CN107481297B - 一种基于卷积神经网络的ct图像重建方法 - Google Patents

一种基于卷积神经网络的ct图像重建方法 Download PDF

Info

Publication number
CN107481297B
CN107481297B CN201710767474.2A CN201710767474A CN107481297B CN 107481297 B CN107481297 B CN 107481297B CN 201710767474 A CN201710767474 A CN 201710767474A CN 107481297 B CN107481297 B CN 107481297B
Authority
CN
China
Prior art keywords
neural network
image
convolutional neural
back projection
reconstruction method
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
CN201710767474.2A
Other languages
English (en)
Other versions
CN107481297A (zh
Inventor
马建华
何基
边兆英
曾栋
黄静
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.)
Southern Medical University
Original Assignee
Southern Medical University
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 Southern Medical University filed Critical Southern Medical University
Priority to CN201710767474.2A priority Critical patent/CN107481297B/zh
Publication of CN107481297A publication Critical patent/CN107481297A/zh
Application granted granted Critical
Publication of CN107481297B publication Critical patent/CN107481297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T11/006—Inverse problem, transformation from projection-space into object-space, e.g. transform methods, back-projection, algebraic methods
    • 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
    • G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR 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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2211/00—Image generation
    • G06T2211/40—Computed tomography
    • G06T2211/421—Filtered back projection [FBP]

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Image Processing (AREA)
  • Apparatus For Radiation Diagnosis (AREA)

Abstract

一种基于卷积神经网络的CT图像重建方法，包括对原始弦图数据IK进行反投影操作，得到反投影图像数据I’K，对反投影图像数据I’K进行归一化处理，得到归一化反投影图像数据PK，将归一化反投影图像PK通过卷积神经网络进行卷积神经网络滤波，生成待处理图像P’K，对待处理图像P’K进行反归一化处理，得到最终的重建图像Pfinal。不需要对图像滤波进行特别的设计，通过对卷积神经网络模型的训练自动完成图像滤波的学习，本发明重建方法操作简单，处理方便，能够在大幅度减少图像噪声和伪影，同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。

Description

一种基于卷积神经网络的CT图像重建方法
技术领域
本发明涉及医学影像的图像重建方法技术领域，特别是涉及一种基于卷积神经网络的CT图像重建方法。
背景技术
X射线CT已经广泛应用于临床医学影像诊断，但CT扫描中过高的X射线辐射剂量存在致癌风险。如何最大限度地降低X射线使用剂量已经成为医学CT成像领域研究的关键技术。
当前，降低CT扫描过程中的管电流和扫描时间是实现低剂量CT成像的最简便且常用的途径。然而，由于降低管电流和扫描时间，使得投影数据中含有大量的噪声，基于传统的滤波反投影方法重建的图像质量存在严重的退化现象，难以满足临床诊断需要。为了在保证图像质量的前提下大幅降低X射线辐射剂量，诸多基于降低管电流和扫描时间的低剂量CT图像重建方法相继提出，例如基于统计模型的迭代重建方法和基于投影数据滤波的解析重建方法。其中，基于统计模型的迭代重建方法，通过对采集的投影数据的噪声以及成像***进行图像重建模型构建，可以实现低剂量CT图像优质重建；基于投影数据滤波的解析重建方法，同样通过对采集的投影数据的噪声以及成像***进行数据滤波建模，再通过解析重建方法实现快速且优质的低剂量CT图像重建。
基于统计模型的迭代重建方法的缺点及导致原因：在重建同样大小的CT图像时，基于统计模型的迭代重建方法所花费的时间远远大于传统的解析重建方法，不能满足临床的所需要的CT实时显像要求，其原因在于基于统计模型的迭代重建方法，需要对目标函数进行几十甚至上百次的反复迭代求解，导致图像重建时间大幅增加。
基于投影数据滤波的解析重建方法的缺点及导致原因：传统的基于投影数据滤波的解析重建方法，在投影数据降噪过程中不可避免地会导致图像原有细节信息的丢失，从而导致相应CT图像分辨率的下降。。
因此，针对现有技术不足，提供一种基于卷积神经网络的CT图像重建方法以解决现有技术不足甚为必要。
发明内容
本发明的目的在于避免现有技术的不足之处而提供一种基于卷积神经网络的CT图像重建方法，该CT图像重建方法基于级联方式X射线CT图像重建方法，处理方法操作简单，处理方便，图像精度高。
本发明的上述目的通过如下技术手段实现。
提供一种基于卷积神经网络的CT图像重建方法，包括如下步骤：
A1、对原始弦图数据IK进行反投影操作，得到反投影图像数据I’K；
A2、对反投影图像数据I’K进行归一化处理，得到归一化反投影图像数据PK；
A3、将归一化反投影图像PK通过卷积神经网络进行卷积神经网络滤波，生成待处理图像P’K；
A4、对待处理图像P’K进行反归一化处理，得到最终的重建图像Pfinal。
具体而言的，步骤A1中反投影操作是通过CT扫描机对原始弦图数据IK进行几何成像处理。
优选的，步骤A2中归一化处理的方法步骤如下：
T1、计算反投影图像数据I’K的均值XI’和方差SI’；
T2、根据式(1)计算得出归一化反投影图像数据PK：
PK＝(I’K-XI’)/SI’······式(1)。
具体而言的，步骤A3中滤波的具体操作如下：
设第s层卷积层有ns卷积核，第s层的输出特征图记为Fs，第s层的输入特征图记为Fs-1，输出特征图Fs的第i个通道记为
Figure BDA0001394371610000031
输入特征图Fs-1的第j个通道记为
Figure BDA0001394371610000032
n为自然数；
卷积神经网络的输入记为F0，卷积神经网络中第s层卷积层输出Fs与输入Fs-1之间的关系如下：
Figure BDA0001394371610000033
式(2)中，δ(·)表示输入矩阵中元素的非线性激活函数，*表示二维卷积操作，
Figure BDA0001394371610000034
为第s层卷积层中输出特征图第i个通道与输入特征图中第j个通道进行卷积的二维卷积核，
Figure BDA0001394371610000035
为第s层卷积层中用于计算输出特征图第i个通道的偏置项，S表示卷积网络中的卷积层的数目，S为自然数。
进一步的，步骤A3将步骤A2中得到的归一化反投影图像数据PK作为卷积神经网络的输入F0。
进一步的，步骤A4中的反归一化处理为步骤A2的逆操作。
优选的，步骤A4中的反归一化处理的具体方法如下：
M1、计算反待处理图像P’K的均值XP’和方差SP’；
M2、根据式(3)计算得出归一化反投影图像数据PK：
Pfinal＝P’K*SP’+XP’······式(3)。
进一步的，所述非线性激活函数δ(·)为sigmoid函数，根据式(4)计算：
δ(x)＝1/(1+e-x)，e为自然底数，······式(4)。
具体而言的，所述非线性激活函数δ(·)为双曲线正切函数，根据式(5)计算：
δ(x)＝(ex-e-x)/(ex+e-x)，其中e为自然底数，······式(5)。
优选的，所述非线性激活函数δ(·)为ReLU函数，根据式(6)计算：
Figure BDA0001394371610000041
本发明不需要对图像滤波进行特别的设计，通过对卷积神经网络模型的训练自动完成图像滤波的学习，本发明重建方法操作简单，处理方便，能够在大幅度减少图像噪声和伪影，同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。
附图说明
利用附图对本发明作进一步的说明，但附图中的内容不构成对本发明的任何限制。
图1是本发明一种基于卷积神经网络的CT图像重建方法的操作流程示意图。
图2是图1卷积神经网络滤波中的卷积神经网络构架示意图。
图3为图1中部分操作的效果图。
具体实施方式
结合以下实施例对本发明作进一步描述。
实施例1。
如图1-3所示，一种基于卷积神经网络的CT图像重建方法，包括如下步骤：
A1、对原始弦图数据IK进行反投影操作，得到反投影图像数据I’K。
步骤A1中反投影操作具体是通过CT扫描机对原始弦图数据IK进行几何成像处理。
A2、对反投影图像数据I’K进行归一化处理，得到归一化反投影图像数据PK。
步骤A2中归一化处理的方法步骤如下：
T1、计算反投影图像数据I’K的均值XI’和方差SI’。
T2、根据式(1)计算得出归一化反投影图像数据PK。
PK＝(I’K-XI’)/SI’······式(1)。
A3、将归一化反投影图像PK通过卷积神经网络进行卷积神经网络滤波，生成待处理图像P’K。
卷积神经网络具有多个卷积层，卷积神经网络的卷积层的输入和输出均称为特征图，卷积层的输入对应于输入特征图，卷积层的输出对应于输出特征图；每个特征图具有多个通道，通道数目取决于对应卷积层中的卷积核的数目。
步骤A3中滤波的具体操作如下：
设第s层卷积层有ns卷积核，第s层的输出特征图记为Fs，第s层的输入特征图记为Fs-1，输出特征图Fs的第i个通道记为
Figure BDA0001394371610000061
输入特征图Fs-1的第j个通道记为
Figure BDA0001394371610000062
n为自然数。
卷积神经网络的输入记为F0，卷积神经网络中第s层卷积层输出Fs与输入Fs-1之间的关系如下：
Figure BDA0001394371610000063
式(2)中，δ(·)表示输入矩阵中元素的非线性激活函数，*表示二维卷积操作，
Figure BDA0001394371610000064
为第s层卷积层中输出特征图第i个通道与输入特征图中第j个通道进行卷积的二维卷积核，
Figure BDA0001394371610000065
为第s层卷积层中用于计算输出特征图第i个通道的偏置项，S表示卷积网络中的卷积层的数目，S为自然数。
步骤A3将步骤A2中得到的归一化反投影图像数据PK作为卷积神经网络的输入F0。
A4、对待处理图像P’K进行反归一化处理，得到最终的重建图像Pfinal。
步骤A4中的反归一化处理为步骤A2的逆操作。
步骤A4中的反归一化处理的具体方法如下：
M1、计算反待处理图像P’K的均值XP’和方差SP’。
M2、根据式(3)计算得出归一化反投影图像数据PK。
Pfinal＝P’K*SP’+XP’······式(3)。
本发明不需要对图像滤波进行特别的设计，通过对卷积神经网络模型的训练自动完成图像滤波的学习，本发明重建方法操作简单，处理方便，能够在大幅度减少图像噪声和伪影，同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。
实施例2。
一种基于卷积神经网络的CT图像重建方法，其它特征与实施例1相同，不同之处在于：非线性激活函数δ(·)为sigmoid函数，根据式(4)计算：
δ(x)＝1/(1+e-x)，e为自然底数，······式(4)。
需要说明的是，非线性激活函数δ(·)可以根据卷积神经网络训练的目标函数和优化算法选取非线性激活函数的类型。
处理方法操作简单，处理方便，能够在大幅度减少图像噪声和和伪影的同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。
实施例3。
一种基于卷积神经网络的CT图像重建方法，其它特征与实施例1相同，不同之处在于：非线性激活函数δ(·)为双曲线正切函数，根据式(5)计算：
δ(x)＝(ex-e-x)/(ex+e-x)，其中e为自然底数，······式(5)。
需要说明的是，非线性激活函数δ(·)可以根据卷积神经网络训练的目标函数和优化算法选取非线性激活函数的类型。
处理方法操作简单，处理方便，能够在大幅度减少图像噪声和和伪影的同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。
实施例4。
一种基于卷积神经网络的CT图像重建方法，其它特征与实施例1相同，不同之处在于：非线性激活函数δ(·)为ReLU函数，根据式(6)计算：
Figure BDA0001394371610000081
需要说明的是，非线性激活函数δ(·)可以根据卷积神经网络训练的目标函数和优化算法选取非线性激活函数的类型。
处理方法操作简单，处理方便，能够在大幅度减少图像噪声和和伪影的同时较好地保持原有图像的分辨率，最终实现CT图像的优质重建。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (6)

1.一种基于卷积神经网络的CT图像重建方法，其特征在于：
包括如下步骤：
A1、对原始弦图数据IK进行反投影操作，得到反投影图像数据I’K；
A2、对反投影图像数据I’K进行归一化处理，得到归一化反投影图像数据PK；
A3、将归一化反投影图像PK通过卷积神经网络进行卷积神经网络滤波，生成待处理图像P’K；
A4、对待处理图像P’K进行反归一化处理，得到最终的重建图像Pfinal；
步骤A1中反投影操作是通过CT扫描机对原始弦图数据IK进行几何成像处理；
步骤A2中归一化处理的方法步骤如下：
T1、计算反投影图像数据I’K的均值XI’和方差SI’；
T2、根据式(1)计算得出归一化反投影图像数据PK：
PK＝(I’K-XI’)/SI’······式(1)；
步骤A4中的反归一化处理为步骤A2的逆操作，具体方法如下：
M1、计算反待处理图像P’K的均值XP’和方差SP’；
M2、根据式(3)计算得出归一化反投影图像数据PK：
Pfinal＝P’K*SP’+XP’······式(3)。
2.根据权利要求1所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A3中滤波的具体操作如下：
设第s层卷积层有ns卷积核，第s层的输出特征图记为Fs，第s层的输入特征图记为Fs-1，输出特征图Fs的第i个通道记为Fi s-1，输入特征图Fs-1的第j个通道记为Fj s-1，其中，i＝1,2,...,ns，j＝1,2,...,ns，n为自然数；
卷积神经网络的输入记为F0，卷积神经网络中第s层卷积层输出Fs与输入Fs-1之间的关系如下：
Figure FDA0002959024220000021
式(2)中，δ(·)表示输入矩阵中元素的非线性激活函数，*表示二维卷积操作，
Figure FDA0002959024220000022
为第s层卷积层中输出特征图第i个通道与输入特征图中第j个通道进行卷积的二维卷积核，
Figure FDA0002959024220000023
为第s层卷积层中用于计算输出特征图第i个通道的偏置项，S表示卷积网络中的卷积层的数目，S为自然数。
3.根据权利要求2所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：步骤A3将步骤A2中得到的归一化反投影图像数据PK作为卷积神经网络的输入F0。
4.根据权利要求3所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：所述非线性激活函数δ(·)为sigmoid函数，根据式(4)计算：
δ(x)＝1/(1+e-x)，e为自然底数，······式(4)。
5.根据权利要求3所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：所述非线性激活函数δ(·)为双曲线正切函数，根据式(5)计算：
δ(x)＝(ex-e-x)/(ex+e-x)，其中e为自然底数，······式(5)。
6.根据权利要求3所述的一种基于卷积神经网络的CT图像重建方法，其特征在于：所述非线性激活函数δ(·)为ReLU函数，根据式(6)计算：
Figure FDA0002959024220000031
CN201710767474.2A 2017-08-31 2017-08-31 一种基于卷积神经网络的ct图像重建方法 Active CN107481297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710767474.2A CN107481297B (zh) 2017-08-31 2017-08-31 一种基于卷积神经网络的ct图像重建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710767474.2A CN107481297B (zh) 2017-08-31 2017-08-31 一种基于卷积神经网络的ct图像重建方法

Publications (2)

Publication Number Publication Date
CN107481297A CN107481297A (zh) 2017-12-15
CN107481297B true CN107481297B (zh) 2021-06-15

Family

ID=60603092

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710767474.2A Active CN107481297B (zh) 2017-08-31 2017-08-31 一种基于卷积神经网络的ct图像重建方法

Country Status (1)

Country Link
CN (1) CN107481297B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019128660A1 (zh) * 2017-12-29 2019-07-04 清华大学 训练神经网络的方法和设备、图像处理方法和设备以及存储介质
US10709394B2 (en) * 2018-01-15 2020-07-14 Siemens Healthcare Gmbh Method and system for 3D reconstruction of X-ray CT volume and segmentation mask from a few X-ray radiographs
CN108564553A (zh) * 2018-05-07 2018-09-21 南方医科大学 基于卷积神经网络的低剂量ct图像噪声抑制方法
EP3833258A4 (en) * 2018-08-06 2022-05-11 Vanderbilt University DEEP LEARNING-BASED METHOD FOR METAL REDUCTION IN CT IMAGES AND APPLICATIONS THEREOF
CN109171792B (zh) * 2018-09-29 2022-06-07 江苏一影医疗设备有限公司 成像方法及使用该成像方法的ct成像***
CN109509235B (zh) * 2018-11-12 2021-11-30 深圳先进技术研究院 Ct图像的重建方法、装置、设备及存储介质
CN110097611B (zh) * 2019-04-28 2023-09-22 上海联影智能医疗科技有限公司 图像重建方法、装置、设备及存储介质
CN110503699A (zh) * 2019-07-01 2019-11-26 天津大学 一种ct投影路径减少情况下的ct图像重建方法
US10970885B2 (en) 2019-07-31 2021-04-06 General Electric Company Iterative image reconstruction
CN110544282B (zh) * 2019-08-30 2022-03-29 清华大学 基于神经网络的三维多能谱ct重建方法和设备及存储介质
CN110717954B (zh) * 2019-09-27 2023-09-26 东软医疗***股份有限公司 图像重建方法及装置、电子设备、存储介质
CN111223161B (zh) * 2020-01-02 2024-04-12 京东科技控股股份有限公司 一种图像重建方法、装置及存储介质
CN111311531B (zh) * 2020-01-22 2024-03-08 东软医疗***股份有限公司 图像增强方法、装置、控制台设备及医学成像***
CN111325695B (zh) * 2020-02-29 2023-04-07 深圳先进技术研究院 基于多剂量等级的低剂量图像增强方法、***及存储介质
CN111627082B (zh) * 2020-05-21 2022-06-21 浙江大学 基于滤波反投影算法和神经网络的pet图像重建方法
CN113781461A (zh) * 2021-09-16 2021-12-10 人工智能与数字经济广东省实验室(广州) 一种病人智能监控排序方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080094408A1 (en) * 2006-10-24 2008-04-24 Xiaoqin Yin System and Method for Geometry Graphics Processing
CN105447866A (zh) * 2015-11-22 2016-03-30 南方医科大学 基于卷积神经网络的x线胸片骨抑制处理方法
CN106373109B (zh) * 2016-08-31 2018-10-26 南方医科大学 一种医学图像模态合成的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
1.3图像对象描述概述;代小红;《基于机器视觉的数字图像处理与识别研究》;20120331;参见第10页 *
2.4 图像重建算法;李海青;《智能型检测仪表及控制装置》;19980930;参见第55-61页 *

Also Published As

Publication number Publication date
CN107481297A (zh) 2017-12-15

Similar Documents

Publication Publication Date Title
CN107481297B (zh) 一种基于卷积神经网络的ct图像重建方法
Hu et al. Artifact correction in low‐dose dental CT imaging using Wasserstein generative adversarial networks
CN111325686B (zh) 一种基于深度学习的低剂量pet三维重建方法
US11120582B2 (en) Unified dual-domain network for medical image formation, recovery, and analysis
Heinrich et al. Residual U-net convolutional neural network architecture for low-dose CT denoising
La Riviere et al. Reduction of noise-induced streak artifacts in X-ray computed tomography through spline-based penalized-likelihood sinogram smoothing
US7187794B2 (en) Noise treatment of low-dose computed tomography projections and images
US8571287B2 (en) System and method for iterative image reconstruction
Van Slambrouck et al. Metal artifact reduction in computed tomography using local models in an image block‐iterative scheme
WO2020098134A1 (zh) Ct图像的重建方法、装置、设备及存储介质
Yuan et al. Half2Half: deep neural network based CT image denoising without independent reference data
CN106683144A (zh) 一种图像迭代重建方法及装置
US11935160B2 (en) Method of generating an enhanced tomographic image of an object
KR102094599B1 (ko) 뉴럴 네트워크를 이용한 내부 전산단층 촬영 영상 처리 방법 및 그 장치
CN109741254B (zh) 字典训练及图像超分辨重建方法、***、设备及存储介质
Tao et al. VVBP-tensor in the FBP algorithm: its properties and application in low-dose CT reconstruction
CN113870138A (zh) 基于三维U-net的低剂量CT图像去噪方法及***
CN110070510A (zh) 一种基于vgg-19提取特征的cnn医学图像降噪方法
Kim et al. Convolutional neural network–based metal and streak artifacts reduction in dental CT images with sparse‐view sampling scheme
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
Park et al. Denoising of pediatric low dose abdominal CT using deep learning based algorithm
Ikuta et al. A deep recurrent neural network with FISTA optimization for CT metal artifact reduction
CN112116677B (zh) 一种基于低维流形先验的低剂量ct重建方法
KR20220073156A (ko) 딥 러닝 기반의 제한각도 컴퓨터 단층촬영상 재구성 시스템
Choi et al. Statistical image restoration for low-dose CT using convolutional neural networks

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