CN116183647A - 一种物质识别方法 - Google Patents
一种物质识别方法 Download PDFInfo
- Publication number
- CN116183647A CN116183647A CN202310168251.XA CN202310168251A CN116183647A CN 116183647 A CN116183647 A CN 116183647A CN 202310168251 A CN202310168251 A CN 202310168251A CN 116183647 A CN116183647 A CN 116183647A
- Authority
- CN
- China
- Prior art keywords
- atomic number
- decomposition
- substance
- effective atomic
- electron density
- 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
- 239000000126 substance Substances 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 73
- 238000003384 imaging method Methods 0.000 claims abstract description 14
- 230000009977 dual effect Effects 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims description 22
- 239000000463 material Substances 0.000 claims description 19
- 230000005855 radiation Effects 0.000 claims description 9
- 238000010521 absorption reaction Methods 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 238000002083 X-ray spectrum Methods 0.000 claims description 4
- 239000012491 analyte Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 abstract 1
- 238000011002 quantification Methods 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 229920003229 poly(methyl methacrylate) Polymers 0.000 description 3
- 239000004926 polymethyl methacrylate Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004800 polyvinyl chloride Substances 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 239000004809 Teflon Substances 0.000 description 1
- 229920006362 Teflon® Polymers 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 229920001343 polytetrafluoroethylene Polymers 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/227—Measuring photoelectric effect, e.g. photoelectron emission microscopy [PEEM]
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提出了一种物质识别方法,本方法基于双效应的物质分解,用两种或多物质进行标定,提高了物质分解的准确度,通过自适应的参数确定方法,获得更准确的原子序数估计的物理模型。本发明分为经验双效应物质分解和自适应的有效原子序数估计两部分,其中经验双效应物质分解,通过多种标准模体的标定,对投影数据进行多项式组合并在图像域进行约束来实现分解参数的确定和电子密度的估计;有效原子序数估计通过已知标准模体的标定,建立一个自适应的有效原子序数估计模型,实现成像物质的有效原子序数的估计。本发明通过自适应物质分解算法,在不同能量下针对不同类的物质均能实现较准确的电子密度和有效原子序数估计,提高了物质识别的精度。
Description
技术领域
本发明属于能谱CT图像处理领域,具体涉及一种物质识别方法。
背景技术
CT技术已经在各个领域得到广泛应用,但是目前以获得物体内部的三维结构信息为主,物质分解和有效原子序数识别是CT发展的重要方向,在医学诊断,安全检查等研究中都有明确的需求。
CT重建的线性衰减系数是一个与射线能量、物质密度和原子序数相关的物理量,因此,不同物质可能由于其物质密度和原子序数均不同而表现为相同的线性衰减系数值,通过采集两组及以上不同能量的X射线,可以分别重建出不同物质的密度和原子序数分布,消除了普通CT图像中可能存在的歧义,实现物质的识别。
在当前的X射线仪器中,为了采集多个X射线能量的衰减数据,通常采用双光源双探测器的成像结构或者瞬时切换管电压等成像方法,以上几种成像方式存在能谱分辨能力差的问题,会导致重建中的噪声过大,且只能实现双能量成像。采用新型光子计数探测器X射线成像方法,光子计数探测器利用能量识别装置实现光子能量与设定阈值的比较,并对大于阈值的光子进行计数,最终得到不同能量段的光子数量。与能量积分探测器相比,光子计数探测器可以通过设置一个合适的阈值来消除暗电流噪声,提高图像的信噪比。此外,光子技术探测器可以自由设置多个阈值,而且不存在相位匹配的问题。
通过CT获取的线性衰减系数是一个与射线能量、物质密度和原子序数相关的物理量,普通CT不能区分原子序数和密度造成衰减的差异。1976年R.Alvarez等人最先提出了双能CT,通过采集两组不同能量下的射线穿过物质的衰减强度,可以分别重建出不同物质的密度分布,实现了物质分解。物质的线性衰减系数μ(E,r)是光子能量E和位置r的函数,可以展开为i个基函数的线性组合:
当fi(E)表示基物质的质量衰减系数,那么分解系数ai(r)表示各个基物质的密度分布,若fi(E)表示康普顿效应和光电效应的贡献,那么分解系数ai(r)将代表这些效应的横截面。物质分解的关键在于求解分解系数ai(r)。
目前,物质分解算法可分为三类:前处理算法、后处理算法和迭代算法。后处理算法首先分别重建每个能区的横断面图像,然后对重建的CT图像进行分解。这种算法的缺点是有较强的硬化伪影和较低的精度。迭代算法通过非线性优化直接求解基函数的空间分布,可以得到与能量无关的CT图像,可以抑制硬化伪影,提高图像质量,但这类算法存在计算复杂、实现困难、计算速度慢等问题。预处理算法在投影域进行材料分解,利用分解后的投影图像进行重建。这种方法能够正确模拟穿透物体的X射线光谱的硬化来消除硬化,获得更好的图像质量,但这类算法需要所有能区所采集的射线路径相同。针对不同的研究对象,有不同的原子序数估计模型,对于参数m做出了不同的假设。但在实际的检测中,针对未知样品,无法实现有针对性的选择合适有效原子序数估计模型,会影响物质识别的精度。
Stenner等人受到经验杯状伪影校正(empirical cupping correction,ECC)方法的启发提出了经验双能量校准(empirical dual energy calibration,EDEC)方法,该方法通过在投影域中对多能投影数据进行多项式组合,并在图像域中对组合的多项式图像进行约束来求解分解系数ai(r)。通过物质分解得到的ai(r)可以进行有效原子序数的估计,进而实现物质识别。
发明内容
为解决上述技术问题,本发明提出了一种物质识别方法,该方法可以用两种或多物质进行标定,提高了物质分解的准确度,本方法基于双效应的物质分解,可实现电子密度的估计,并通过自适应的参数确定方法,获得更准确的原子序数估计的物理模型,提高了物质识别的精度。本发明提出了一种物质识别方法,分为经验双效应物质分解和自适应的原子序数估计两部分,其中物质分解通过对投影数据进行多项式组合并在图像域进行约束来实现多项式系数的确定,通过多种标准模体的标定,提高经验性物质分解的准确性。该方法可实现电子密度和有效原子序数的估计,通过自适应的有效原子序数估计模型,能够实现更准确的有效原子序数估计,提高了物质识别的精度。本发明结合光子计数能谱CT,采集的不同X射线能量的数据可以完全匹配,可以用前处理算法进行物质分解。
为达到上述目的,本发明采用如下技术方案:
一种物质识别方法,包括如下步骤:
步骤(1)进行经验双效应物质分解,通过多种标准模体的标定,对投影数据进行多项式组合并在图像域进行约束来实现分解参数的确定和电子密度的估计;
步骤(2)进行有效原子序数估计,通过已知标准模体的标定,建立自适应的有效原子序数估计模型,实现成像物质的有效原子序数的估计。
进一步地,所述步骤(1)包括:
在能谱CT中,线性衰减系数展开成多个基函数的线性组合:
其中,基函数fi(E)是能量相关的,分解系数ai(r)表示基函数的空间分布,是位置相关的,E为射线能量,r是图像矩阵的像素位置,I表示基函数数量。
进一步地,所述步骤(1)包括:
所述基函数是光电效应的总光电吸收截面和康普顿散射截面随能量的变化关系,这种分解形式为双效应分解;
能量小于511keV的X射线与物质的相互作用包括光电效应和康普顿散射:
所述光电效应的总光电吸收截面为:
其中,Zeff是原子序数,E是射线能量,k1是一个常数;
所述康普顿散射截面为:
其中,k2是一个常数,fKN(α)表示能量相关量:
物质的线性衰减系数展开为:
进一步地,所述步骤(1)中的所述物质分解包括求解分解系数αi(r),射线穿过物质的衰减表达为不同能量下的衰减的加权平均:
其中,Emin表示射线最小能量,Emax表示射线最大能量;
其中,Ai表示分解系数的线积分:
Ai=∫lai(r)dr=Rai(r) (9)
其中,S(E)表示X射线光谱,D(E)表示探测器响应,R表示二维radom变换算子;
对于投影域的物质分解,首先求解射线l对应的分解系数的线积分Ai,然后通过线性CT重建算法求解分解系数ai(r);通过高阶多项式建立从衰减投影到分解系数线积分之间的关系:
分解系数的线积分的重建为:
多项式的系数通过测量多组标准模体进行最小二乘拟合来估计:
其中,c表示多项式系数集合,r是图像矩阵的像素位置;ti(r)为标准模板。
进一步地,在所述双效应分解中,以标定材料的有效原子序数和电子密度作为先验知识,标准模板ti(r)为:
其中,m表示光电效应中的一个参数,ρei和Zeff,i分别表示标定模体的第i个组成物质的电子密度和有效原子序数,通过经验双效应分解可以实现分解参数的确定和电子密度的估计;
进一步地,在医学诊断、生物研究、安全检查等CT应用中,光电效应中的参数m取值在3-4之间,通过物质的线性衰减系数和电子密度、原子序数数值,可以计算不同物质在不同能量下对应的m值,并获得m=f(Zeff)的离散函数,并通过拟合获得m=f(Zeff)的连续函数。
有益效果:
本发明提出了一种物质识别方法,该方法通过多种标准模体进行标定,提高经验性物质分解的准确性。该方法基于双效应模型,提出一种自适应双效应物质分解算法,获得更准确的原子序数估计和电子密度的估计,提高了物质识别的精度,解决了之前物质分解方法中低原子序数的元素识别不准确的问题。
附图说明
图1为采用本发明的物质识别方法的成像结果示意图;其中,(a)为标定模体成像结果,(b)为测试模体成像结果,(c)为通过物质分解定量获得的电子密度图像,(d)为通过物质分解定量获得的有效原子序数图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
线性衰减系数是与射线能量,物质密度以及原子序数相关的物理量,在能谱CT中,线性衰减系数可以展开成多个基函数的线性组合:
其中,基函数fi(E)是能量相关的,分解系数ai(r)是位置相关的,最为常见一组基函数是光电效应和康普顿散射截面随能量的变化关系,也就是“双效应分解”。其中,E为射线能量,r是图像矩阵的像素位置,I表示基函数数量。
能量小于511keV的X射线与物质的相互作用主要是光电效应和康普顿散射:
光电效应的总光电吸收截面为:
其中,Zeff是原子序数,E是射线能量,k1是一个常数。
康普顿散射截面是:
其中,k2是一个常数,fKN(α)表示能量相关量:
因此物质的线性衰减系数可展开为:
物质分解的关键在于求解分解系数ai(r),射线穿过物质的衰减可以表达为不同能量下的衰减的加权平均:
Emin表示射线最小能量,Emax表示射线最大能量。
其中,Ai表示分解系数的线积分:
其中,S(E)表示X射线光谱,D(E)表示探测器响应,R表示二维radom变换算子,对于投影域的物质分解,首先要求射线l对应的Ai,然后通过线性CT重建算法(如滤波反投影,迭代重建等)来求分解系数ai(r)。通过高阶多项式建立从衰减投影到分解系数的线积分之间的关系:
基函数强度的线积分的重建为:
多项式的系数通过测量多组标准模体进行最小二乘拟合来估计:
其中,c表示多项式系数集合,r是图像矩阵的像素位置。
在双效应分解中,以标定材料的有效原子序数和电子密度作为先验知识,标准模板ti(r)为:
其中,m表示光电效应中的一个参数,ρei和Zeff,i分别表示标定模体的第i个组成物质的电子密度和有效原子序数。
在医学诊断、生物研究、安全检查等CT应用中,光电效应中的参数m取值在3-4之间,是一个与能量和有效原子序数相关的数值。根据线性衰减系数值和给定物质(电子密度和有效原子序数是先验已知的),可以获得不同物质在不同能量下对应的m值,并获得m=f(Zeff)的离散函数,并通过拟合获得m=f(Zeff)的连续函数。
在不同能量下,参数m随有效原子序数均呈现幂函数变化的规律,因此本发明提出一种自适应调整参数m的方法,针对不同的物质计算获得不同的参数m,进而使得有效原子序数的估计模型更加准确。在通过物质分解获得电子密度ρe和之后,通过幂函数拟合来估计未知样品的参数m进而实现有效原子序数的估计:
应用示例:
测试实验用的圆柱形碳(C)、水(Water)和铝(Al)模体作为标定物,对/>的圆柱形聚甲基丙烯酸甲酯(PMMA),聚四氟乙烯(Teflon)和聚氯乙烯(PVC)模体进行物质分解和有效原子序数定量。成像的最高电压为120KVp,光子计数探测器的两个阈值分别设置为45keV和75keV,从而获得45-75keV和75-120keV两个能区的数据。
图1显示了标定模体、测试模体、电子密度以及有效原子序数的成像结果,其中,图1中的(a)为标定模体成像结果,图1中的(b)为测试模体成像结果,图1中的(c)为通过物质分解定量获得的电子密度图像,图1中的(d)为通过物质分解定量获得的有效原子序数图像。表1展示了有效原子序数和电子密度的定量结果与误差,可以看到,本发明的定量结果对于低原子序数的物质(PMMA,Teflon)以及中原子序数物质(PVC)的定量误差均在5%以内,均可以很好的实现物质的识别。
表1有效原子序数和电子密度的定量结果及百分误差
本发明提出一种物质识别方法,该方法通过多种标定模体的标定,提高了物质分解的准确性。本发明可以用两种以上(包括两种)标定物标定,实现电子密度和有效原子序数的估计。本发明提出一种自适应的有效原子序数估计模型,提高了物质识别的精度。本发明针对不同种类的物质均可实现较准确的电子密度和有效原子序数的估计;可应用于包括但不限于各种双能CT以及能谱CT设备;适用于医学成像应用、安全检查应用及无损检测应用等。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种物质识别方法,其特征在于,包括如下步骤:
步骤(1)进行经验双效应物质分解,通过多种标准模体的标定,对投影数据进行多项式组合并在图像域进行约束来实现分解参数的确定和电子密度的估计;
步骤(2)进行有效原子序数估计,通过已知标准模体的标定,建立自适应的有效原子序数估计模型,实现成像物质的有效原子序数的估计。
3.根据权利要求2所述的一种物质识别方法,其特征在于,所述步骤(1)包括:
所述基函数是光电效应的总光电吸收截面和康普顿散射截面随能量的变化关系,这种分解形式为双效应分解;
在医学诊断、生物研究、安全检查CT应用中,X射线与物质的相互作用包括光电效应和康普顿散射:
所述光电效应的总光电吸收截面为:
其中,Zeff是原子序数,E是射线能量,k1是一个常数;
所述康普顿散射截面为:
其中,k2是一个常数,fKN(α)表示能量相关量:
物质的线性衰减系数展开为:
4.根据权利要求3所述的一种物质识别方法,其特征在于,所述步骤(1)中的所述物质分解包括求解分解系数ai(r),射线穿过物质的衰减表达为不同能量下的衰减的加权平均:
其中,Emin表示射线最小能量,Emax表示射线最大能量;
其中,Ai表示分解系数的线积分:
Ai=∫lai(r)dr=Rai(r) (9)
其中,S(E)表示X射线光谱,D(E)表示探测器响应,R表示二维radom变换算子;
对于投影域的物质分解,首先求解射线l对应的分解系数的线积分Ai,然后通过线性CT重建算法求解分解系数ai(r);通过高阶多项式建立从衰减投影到分解系数线积分之间的关系:
分解系数的线积分的重建为:
多项式的系数通过测量多组标准模体进行最小二乘拟合来估计:
其中,c表示多项式系数集合,r是图像矩阵的像素位置;ti(r)为标准模板。
6.根据权利要求5所述的一种物质识别方法,其特征在于,在医学诊断、生物研究、安全检查CT应用中,光电效应中的参数m取值在3-4之间,通过物质的线性衰减系数和电子密度、原子序数数值,可以计算不同物质在不同能量下对应的m值,并获得m=f(Zeff)的离散函数,并通过拟合获得m=f(Zeff)的连续函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310168251.XA CN116183647A (zh) | 2023-02-27 | 2023-02-27 | 一种物质识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310168251.XA CN116183647A (zh) | 2023-02-27 | 2023-02-27 | 一种物质识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116183647A true CN116183647A (zh) | 2023-05-30 |
Family
ID=86450360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310168251.XA Pending CN116183647A (zh) | 2023-02-27 | 2023-02-27 | 一种物质识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116183647A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117347396A (zh) * | 2023-08-18 | 2024-01-05 | 北京声迅电子股份有限公司 | 基于XGBoost模型的物质种类识别方法 |
-
2023
- 2023-02-27 CN CN202310168251.XA patent/CN116183647A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117347396A (zh) * | 2023-08-18 | 2024-01-05 | 北京声迅电子股份有限公司 | 基于XGBoost模型的物质种类识别方法 |
CN117347396B (zh) * | 2023-08-18 | 2024-05-03 | 北京声迅电子股份有限公司 | 基于XGBoost模型的物质种类识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Le et al. | Least squares parameter estimation methods for material decomposition with energy discriminating detectors | |
Zhao et al. | Tight‐frame based iterative image reconstruction for spectral breast CT | |
Roessl et al. | Sensitivity of Photon-Counting Based ${\rm K} $-Edge Imaging in X-ray Computed Tomography | |
Cai et al. | A full‐spectral Bayesian reconstruction approach based on the material decomposition model applied in dual‐energy computed tomography | |
Le et al. | Segmentation and quantification of materials with energy discriminating computed tomography: A phantom study | |
JP6925868B2 (ja) | X線コンピュータ断層撮影装置及び医用画像処理装置 | |
JP2018140165A (ja) | 医用画像生成装置 | |
US20190213715A1 (en) | System and method for controlling noise in multi-energy computed tomography images based on spatio-spectral information | |
JP2020099667A (ja) | X線ctシステム及び方法 | |
Zhang et al. | Noise correlation in CBCT projection data and its application for noise reduction in low‐dose CBCT | |
Panta et al. | First human imaging with MARS photon-counting CT | |
Zhang et al. | A practical reconstruction method for dual energy computed tomography | |
US11116470B2 (en) | Beam hardening correction in x-ray dark-field imaging | |
JP6793469B2 (ja) | データ処理装置、x線ct装置及びデータ処理方法 | |
Bornefalk et al. | Theoretical comparison of the iodine quantification accuracy of two spectral CT technologies | |
CN116183647A (zh) | 一种物质识别方法 | |
He et al. | Energy-discriminative performance of a spectral micro-CT system | |
Jumanazarov et al. | Material classification using basis material decomposition from spectral X-ray CT | |
CN114901148A (zh) | 用于生成光子计数光谱图像数据的设备 | |
Ma et al. | Variance estimation of X-ray CT sinogram in radon domain | |
Aootaphao et al. | Experiment-based scatter correction for cone-beam computed tomography using the statistical method | |
WO2022049039A1 (en) | Spectral x-ray material decomposition method | |
Tsai et al. | Filter-based energy-resolved X-ray computed tomography with a clinical imager | |
Schmidt et al. | Constrained one‐step material decomposition reconstruction of head CT data from a silicon photon‐counting prototype | |
Persson | Reconstruction of spectral CT images |
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 |