[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108961237B - 一种基于卷积神经网络的低剂量ct图像分解方法 - Google Patents

一种基于卷积神经网络的低剂量ct图像分解方法 Download PDF

Info

Publication number
CN108961237B
CN108961237B CN201810706749.6A CN201810706749A CN108961237B CN 108961237 B CN108961237 B CN 108961237B CN 201810706749 A CN201810706749 A CN 201810706749A CN 108961237 B CN108961237 B CN 108961237B
Authority
CN
China
Prior art keywords
image
dose
low
neural network
convolutional neural
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
CN201810706749.6A
Other languages
English (en)
Other versions
CN108961237A (zh
Inventor
亢艳芹
刘进
刘涛
章平
朱巾亭
张凯杰
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.)
Anhui Polytechnic University
Original Assignee
Anhui Polytechnic 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 Anhui Polytechnic University filed Critical Anhui Polytechnic University
Priority to CN201810706749.6A priority Critical patent/CN108961237B/zh
Publication of CN108961237A publication Critical patent/CN108961237A/zh
Application granted granted Critical
Publication of CN108961237B publication Critical patent/CN108961237B/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
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0012—Biomedical image inspection
    • 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
    • G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
    • 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
    • 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
    • G06T2207/20081—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
    • G06T2211/416—Exact reconstruction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Apparatus For Radiation Diagnosis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于卷积神经网络的低剂量CT图像分解方法，属于X射线计算机断层成像技术领域。本发明包括以下步骤：步骤1、分别重建出训练图像：低剂量CT图像
Figure DDA0001711971700000011
和常规剂量CT图像
Figure DDA0001711971700000012
将低剂量CT图像
Figure DDA0001711971700000013
和常规剂量CT图像
Figure DDA0001711971700000014
相减以获得噪声伪影图像
Figure DDA0001711971700000015
步骤2、构建低剂量CT图像
Figure DDA0001711971700000016
与噪声伪影图像Ns之间的映射卷积神经网络；步骤3、使用一定量低剂量CT图像
Figure DDA0001711971700000017
与相应的噪声伪影图像Ns对己构建好的卷积神经网络进行训练；步骤4、利用训练好的卷积神经网络处理选定的低剂量CT图像
Figure DDA0001711971700000018
实现选定的低剂量CT图像
Figure DDA0001711971700000019
中解剖结构成分与噪声伪影结构成分的分解。本发明提供了一种能够有效分离低剂量CT图像中星条状伪影噪声和结构特征的方法。

Description

一种基于卷积神经网络的低剂量CT图像分解方法
技术领域
本发明涉及低剂量CT图像的分解方法，尤其涉及一种基于卷积神经网络的低剂量CT图像分解方法，属于X射线计算机断层成像技术领域。
背景技术
作为一种临床成像技术，X射线计算机断层成像(X-ray Computer Tomography，CT)以其空间分辨率高、成本低的优势，在疾病筛选、诊断、急救、介入治疗及疗效监督中广泛使用，是目前常规有效的临床医学诊断工具之一。然而过量X射线照射可能诱发癌症、白血病或增加其它生理性风险，因此CT中的辐射问题也越来越受到人们重视。然而，降低辐射剂量会使重建的图像质量急剧退化，图像中的斑点噪声和条状伪影影响了临床分析和诊断。如何在保证图像质量的基础上，以最低的辐射剂量获得最佳的CT诊断影像已成为行业共识。
当前提高低剂量CT图像质量的方法主要分为两大类：基于投影空间数据处理和基于图像空间数据处理。基于投影空间数据处理的方法主要通过对低剂量CT投影数据的校正，恢复复原和去噪是为重建提供更准确、噪声更少的投影数据，以提高其重建的质量，如自适应滤波和双边滤波等。直接通过图像空间处理技术来提高已重建的低剂量图像质量，具有不依赖原始投影数据和处理速度快的优点，通常使用非线性的处理方法进行，如全变差(Total Variation)，小波(Wavelet)变换方法通过保持图像边缘信息来去除伪影及噪声，然而此类方法忽略了图像中重要的非局部性质，也难以达到满意的效果；再如基于字典学习的稀疏表示图像处理算法，这种方法通过训练得到一组过完备字典(基)，使伪影及噪声得不到较好的表示，实现去除伪影及噪声的目的，但处理时间过长。随着大数据集、大样本的普遍，深度学习在工业界及学术界都受到了广泛的关注，也逐渐应用于CT图像领域中。如Chen等人采用了一种残差编码网络，大幅度降低了CT图像中的噪声伪影，提高了肿瘤病变组织的识别率。
现有技术中，基于字典学习的稀疏表示方法已经被证明在低剂量腹部CT图像处理中具有较好的效果，剂量在常规剂量的五分之一以下，能够获得较高的图像质量。但是这种方法需要训练不同方向的高频细节图像，计算量过大且耗时，难以在实际三维医疗图像处理系统中广泛应用。为了有效抑制三维伪影及噪声，中国专利申请2015105909015提出了一种基于三维区别性特征表示的低剂量CT图像分解方法，其利用特征字典和伪影及噪声字典组成的三维区别性字典来表示临床低剂量CT图像，得到特征字典表示的特征图像和伪影及噪声字典表示的伪影及噪声图像，从而实现低剂量CT图像的分解，能够有效滤除低剂量三维CT图像内的伪影及噪声，但是这种方法容易把低剂量条件下CT图像中较强的星条状或者块状伪影理解成图像的结构信息，从而无法对其进行有效的抑制，在低剂量星条状伪影严重的条件下，容易在最终的CT图像中引入块状伪影。
综上所述，如何克服现有低剂量CT图像处理方法中存在的不能有效分离星条状伪影和噪声的问题，是现有技术中亟需解决的难题。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知的现有技术。
发明内容
1.发明要解决的技术问题
本发明的目的在于克服现有低剂量CT图像处理方法中存在的不能有效分离星条状伪影和噪声的问题，利用卷积神经网络的方法，提出了一种能够有效分离低剂量CT图像中星条状伪影噪声和结构特征的神经网络，称为噪声伪影分离卷积神经网络(Noise-artifact Separation Convolutional Neural Network，NaSCNN)。
2.技术方案
为达到上述目的，本发明提供的技术方案为：
本发明的基于卷积神经网络的低剂量CT图像分解方法，包括以下步骤：
步骤1、分别获得若干组匹配的低剂量CT投影数据和常规剂量的CT投影数据，并分别重建出相应的训练图像：低剂量CT图像
Figure BDA0001711971680000021
和常规剂量CT图像
Figure BDA0001711971680000022
将低剂量CT图像
Figure BDA0001711971680000023
和常规剂量CT图像
Figure BDA0001711971680000024
相减以获得噪声伪影图像
Figure BDA0001711971680000025
步骤2、构建低剂量CT图像
Figure BDA0001711971680000026
与噪声伪影图像Ns之间的映射卷积神经网络；
步骤3、使用一定量低剂量CT图像
Figure BDA0001711971680000031
与相应的噪声伪影图像Ns对已构建好的卷积神经网络进行训练；
步骤4、利用训练好的卷积神经网络处理选定的低剂量CT图像
Figure BDA0001711971680000032
实现选定的低剂量CT图像
Figure BDA0001711971680000033
中解剖结构成分与噪声伪影结构成分的分解。
作为本发明更进一步的改进，步骤1中，低剂量CT图像
Figure BDA0001711971680000034
是通过解析的FBP重建算法获得，常规剂量CT图像
Figure BDA0001711971680000035
是通过迭代的TV(Total Variation)重建算法获得。
作为本发明更进一步的改进，步骤2中，卷积神经网络包含以下三种卷积模块：CBR模块、分支模块和残差模块。
作为本发明更进一步的改进，CBR模块为卷积、尺度变换和ReLU激活函数操作的组合；分支模块是两个并联的分支之和，第一个分支为两个卷积操作，第二个分支为卷积、尺度变换和ReLU激活函数操作的组合；残差模块为两个串联的尺度变换、ReLU激活函数和卷积操作，与一个卷积操作之和。
作为本发明更进一步的改进，步骤3中，将低剂量CT图像
Figure BDA0001711971680000036
输入卷积神经网络中，输出噪声伪影预测图像
Figure BDA0001711971680000037
通过训练来来更新卷积神经网络中的参数，以降低卷积神经网络输出的噪声伪影预测图像
Figure BDA0001711971680000038
与实际相应的噪声伪影图像Ns的均方误差，当训练周期前后的均方误差变化小于0.1％时，训练结束。作为本发明更进一步的改进，步骤4中，将选定的低剂量CT图像Vt ld输入训练完成的卷积神经网络中，得到基于该选定的低剂量CT图像Vt ld的噪声伪影预测图像
Figure BDA0001711971680000039
和解剖结构成分图像Vt p。
作为本发明更进一步的改进，步骤4中，解剖结构成分图像Vt p表示为：
Figure BDA00017119716800000310
其中，Vt ld为选定的低剂量CT图像，
Figure BDA00017119716800000311
为基于以上选定的低剂量CT图像的噪声伪影预测图像。
作为本发明更进一步的改进，步骤3中，对卷积神经网络进行训练的训练样本是低剂量CT图像
Figure BDA00017119716800000312
的图像块集
Figure BDA00017119716800000313
标签为实际相应的噪声伪影图像Ns的图像块集
Figure BDA00017119716800000314
3.有益效果
采用本发明提供的技术方案，与现有技术相比，具有如下显著效果：
(1)本发明公开了一种基于卷积神经网络的低剂量CT图像分解方法，首先获得若干匹配的低剂量和常规剂量的CT投影数据，并重建出训练图像，并将低剂量和常规剂量的CT图像相减以获得噪声伪影图像；其次，构建低剂量CT图像与噪声伪影图像之间的映射卷积神经网络，该网络包含三种不同的卷积模块，以提取低剂量CT图像中的伪影及噪声特征信息；然后，使用一定量的低剂量CT图像与噪声伪影图像对已构建好的卷积神经网络进行训练；最后，将训练好的卷积神经网络来处理低剂量CT图像，实现低剂量CT图像中解剖结构成分与噪声伪影结构成分的分解；该低剂量CT图像分解方法可将低剂量CT数据中的星条状伪影及噪声和人体解剖组织结构有效区分，处理效果优于传统的字典学习方法，图像质量可满足临床分析、诊断等要求，提高低剂量CT成像的图像效果。
(2)本发明的基于卷积神经网络的低剂量CT图像分解方法，是基于深度学习方法对图像空间建模，并通过卷积神经网络强大的特征表示能力来区分伪影及噪声与人体解剖结构，测试时间短、处理效果好，充分利用卷积网络强大的表示能力，实现低剂量CT图像噪声伪影及解剖结构之间的分解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中基于卷积神经网络的低剂量CT图像分解方法的流程图；
图2为本发明实施例中五幅典型的轴向训练图(a1～a5：常规剂量图；b1～b5：低剂量图)；
图3为本发明实施例中轴向常规剂量CT图像；
图4为本发明实施例中轴向低剂量CT图像；
图5为本发明实施例中轴向临床低剂量CT图像使用字典学习方法DFRDL分离后的结果(a：解剖结构成分；b：噪声伪影成分)；
图6为本发明实施例中轴向临床低剂量CT图像使用本发明方法NaSCNN分离后的结果(a：解剖结构成分；b：噪声伪影成分)；
图7为本发明实施例中矢向常规剂量CT图像；
图8为本发明实施例中矢向低剂量CT图像；
图9为本发明实施例中矢向临床低剂量CT图像使用字典学习方法DFRDL分离后的结果(a：解剖结构成分；b：噪声伪影成分)；
图10为本发明实施例中矢向临床低剂量CT图像使用本发明方法NaSCNN分离后的结果(a：解剖结构成分；b：噪声伪影成分)。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。
实施例1
参考图1-10，本实施例的基于卷积神经网络的低剂量CT图像分解方法，包括以下步骤：
步骤1、分别获得若干组匹配的低剂量CT投影数据和常规剂量的CT投影数据(具体操作时，低剂量时扫描电流为常规剂量时扫描电流的五分之一到三分之一)，并分别重建出相应的训练图像：低剂量CT图像
Figure BDA0001711971680000051
和常规剂量CT图像
Figure BDA0001711971680000052
将低剂量CT图像
Figure BDA0001711971680000053
和常规剂量CT图像
Figure BDA0001711971680000054
相减以获得噪声伪影图像
Figure BDA0001711971680000055
步骤1中，低剂量CT图像
Figure BDA0001711971680000061
是通过解析的FBP重建算法获得，常规剂量CT图像
Figure BDA0001711971680000062
是通过迭代的TV(Total Variation)重建算法获得，具体的，使用特定的训练数据集，如对腹部进行低剂量CT成像，可利用大量匹配的腹部投影，除扫描电流不同，其它参数均相同(如：扫描管电压，扫描角度，体素大小)。首先由常规剂量扫描下的CT投影数据经过TV迭代重建算法得到高质量CT图像数据
Figure BDA0001711971680000063
其中TV重建定义为：
Figure BDA0001711971680000064
其中，G为投影矩阵，u为重建CT图像，W为投影数据的统计权重，按照投影数据p的方差来计算；||·||W为加权L2范数，λ为正则化参数，TV(u)为TV正则化约束项，式(1)通过交替求解的方式获得重建图像
Figure BDA0001711971680000065
然后，由低剂量扫描下的CT投影数据经过传统的解析重建算法FBP得到低剂量CT图像数据
Figure BDA0001711971680000066
最后，通过低剂量和常规剂量的CT图像相减，获得噪声伪影图像
Figure BDA0001711971680000067
步骤2、构建低剂量CT图像
Figure BDA0001711971680000068
与噪声伪影图像Ns之间的映射卷积神经网络，其中，卷积神经网络包含以下三种不同的卷积模块：CBR模块、分支模块和残差模块，以提取低剂量CT图像中的伪影及噪声特征信息。
具体的，以低剂量CT图像
Figure BDA00017119716800000610
作为样本数据，噪声伪影图像Ns作为标签数据为训练集，来设计三维端到端的从低剂量图像到噪声伪影图像之间的映射变换网络，来估计低剂量CT图像
Figure BDA0001711971680000069
中的噪声伪影成分。该网络我们称之为噪声伪影分离卷积神经网络(Noise-artifact Separation Convolutional Neural Network，NaSCNN)，如图1所示。NaSCNN网络中含有三种不同的卷积模块，分别为CBR模块、分支模块和残差模块，其中CBR模块为卷积、尺度变换和ReLU激活函数操作的组合，主要作用是提取低剂量CT图像的低层特征信息；分支模块是两个并联的分支之和，第一个分支为两个卷积操作，第二个分支为卷积、尺度变换和ReLU激活函数操作的组合，其主要作用是通过增加网络宽度，来混合不同卷积核提取的特征，提高网络的表示能力；残差模块为两个串联的尺度变换、ReLU激活函数和卷积操作，与一个卷积操作之和，主要作用是缩短训练时间，降低同等表示能力下特征卷积核的冗余度，避免训练中梯度弥散。
步骤3、使用一定量低剂量CT图像
Figure BDA0001711971680000071
与相应的噪声伪影图像Ns对已构建好的卷积神经网络进行训练；其中，对卷积神经网络进行训练的训练样本是低剂量CT图像
Figure BDA0001711971680000072
的图像块集
Figure BDA0001711971680000073
标签为实际相应的噪声伪影图像Ns的图像块集
Figure BDA0001711971680000074
将低剂量CT图像
Figure BDA0001711971680000075
输入卷积神经网络中，输出噪声伪影预测图像
Figure BDA0001711971680000076
通过训练来更新卷积神经网络中的参数，从而降低卷积神经网络输出的噪声伪影预测图像
Figure BDA0001711971680000077
与实际相应的噪声伪影图像Ns的均方误差，当训练周期前后的均方误差变化小于0.1％时，训练结束；通过海量投影数据的输入，最终得到泛化能力较强的神经网络。
具体的，将训练集中的低剂量CT图像
Figure BDA0001711971680000078
和噪声伪影图像Ns按照一定的尺寸n×n×t和像素间隔l1×l2×l3进行图像块提取(如：图块尺寸为65×65×32像素，分块间隔为12×12×12像素)，分别得到图像块集
Figure BDA0001711971680000079
和
Figure BDA00017119716800000710
将图像块集
Figure BDA00017119716800000711
和
Figure BDA00017119716800000712
放入网络中，通过降低神经网络损失函数Loss，也就是预测的噪声伪影图像块集
Figure BDA00017119716800000713
与实际噪声伪影图像块集
Figure BDA00017119716800000714
的均方误差，来训练和学习NaSCNN中的参数，最终得到泛化能力较强的神经网络。损失函数Loss定义为：
Figure BDA00017119716800000715
步骤4、利用训练好的卷积神经网络处理选定的低剂量CT图像
Figure BDA00017119716800000716
实现选定的低剂量CT图像
Figure BDA00017119716800000717
中解剖结构成分与噪声伪影结构成分的分解：
将选定的低剂量CT图像Vt ld输入训练完成的卷积神经网络中，得到基于该选定的低剂量CT图像Vt ld的噪声伪影预测图像
Figure BDA00017119716800000718
和有效的解剖结构成分图像Vt p，具体的，解剖结构成分图像Vt p表示为：
Figure BDA00017119716800000719
其中，Vt ld为选定的低剂量CT图像，
Figure BDA00017119716800000720
为基于以上选定的低剂量CT图像的噪声伪影预测图像。
具体的，首先，将需要处理的低剂量CT图像Vt ld按照尺寸为n×n×t和像素间隔为l1×l2×l3进行分块，得到图像块集Pt ld；然后，将Pt ld输入训练完成的NaSCNN中，得到预测的噪声伪影图像块集
Figure BDA0001711971680000081
接下来，按照像素间隔l1×l2×l3将图像块集
Figure BDA0001711971680000082
组合成噪声伪影图像
Figure BDA0001711971680000083
最后，将低剂量CT图像Vt ld与噪声伪影图像
Figure BDA0001711971680000084
相减，得到有效的解剖结构成分图像Vt p，其关系式可表示为：
Figure BDA0001711971680000085
效果评估准则
首先获得多组腹部数据，实验中所使用Low dose Challenge比赛公布的数据，来自Somatom Definition AS+CT设备，具体的扫描参数为：管电压100KVp，管电流为360mAs(常规剂量)/85mAs(低剂量)，探测器大小为736×64，每个探测器单元尺寸为1.2856×1.0947mm2，射线源到物体中心和探测器中心的距离分别为59.5cm和108.56cm，全角度模式下每圈采集1152个投影数据，螺距为0.6，其它参数采用机器默认值。分别通过FDK(Feldkamp，Davis，Kress Algorithm)和TV重建后得到重建图像，重建图像大小为512×512，像素大小为0.8×0.8mm2，层厚为1mm，三维连续性较好。
选取其中九组扫描数据作为训练数据，其中五幅典型的轴向训练图如图2所示；一组扫描数据作为测试数据，其中所选取的常规剂量CT图像如图3(轴向)和图7所示(矢向)，低剂量CT图像如图4(轴向)和图8所示(矢向)。低剂量CT图像、正常剂量CT图像和分解后解剖结构成分的窗宽为300HU(Housfield Units，HU)，窗位为50HU；噪声伪影成分的窗宽为200HU，窗位为-1000HU。
视觉评估
通过观察图3-10的常规剂量和低剂量的CT图像，以及传统DFRDL方法和本发明方法分解后的图像，可以看到传统DFRDL方法虽然能全分解出噪声和条状伪影，但在处理过程中，解剖结构成分丢失了部分组织细节，部分区域有一定的模糊，像肝脏、脾静脉血管和血管囊肿区域；而使用本发明方法分解后的特征图像质量明显提高，解剖结构成分和噪声伪影成分均得到了有效的分解，分解后的解剖结构成分含有较少噪声和伪影，同时具有较好的组织区分能力，能够很好的保持解剖组织结构边缘及细小的结构，图像视觉纹理更加接近于常规剂量下CT图像。
量化评估
为了量化的验证本发明方法的有效性，我们通过计算比较了多张图像(低剂量CT图、DFRDL分解后的解剖结构成分和本发明NaSCNN分解后的解剖结构成分)与常规剂量CT图的峰值信噪比与结构相似度，这里峰值信噪比PSNR的定义为：
Figure BDA0001711971680000091
Figure BDA0001711971680000092
其中，此处I代表正常剂量CT图像，K代表含此处代表待计算的图像，LI代表图像I可代表的最大图像像素值，i，j分别为图像的像素索引，m，n分别为图像的长度和宽度。
结构相似度SSIM的定义为：
Figure BDA0001711971680000093
其中μI、μK分别是图像I，K的均值，σI、σK分别是I，K的标准差，σIK是图像I与K的协方差，C1和C2为两个常数，其中C1＝(0.01×L)2，C2＝(0.03×L)2。从下表1可以看到本发明的分解方法能够大幅度降低分解后解剖结构成分中的噪声，提高信噪比，获得更加接近正常剂量的CT图像。
表1
Figure BDA0001711971680000094
Figure BDA0001711971680000101
从以上实验可以看到，采用本发明的方法可以有效分解低剂量CT图像中的解剖结构成分和噪声伪影结构成分，在低剂量条件下获得接近正常剂量水平的CT信息的人体解剖结构图像，减少噪声伪影对临床医师分析和诊断的干扰；而且本发明的基于卷积神经网络的低剂量CT图像分解方法，神经网络一旦构建好后，无需重复训练，实际处理时间短，速度快，具有较大的应用范围。
与现有技术相比，本发明公开了一种基于卷积神经网络的低剂量CT图像分解方法，首先获得若干匹配的低剂量和常规剂量的CT投影数据，并重建出相应的训练图像，将低剂量和常规剂量的CT图像相减以获得噪声伪影图像；其次，构建低剂量CT图像与噪声伪影图像之间的映射卷积神经网络，该网络包含三种不同的卷积模块，以提取低剂量CT图像中的伪影及噪声特征信息；然后，使用一定量的低剂量CT图像与噪声伪影图像对已构建好的卷积神经网络进行训练；最后，将训练好的卷积神经网络来处理低剂量CT图像，实现低剂量CT图像中有效的解剖结构成分与噪声伪影结构成分的分解；该低剂量CT图像分解方法可将低剂量CT数据中的星条状伪影及噪声和人体解剖组织结构有效区分，处理效果优于传统的字典学习方法，图像质量可满足临床分析、诊断等要求，提高低剂量CT成像的图像效果。
本发明构建的新的卷积神经网络，从分解的角度来抑制噪声伪影，该卷积神经网络是在残差网络基础上增加了分支模块，提高网络的宽度，增加其泛化能力；另外，本发明采用迭代重建图像作为标签，可以在一定程度上降低样本数据中噪声伪影成分对网络训练的影响，以提高网络对噪声伪影特征提取的能力从而达到对低剂量CT图像中的特征结构成分和噪声伪影成分分离的效果。
本发明的基于卷积神经网络的低剂量CT图像分解方法，是基于深度学习方法对图像空间建模，并通过卷积神经网络强大的特征表示能力来区分伪影及噪声与人体解剖结构，测试时间短、处理效果好，充分利用卷积网络强大的表示能力，实现低剂量CT图像噪声伪影及解剖结构之间的分解。
本实施例的基于卷积神经网络的低剂量CT图像分解装置，包括：
图像获取模块、用于分别获得若干组匹配的低剂量CT投影数据和常规剂量的CT投影数据，并分别重建出相应的训练图像：低剂量CT图像Vs ld和常规剂量CT图像
Figure BDA0001711971680000111
将低剂量CT图像
Figure BDA0001711971680000112
和常规剂量CT图像
Figure BDA0001711971680000113
相减以获得噪声伪影图像
Figure BDA0001711971680000114
卷积神经网络构建模块、用于构建低剂量CT图像
Figure BDA0001711971680000115
与噪声伪影图像Ns之间的映射卷积神经网络；
训练模块、用于使用一定量低剂量CT图像
Figure BDA0001711971680000116
与相应的噪声伪影图像Ns对已构建好的卷积神经网络进行训练；
低剂量CT图像分解模块、用于利用训练好的卷积神经网络处理选定的低剂量CT图像
Figure BDA0001711971680000117
实现选定的低剂量CT图像
Figure BDA0001711971680000118
中解剖结构成分与噪声伪影结构成分的分解。
图像获取模块中，低剂量CT图像
Figure BDA0001711971680000119
是通过解析的FBP重建算法获得，常规剂量CT图像
Figure BDA00017119716800001110
是通过迭代的TV重建算法获得。
卷积神经网络构建模块中，卷积神经网络包含以下三种卷积模块：CBR模块、分支模块和残差模块。
CBR模块为卷积、尺度变换和ReLU激活函数操作的组合；分支模块是两个并联的分支之和，第一个分支为两个卷积操作，第二个分支为卷积、尺度变换和ReLU激活函数操作的组合；残差模块为两个串联的尺度变换、ReLU激活函数和卷积操作，与一个卷积操作之和。
训练模块中，将低剂量CT图像
Figure BDA00017119716800001111
输入卷积神经网络中，输出噪声伪影预测图像
Figure BDA00017119716800001112
通过训练来更新卷积神经网络中的参数，以降低卷积神经网络输出的噪声伪影预测图像
Figure BDA00017119716800001113
与实际相应的噪声伪影图像Ns的均方误差，当训练周期前后的均方误差变化小于0.1％时，训练结束。
低剂量CT图像分解模块中，将选定的低剂量CT图像Vt ld输入训练完成的卷积神经网络中，得到基于该选定的低剂量CT图像Vt ld的噪声伪影预测图像
Figure BDA00017119716800001114
和解剖结构成分图像Vt p。
低剂量CT图像分解模块中，解剖结构成分图像Vt p表示为：
Figure BDA0001711971680000121
其中，Vt ld为选定的低剂量CT图像，
Figure BDA0001711971680000122
为基于以上选定的低剂量CT图像的噪声伪影预测图像。
训练模块中，对卷积神经网络进行训练的训练样本是低剂量CT图像
Figure BDA0001711971680000123
的图像块集
Figure BDA0001711971680000124
标签为实际相应的噪声伪影图像Ns的图像块集
Figure BDA0001711971680000125
本实施例的低剂量CT图像分解装置，分解装置包括：用于获取、存储CT投影数据的数据采集设备；用于接收CT投影数据的计算机；计算机被编程以便执行以下步骤：
步骤1、分别获得若干组匹配的低剂量CT投影数据和常规剂量的CT投影数据，并分别重建出相应的训练图像：低剂量CT图像
Figure BDA0001711971680000126
和常规剂量CT图像
Figure BDA0001711971680000127
将低剂量CT图像
Figure BDA0001711971680000128
和常规剂量CT图像
Figure BDA0001711971680000129
相减以获得噪声伪影图像
Figure BDA00017119716800001210
步骤2、构建低剂量CT图像
Figure BDA00017119716800001211
与噪声伪影图像Ns之间的映射卷积神经网络；
步骤3、使用一定量低剂量CT图像
Figure BDA00017119716800001212
与相应的噪声伪影图像Ns对已构建好的卷积神经网络进行训练；
步骤4、利用训练好的卷积神经网络处理选定的低剂量CT图像
Figure BDA00017119716800001213
实现选定的低剂量CT图像
Figure BDA00017119716800001214
中解剖结构成分与噪声伪影结构成分的分解。
步骤1中，低剂量CT图像
Figure BDA00017119716800001215
是通过解析的FBP重建算法获得，常规剂量CT图像
Figure BDA00017119716800001216
是通过迭代的TV重建算法获得。
步骤2中，卷积神经网络包含以下三种卷积模块：CBR模块、分支模块和残差模块。
CBR模块为卷积、尺度变换和ReLU激活函数操作的组合；分支模块是两个并联的分支之和，第一个分支为两个卷积操作，第二个分支为卷积、尺度变换和ReLU激活函数操作的组合；残差模块为两个串联的尺度变换、ReLU激活函数和卷积操作，与一个卷积操作之和。
步骤3中，将低剂量CT图像
Figure BDA0001711971680000131
输入卷积神经网络中，输出噪声伪影预测图像
Figure BDA0001711971680000132
通过训练来更新卷积神经网络中的参数，以降低卷积神经网络输出的噪声伪影预测图像
Figure BDA0001711971680000133
与实际相应的噪声伪影图像Ns的均方误差，当训练周期前后的均方误差变化小于0.1％时，训练结束。
步骤4中，将选定的低剂量CT图像Vt ld输入训练完成的卷积神经网络中，得到基于该选定的低剂量CT图像Vt ld的噪声伪影预测图像
Figure BDA0001711971680000134
和解剖结构成分图像Vt p。
步骤4中，解剖结构成分图像Vt p表示为：
Figure BDA0001711971680000135
其中，Vt ld为选定的低剂量CT图像，
Figure BDA0001711971680000136
为基于以上选定的低剂量CT图像的噪声伪影预测图像。
步骤3中，对卷积神经网络进行训练的训练样本是低剂量CT图像
Figure BDA0001711971680000137
的图像块集
Figure BDA0001711971680000138
标签为实际相应的噪声伪影图像Ns的图像块集
Figure BDA0001711971680000139
具体本实施例中，数据采集设备为CT机，其通过对不同组织进行拍摄获取不同的CT投影数据，以向计算机提供训练图像。或者实施例中，数据采集设备为数据存储介质，该数据存储介质上存储有不同的CT投影数据，以向计算机提供训练图像。
本实施例的存储有计算机程序的计算机可读存储介质，计算机程序使用计算机执行以下步骤：
步骤1、分别获得若干组匹配的低剂量CT投影数据和常规剂量的CT投影数据，并分别重建出相应的训练图像：低剂量CT图像
Figure BDA00017119716800001310
和常规剂量CT图像
Figure BDA00017119716800001311
将低剂量CT图像
Figure BDA00017119716800001312
和常规剂量CT图像
Figure BDA00017119716800001313
相减以获得噪声伪影图像
Figure BDA00017119716800001314
步骤2、构建低剂量CT图像
Figure BDA00017119716800001315
与噪声伪影图像Ns之间的映射卷积神经网络；
步骤3、使用一定量低剂量CT图像
Figure BDA0001711971680000141
与相应的噪声伪影图像Ns对已构建好的卷积神经网络进行训练；
步骤4、利用训练好的卷积神经网络处理选定的低剂量CT图像
Figure BDA0001711971680000142
实现选定的低剂量CT图像
Figure BDA0001711971680000143
中解剖结构成分与噪声伪影结构成分的分解。
步骤1中，低剂量CT图像
Figure BDA0001711971680000144
是通过解析的FBP重建算法获得，常规剂量CT图像
Figure BDA0001711971680000145
是通过迭代的TV重建算法获得。
步骤2中，卷积神经网络包含以下三种卷积模块：CBR模块、分支模块和残差模块。
CBR模块为卷积、尺度变换和ReLU激活函数操作的组合；分支模块是两个并联的分支之和，第一个分支为两个卷积操作，第二个分支为卷积、尺度变换和ReLU激活函数操作的组合；残差模块为两个串联的尺度变换、ReLU激活函数和卷积操作，与一个卷积操作之和。
步骤3中，将低剂量CT图像
Figure BDA0001711971680000146
输入卷积神经网络中，输出噪声伪影预测图像
Figure BDA0001711971680000147
通过训练来更新卷积神经网络中的参数，以降低卷积神经网络输出的噪声伪影预测图像
Figure BDA0001711971680000148
与实际相应的噪声伪影图像Ns的均方误差，当训练周期前后的均方误差变化小于0.1％时，训练结束。
步骤4中，将选定的低剂量CT图像Vt ld输入训练完成的卷积神经网络中，得到基于该选定的低剂量CT图像Vt ld的噪声伪影预测图像
Figure BDA0001711971680000149
和解剖结构成分图像Vt p。
步骤4中，解剖结构成分图像Vt p表示为：
Figure BDA00017119716800001410
其中，Vt ld为选定的低剂量CT图像，
Figure BDA00017119716800001411
为基于以上选定的低剂量CT图像的噪声伪影预测图像。
步骤3中，对卷积神经网络进行训练的训练样本是低剂量CT图像
Figure BDA00017119716800001412
的图像块集
Figure BDA0001711971680000151
标签为实际相应的噪声伪影图像Ns的图像块集
Figure BDA0001711971680000152
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (3)

1.一种基于卷积神经网络的低剂量CT图像分解方法，其特征在于，包括以下步骤：
步骤1、分别获得若干组匹配的低剂量CT投影数据和常规剂量的CT投影数据，并分别重建出相应的训练图像：低剂量CT图像
Figure FDA0002428207120000011
和常规剂量CT图像
Figure FDA0002428207120000012
将低剂量CT图像
Figure FDA0002428207120000013
和常规剂量CT图像
Figure FDA0002428207120000014
相减以获得噪声伪影图像
Figure FDA0002428207120000015
步骤1中，低剂量CT图像
Figure FDA0002428207120000016
是通过解析的FBP重建算法获得，常规剂量CT图像
Figure FDA0002428207120000017
是通过迭代的TV重建算法获得；
步骤2、构建低剂量CT图像
Figure FDA0002428207120000018
与噪声伪影图像Ns之间的映射卷积神经网络；
步骤2中，卷积神经网络包含以下三种卷积模块：CBR模块、分支模块和残差模块；
CBR模块为卷积、尺度变换和ReLU激活函数操作的组合；分支模块是两个并联的分支之和，第一个分支为两个卷积操作，第二个分支为卷积、尺度变换和ReLU激活函数操作的组合；残差模块为两个串联的尺度变换、ReLU激活函数和卷积操作，与一个卷积操作之和；
步骤3、使用一定量低剂量CT图像
Figure FDA0002428207120000019
与相应的噪声伪影图像Ns对已构建好的卷积神经网络进行训练；
步骤3中，将低剂量CT图像
Figure FDA00024282071200000110
输入卷积神经网络中，输出噪声伪影预测图像
Figure FDA00024282071200000111
通过训练来更新卷积神经网络中的参数，以降低卷积神经网络输出的噪声伪影预测图像
Figure FDA00024282071200000112
与实际相应的噪声伪影图像Ns的均方误差，当训练周期前后的均方误差变化小于0.1％时，训练结束；
步骤4、利用训练好的卷积神经网络处理选定的低剂量CT图像
Figure FDA00024282071200000113
实现选定的低剂量CT图像
Figure FDA00024282071200000114
中解剖结构成分与噪声伪影结构成分的分解；
步骤4中，将选定的低剂量CT图像
Figure FDA00024282071200000115
输入训练完成的卷积神经网络中，得到基于该选定的低剂量CT图像
Figure FDA0002428207120000021
的噪声伪影预测图像
Figure FDA0002428207120000022
和解剖结构成分图像Vt p。
2.根据权利要求1所述的基于卷积神经网络的低剂量CT图像分解方法，其特征在于，步骤4中，解剖结构成分图像Vt p表示为：
Figure FDA0002428207120000024
其中，
Figure FDA0002428207120000025
为选定的低剂量CT图像，
Figure FDA0002428207120000026
为基于以上选定的低剂量CT图像的噪声伪影预测图像。
3.根据权利要求1或2所述的基于卷积神经网络的低剂量CT图像分解方法，其特征在于，步骤3中，对卷积神经网络进行训练的训练样本是低剂量CT图像
Figure FDA0002428207120000027
的图像块集
Figure FDA0002428207120000028
标签为实际相应的噪声伪影图像Ns的图像块集
Figure FDA0002428207120000029
CN201810706749.6A 2018-06-28 2018-06-28 一种基于卷积神经网络的低剂量ct图像分解方法 Active CN108961237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810706749.6A CN108961237B (zh) 2018-06-28 2018-06-28 一种基于卷积神经网络的低剂量ct图像分解方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810706749.6A CN108961237B (zh) 2018-06-28 2018-06-28 一种基于卷积神经网络的低剂量ct图像分解方法

Publications (2)

Publication Number Publication Date
CN108961237A CN108961237A (zh) 2018-12-07
CN108961237B true CN108961237B (zh) 2020-08-21

Family

ID=64484742

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810706749.6A Active CN108961237B (zh) 2018-06-28 2018-06-28 一种基于卷积神经网络的低剂量ct图像分解方法

Country Status (1)

Country Link
CN (1) CN108961237B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110009613A (zh) * 2019-03-28 2019-07-12 东南大学 基于深度稠密网络的低剂量ct成像方法、装置及系统
CN109949215B (zh) * 2019-03-29 2023-03-31 浙江明峰智能医疗科技有限公司 一种低剂量ct图像模拟方法
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
CN110176045A (zh) * 2019-05-05 2019-08-27 东南大学 一种由单能ct图像生成双能ct图像的方法
CN110517194A (zh) * 2019-07-19 2019-11-29 深圳安科高技术股份有限公司 一种物质分解模型的训练方法、物质分解方法及相关设备
CN111091516B (zh) * 2019-12-24 2021-06-04 广州柏视医疗科技有限公司 一种基于人工智能的抗散射光栅方法及装置
CN111192224B (zh) * 2020-01-13 2024-03-19 北京联合大学 图像增强方法、装置、电子设备及计算机可读存储介质
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、系统及存储介质
CN111951346B (zh) * 2020-08-18 2023-06-23 安徽工程大学 一种联合运动估计与时空张量增强表示的4d-cbct重建方法
CN112348936B (zh) * 2020-11-30 2023-04-18 华中科技大学 一种基于深度学习的低剂量锥束ct图像重建方法
CN112258642B (zh) * 2020-12-21 2021-04-09 之江实验室 基于深度学习的低剂量pet数据三维迭代更新重建方法
US11890124B2 (en) 2021-02-01 2024-02-06 Medtronic Navigation, Inc. Systems and methods for low-dose AI-based imaging
CN113053496B (zh) * 2021-03-19 2023-08-29 深圳高性能医疗器械国家研究院有限公司 一种用于医学图像低剂量估计的深度学习方法
CN113012252A (zh) * 2021-03-24 2021-06-22 苏州深透智能科技有限公司 一种spect成像预测模型创建方法、装置、设备及存储介质
CN113256752B (zh) * 2021-06-07 2022-07-26 太原理工大学 一种基于双域交织网络的低剂量ct重建方法
CN113379868A (zh) * 2021-07-08 2021-09-10 安徽工程大学 基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法
CN113436118B (zh) * 2021-08-10 2022-09-27 安徽工程大学 一种基于多尺度卷积编码网络的低剂量ct图像复原方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101412575B1 (ko) * 2012-07-02 2014-06-27 충남대학교산학협력단 저선량 엑스선 콘빔 시티 촬영장치
CN105118066A (zh) * 2015-09-16 2015-12-02 东南大学 一种基于三维区别性特征表示的低剂量ct图像分解方法
CN106600568A (zh) * 2017-01-19 2017-04-26 沈阳东软医疗系统有限公司 一种低剂量ct图像去噪方法及装置
CN106778918A (zh) * 2017-01-22 2017-05-31 北京飞搜科技有限公司 一种应用于手机端的深度学习图像识别系统及实现方法
CN107844743A (zh) * 2017-09-28 2018-03-27 浙江工商大学 一种基于多尺度分层残差网络的图像多字幕自动生成方法
CN107945132A (zh) * 2017-11-29 2018-04-20 深圳安科高技术股份有限公司 一种基于神经网络的ct图像的伪影校正方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9031299B2 (en) * 2010-10-27 2015-05-12 Koninklijke Philips N.V. Low dose CT denoising
KR101636207B1 (ko) * 2015-05-07 2016-07-05 한국과학기술원 저 선량 엑스선 전산단층 촬영의 해석적 원리를 이용한 반복 복원 기법 개발

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101412575B1 (ko) * 2012-07-02 2014-06-27 충남대학교산학협력단 저선량 엑스선 콘빔 시티 촬영장치
CN105118066A (zh) * 2015-09-16 2015-12-02 东南大学 一种基于三维区别性特征表示的低剂量ct图像分解方法
CN106600568A (zh) * 2017-01-19 2017-04-26 沈阳东软医疗系统有限公司 一种低剂量ct图像去噪方法及装置
CN106778918A (zh) * 2017-01-22 2017-05-31 北京飞搜科技有限公司 一种应用于手机端的深度学习图像识别系统及实现方法
CN107844743A (zh) * 2017-09-28 2018-03-27 浙江工商大学 一种基于多尺度分层残差网络的图像多字幕自动生成方法
CN107945132A (zh) * 2017-11-29 2018-04-20 深圳安科高技术股份有限公司 一种基于神经网络的ct图像的伪影校正方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CT artifact reduction via U-net CNN;C. Zhang等;《Proc.of SPIE》;20180505;第10574卷;第1-6页 *
Discriminative Feature Representation to Improve Projection Data Inconsistency for Low Dose CT Imaging;Jin Liu等;《IEEE Transactions on Medical Imaging》;20170815;第36卷(第12期);第2499-2509页 *
Low-dose CBCT reconstruction via 3D dictionary learning;Jin Liu 等;《2016 IEEE 13th International Symposium on Biomedical Imaging》;20160616;第735-738页 *
Low-dose CT denoising with convolutional neural network;Hu Chen等;《2017 IEEE 14th International Symposium on Biomedical Imaging》;20170619;第143-146页 *
基于卷积神经网络的低剂量ＣＴ图像去噪方法;章云港等;《光学学报》;20180430;第38卷(第4期);第0410003-1—0410003-7页 *

Also Published As

Publication number Publication date
CN108961237A (zh) 2018-12-07

Similar Documents

Publication Publication Date Title
CN108961237B (zh) 一种基于卷积神经网络的低剂量ct图像分解方法
CN109166161B (zh) 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统
CN108898642B (zh) 一种基于卷积神经网络的稀疏角度ct成像方法
Hu et al. Artifact correction in low‐dose dental CT imaging using Wasserstein generative adversarial networks
Yin et al. Domain progressive 3D residual convolution network to improve low-dose CT imaging
Li et al. Investigation of low-dose CT image denoising using unpaired deep learning methods
Yang et al. Low-dose CT image denoising using a generative adversarial network with Wasserstein distance and perceptual loss
Huang et al. CaGAN: A cycle-consistent generative adversarial network with attention for low-dose CT imaging
Kuanar et al. Low dose abdominal CT image reconstruction: an unsupervised learning based approach
Wang et al. Multiscale penalized weighted least-squares sinogram restoration for low-dose X-ray computed tomography
CN105118066B (zh) 一种基于三维区别性特征表示的低剂量ct图像分解方法
CN106373163B (zh) 一种基于三维投影图区别性特征表示的低剂量ct成像方法
Gajera et al. CT-scan denoising using a charbonnier loss generative adversarial network
Tao et al. VVBP-tensor in the FBP algorithm: its properties and application in low-dose CT reconstruction
CN110599530B (zh) 基于双正则约束的mvct图像纹理增强方法
Feng et al. Dual residual convolutional neural network (DRCNN) for low-dose CT imaging
Li et al. Unpaired low‐dose computed tomography image denoising using a progressive cyclical convolutional neural network
Rahim et al. Total variant based average sparsity model with reweighted analysis for compressive sensing of computed tomography
CN111080736B (zh) 一种基于稀疏变换的低剂量ct图像重建方法
Liang et al. A model-based unsupervised deep learning method for low-dose CT reconstruction
Ding et al. A dataset-free deep learning method for low-dose CT image reconstruction
Liu et al. Cascade resunet with noise power spectrum loss for low dose ct imaging
CN117876261A (zh) 一种基于深度学习的cbct散射校正成像方法
Wang et al. Guided image filtering based limited-angle CT reconstruction algorithm using wavelet frame
Li et al. A multi-pronged evaluation for image normalization techniques

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