步骤：
S100、根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像；
S200、对输入图像进行N次迭代处理，以获得重建图像，N≥2且N为正整数；
其中，第一次迭代处理中的输入图像为所述初始重建图像，第q次迭代处理中的输入图像为第q-1次迭代处理后的输出图像，N≥q≥2且q为正整数；
其中，所述迭代处理顺序包括：对输入图像进行降噪优化处理；根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数；根据过渡字典和稀疏系数生成新图像块；利用各新图像块更新输入图像，以得到输出图像。
本领域技术人员可以理解，所述计算机设备还可以包括其他必要部件，或者组合某些部件，或者不同的部件布置。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保 护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内
虽然已经参照特定实施例示出并描述了本发明，但是本领域的技术人员将理解：在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可在此进行形式和细节上的各种变化。

Claims (20)

  1. 一种图像重建方法，其中，所述图像重建方法包括：
    根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像；
    对输入图像进行N次迭代处理，以获得重建图像，N≥2且N为正整数；
    其中，第一次迭代处理中的输入图像为所述初始重建图像，第q次迭代处理中的输入图像为第q-1次迭代处理后的输出图像，N≥q≥2且q为正整数；
    其中，所述迭代处理顺序包括：对输入图像进行降噪优化处理；根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数；根据过渡字典和稀疏系数生成新图像块；利用各新图像块更新输入图像，以得到输出图像。
  2. 根据权利要求1所述的图像重建方法，其中，利用下面的式子对输入图像进行降噪优化处理，
    Figure PCTCN2019075580-appb-100001
    其中，
    Figure PCTCN2019075580-appb-100002
    表示第q次迭代处理中的降噪优化处理后的输入图像，x q-1表示第q-1次迭代处理后的输出图像，β表示梯度下降的步长，Δx＝x q-1-x 0。
  3. 根据权利要求1所述的图像重建方法，其中，根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数：
    根据降噪优化处理的输入图像的各图像块获得各图像块的过渡字典；
    根据降噪优化处理后的输入图像的各图像块和各图像块的过渡字典并采用以下公式获得各图像块的稀疏约束系数；
    Figure PCTCN2019075580-appb-100003
    subject to
    Figure PCTCN2019075580-appb-100004
    其中，
    Figure PCTCN2019075580-appb-100005
    表示第q次迭代处理中的降噪优化处理后的输入图像，
    Figure PCTCN2019075580-appb-100006
    由n行m列的像素点组成，n＞0，m＞0，n、m为整数，
    Figure PCTCN2019075580-appb-100007
    被按列顺序分割成m个图像块，
    Figure PCTCN2019075580-appb-100008
    表示提取矩阵，用于提取
    Figure PCTCN2019075580-appb-100009
    的第j个图像块，m＞j＞0，j为整数；
    Figure PCTCN2019075580-appb-100010
    为
    Figure PCTCN2019075580-appb-100011
    的第j个图像块的稀疏约束系数；ρ为稀疏度限制因子；
    Figure PCTCN2019075580-appb-100012
    为
    Figure PCTCN2019075580-appb-100013
    的第j个图像块的过渡字典。
  4. 根据权利要求1所述的图像重建方法，其中，根据过渡字典和稀疏系数并利用下面的式子生成新图像块，
    Figure PCTCN2019075580-appb-100014
    其中，第q次迭代处理中的降噪优化处理后的输入图像由n行m列的像素点组成，n＞0，m＞0，n、m为整数，第q次迭代处理中的降噪优化处理后的输入图像被按列顺序分割成m个图像块，
    Figure PCTCN2019075580-appb-100015
    表示第q次迭代处理中的降噪优化处理后的输入图像的第j个新图像块，
    Figure PCTCN2019075580-appb-100016
    表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的过渡字典；
    Figure PCTCN2019075580-appb-100017
    表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的稀疏系数。
  5. 根据权利要求1所述的图像重建方法，其中，根据各新图像块并利用下面的式子更新输入图像，
    Figure PCTCN2019075580-appb-100018
    其中，x q表示第q次迭代处理后的输出图像，R j表示从降噪优化处理后的输入图像中提取第j列的图像块的提取矩阵；
    Figure PCTCN2019075580-appb-100019
    表示R j的转置矩阵，
    Figure PCTCN2019075580-appb-100020
    表示对角矩阵。
  6. 根据权利要求1所述的图像重建方法，其中，进一步地，200≤N≤500。
  7. 根据权利要求1所述的图像重建方法，其中，根据对目标对象进行扫 描而采集的扫描投影数据获取初始重建图像的方法包括：
    以不同角度对目标对象进行扫描，以采集扫描投影数据；
    采用滤波反投影的方法对采集的扫描投影数据进行处理，以获取初始重建图像。
  8. 根据权利要求1所述的图像重建方法，其中，
    采用CT扫描对所述目标对象进行扫描以获取所述扫描投影数据。
  9. 一种计算机设备，其中，所述计算机设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的图像重建程序，所述图像重建程序被所述处理器执行时实现：
    根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像；
    对输入图像进行N次迭代处理，以获得重建图像，N≥2且N为正整数；
    其中，第一次迭代处理中的输入图像为所述初始重建图像，第q次迭代处理中的输入图像为第q-1次迭代处理后的输出图像，N≥q≥2且q为正整数；
    其中，所述迭代处理顺序包括：对输入图像进行降噪优化处理；根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数；根据过渡字典和稀疏系数生成新图像块；利用各新图像块更新输入图像，以得到输出图像。
  10. 根据权利要求9所述的计算机设备，其中，利用下面的式子对输入图像进行降噪优化处理，
    Figure PCTCN2019075580-appb-100021
    其中，
    Figure PCTCN2019075580-appb-100022
    表示第q次迭代处理中的降噪优化处理后的输入图像，x q-1表示第q-1次迭代处理后的输出图像，β表示梯度下降的步长，Δx＝x q-1-x 0。
  11. 根据权利要求9所述的计算机设备，其中，根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数：
    根据降噪优化处理的输入图像的各图像块获得各图像块的过渡字典；
    根据降噪优化处理后的输入图像的各图像块和各图像块的过渡字典并采用以下公式获得各图像块的稀疏约束系数；
    Figure PCTCN2019075580-appb-100023
    subject to
    Figure PCTCN2019075580-appb-100024
    其中，
    Figure PCTCN2019075580-appb-100025
    表示第q次迭代处理中的降噪优化处理后的输入图像，
    Figure PCTCN2019075580-appb-100026
    由n行m列的像素点组成，n＞0，m＞0，n、m为整数，
    Figure PCTCN2019075580-appb-100027
    被按列顺序分割成m个图像块，
    Figure PCTCN2019075580-appb-100028
    表示提取矩阵，用于提取
    Figure PCTCN2019075580-appb-100029
    的第j个图像块，m＞j＞0，j为整数；
    Figure PCTCN2019075580-appb-100030
    为
    Figure PCTCN2019075580-appb-100031
    的第j个图像块的稀疏约束系数；ρ为稀疏度限制因子；
    Figure PCTCN2019075580-appb-100032
    为
    Figure PCTCN2019075580-appb-100033
    的第j个图像块的过渡字典。
  12. 根据权利要求9所述的计算机设备，其中，根据过渡字典和稀疏系数并利用下面的式子生成新图像块，
    Figure PCTCN2019075580-appb-100034
    其中，第q次迭代处理中的降噪优化处理后的输入图像由n行m列的像素点组成，n＞0，m＞0，n、m为整数，第q次迭代处理中的降噪优化处理后的输入图像被按列顺序分割成m个图像块，
    Figure PCTCN2019075580-appb-100035
    表示第q次迭代处理中的降噪优化处理后的输入图像的第j个新图像块，
    Figure PCTCN2019075580-appb-100036
    表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的过渡字典；
    Figure PCTCN2019075580-appb-100037
    表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的稀疏系数。
  13. 根据权利要求9所述的计算机设备，其中，根据各新图像块并利用下面的式子更新输入图像，
    Figure PCTCN2019075580-appb-100038
    其中，x q表示第q次迭代处理后的输出图像，R j表示从降噪优化处理后的输入图像中提取第j列的图像块的提取矩阵；
    Figure PCTCN2019075580-appb-100039
    表示R j的转置矩阵，
    Figure PCTCN2019075580-appb-100040
    表示对角矩阵。
  14. 根据权利要求9所述的计算机设备，其中，所述图像重建程序被所述处理器执行时还实现：
    以不同角度对目标对象进行扫描，以采集扫描投影数据；
    采用滤波反投影的方法对采集的扫描投影数据进行处理，以获取初始重建图像。
  15. 一种计算机可读存储介质，其中，所述计算机可读存储介质上存储有图像重建程序，所述图像重建程序被处理器执行时实现：
    根据对目标对象进行扫描而采集的扫描投影数据获取初始重建图像；
    对输入图像进行N次迭代处理，以获得重建图像，N≥2且N为正整数；
    其中，第一次迭代处理中的输入图像为所述初始重建图像，第q次迭代处理中的输入图像为第q-1次迭代处理后的输出图像，N≥q≥2且q为正整数；
    其中，所述迭代处理顺序包括：对输入图像进行降噪优化处理；根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数；根据过渡字典和稀疏系数生成新图像块；利用各新图像块更新输入图像，以得到输出图像。
  16. 根据权利要求15所述的计算机可读存储介质，其中，利用下面的式子对输入图像进行降噪优化处理，
    Figure PCTCN2019075580-appb-100041
    其中，
    Figure PCTCN2019075580-appb-100042
    表示第q次迭代处理中的降噪优化处理后的输入图像，x q-1表示第q-1次迭代处理后的输出图像，β表示梯度下降的步长，Δx＝x q-1-x 0。
  17. 根据权利要求15所述的计算机可读存储介质，其中，
    根据降噪优化处理后的输入图像的各图像块生成各图像块对应的过渡字典和稀疏系数：
    根据降噪优化处理的输入图像的各图像块获得各图像块的过渡字典；
    根据降噪优化处理后的输入图像的各图像块和各图像块的过渡字典并采用以下公式获得各图像块的稀疏约束系数；
    Figure PCTCN2019075580-appb-100043
    subject to
    Figure PCTCN2019075580-appb-100044
    其中，
    Figure PCTCN2019075580-appb-100045
    表示第q次迭代处理中的降噪优化处理后的输入图像，
    Figure PCTCN2019075580-appb-100046
    由n行m列的像素点组成，n＞0，m＞0，n、m为整数，
    Figure PCTCN2019075580-appb-100047
    被按列顺序分割成m个图像块，
    Figure PCTCN2019075580-appb-100048
    表示提取矩阵，用于提取
    Figure PCTCN2019075580-appb-100049
    的第j个图像块，m＞j＞0，j为整数；
    Figure PCTCN2019075580-appb-100050
    为
    Figure PCTCN2019075580-appb-100051
    的第j个图像块的稀疏约束系数；ρ为稀疏度限制因子；
    Figure PCTCN2019075580-appb-100052
    为
    Figure PCTCN2019075580-appb-100053
    的第j个图像块的过渡字典。
  18. 根据权利要求15所述的计算机可读存储介质，其中，根据过渡字典和稀疏系数并利用下面的式子生成新图像块，
    Figure PCTCN2019075580-appb-100054
    其中，第q次迭代处理中的降噪优化处理后的输入图像由n行m列的像素点组成，n＞0，m＞0，n、m为整数，第q次迭代处理中的降噪优化处理后的输入图像被按列顺序分割成m个图像块，
    Figure PCTCN2019075580-appb-100055
    表示第q次迭代处理中的降噪优化处理后的输入图像的第j个新图像块，
    Figure PCTCN2019075580-appb-100056
    表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的过渡字典；
    Figure PCTCN2019075580-appb-100057
    表示第q次迭代处理中的降噪优化处理后的输入图像的第j个图像块的稀疏系数。
  19. 根据权利要求15所述的计算机可读存储介质，其中，根据各新图像块并利用下面的式子更新输入图像，
    Figure PCTCN2019075580-appb-100058
    其中，x q表示第q次迭代处理后的输出图像，R j表示从降噪优化处理后的输入图像中提取第j列的图像块的提取矩阵；
    Figure PCTCN2019075580-appb-100059
    表示R j的转置矩阵，
    Figure PCTCN2019075580-appb-100060
    表示对角矩阵。
  20. 根据权利要求15所述的计算机可读存储介质，其中，所述图像重建程序被所述处理器执行时还实现：
    以不同角度对目标对象进行扫描，以采集扫描投影数据；
    采用滤波反投影的方法对采集的扫描投影数据进行处理，以获取初始重建图像。
PCT/CN2019/075580 2018-12-14 2019-02-20 图像重建方法、计算机设备及计算机可读存储介质 Ceased WO2020118894A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811529828.0A CN109685871B (zh) 2018-12-14 2018-12-14 图像重建方法、计算机设备及计算机可读存储介质
CN201811529828.0 2018-12-14

Publications (1)

Publication Number Publication Date
WO2020118894A1 true WO2020118894A1 (zh) 2020-06-18

Family

ID=66186690

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2019/075580 Ceased WO2020118894A1 (zh) 2018-12-14 2019-02-20 图像重建方法、计算机设备及计算机可读存储介质

Country Status (2)

Country Link
CN (1) CN109685871B (zh)
WO (1) WO2020118894A1 (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488949A (zh) * 2020-12-08 2021-03-12 深圳先进技术研究院 一种低剂量pet图像还原方法、系统、设备和介质
CN113888661A (zh) * 2021-09-29 2022-01-04 纳米维景(上海)医疗科技有限公司 一种新型ct扫描定位像加载方法、存储介质及终端设备
CN116109516A (zh) * 2023-03-08 2023-05-12 西北民族大学 一种图像修复方法及系统
CN118469859A (zh) * 2024-07-11 2024-08-09 北京安吉贝玛健康科技有限公司 一种核素spect显像处理方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112085808B (zh) * 2020-09-14 2024-04-05 深圳先进技术研究院 一种ct图像重建方法、系统、设备和介质
CN113096030A (zh) * 2021-03-11 2021-07-09 珠海城市职业技术学院 基于字典学习的核磁共振成像增强方法、装置和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472419A (zh) * 2013-08-30 2013-12-25 深圳先进技术研究院 磁共振快速成像方法及其系统
CN104751429A (zh) * 2015-01-27 2015-07-01 南方医科大学 一种基于字典学习的低剂量能谱ct图像处理方法
WO2018049598A1 (zh) * 2016-09-14 2018-03-22 深圳大学 一种眼底图像增强方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472419A (zh) * 2013-08-30 2013-12-25 深圳先进技术研究院 磁共振快速成像方法及其系统
CN104751429A (zh) * 2015-01-27 2015-07-01 南方医科大学 一种基于字典学习的低剂量能谱ct图像处理方法
WO2018049598A1 (zh) * 2016-09-14 2018-03-22 深圳大学 一种眼底图像增强方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112488949A (zh) * 2020-12-08 2021-03-12 深圳先进技术研究院 一种低剂量pet图像还原方法、系统、设备和介质
CN113888661A (zh) * 2021-09-29 2022-01-04 纳米维景(上海)医疗科技有限公司 一种新型ct扫描定位像加载方法、存储介质及终端设备
CN116109516A (zh) * 2023-03-08 2023-05-12 西北民族大学 一种图像修复方法及系统
CN118469859A (zh) * 2024-07-11 2024-08-09 北京安吉贝玛健康科技有限公司 一种核素spect显像处理方法

Also Published As

Publication number Publication date
CN109685871A (zh) 2019-04-26
CN109685871B (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN109685871B (zh) 图像重建方法、计算机设备及计算机可读存储介质
CN111429379B (zh) 一种基于自监督学习的低剂量ct图像去噪方法及系统
Lee et al. Improved compressed sensing-based cone-beam CT reconstruction using adaptive prior image constraints
Zhang et al. Accurate and robust sparse‐view angle CT image reconstruction using deep learning and prior image constrained compressed sensing (DL‐PICCS)
CN101404088B (zh) Ct图像重建的方法及系统
Jia et al. GPU-based fast low-dose cone beam CT reconstruction via total variation
US20130202079A1 (en) System and Method for Controlling Radiation Dose for Radiological Applications
CN104700438B (zh) 图像重建方法及装置
Li et al. Incorporation of residual attention modules into two neural networks for low‐dose CT denoising
CN101681520A (zh) Pet局部断层摄影
CN109741254B (zh) 字典训练及图像超分辨重建方法、系统、设备及存储介质
CN111260748B (zh) 基于神经网络的数字合成x射线层析成像方法
CN109215014B (zh) Ct图像预测模型的训练方法、装置、设备及存储介质
CN106056644B (zh) Ct扫描的数据处理方法及装置
CN104821002A (zh) 计算机断层成像中图像数据的迭代重建
JP2016152916A (ja) Ｘ線コンピュータ断層撮像装置及び医用画像処理装置
CN115908610A (zh) 一种基于单模态pet图像获取衰减校正系数图像的方法
WO2025092272A1 (zh) 一种口腔cbct超低剂量成像的方法、系统及装置
Jang et al. Head motion correction based on filtered backprojection for x‐ray CT imaging
Zhang et al. Nonsmooth nonconvex LDCT image reconstruction via learned descent algorithm
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
CN113344876B (zh) 一种ct和cbct间可变形配准方法
CN121399656A (zh) 启用机器学习的区域特定病变分割
CN116342726A (zh) 基于结构增强与伪影估计的稀疏角度ct图像伪影抑制方法
Tang et al. Axial cone-beam reconstruction by weighted BPF/DBPF and orthogonal butterfly filtering

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19895378

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205A DATED 03.11.2021)

122 Ep: pct application non-entry in european phase

Ref document number: 19895378

Country of ref document: EP

Kind code of ref document: A1