CN112102213B - 低剂量ct图像处理方法、扫描系统及计算机存储介质 - Google Patents
低剂量ct图像处理方法、扫描系统及计算机存储介质 Download PDFInfo
- Publication number
- CN112102213B CN112102213B CN202011316479.1A CN202011316479A CN112102213B CN 112102213 B CN112102213 B CN 112102213B CN 202011316479 A CN202011316479 A CN 202011316479A CN 112102213 B CN112102213 B CN 112102213B
- Authority
- CN
- China
- Prior art keywords
- image
- dose
- low
- noise
- scanning
- 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
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000002591 computed tomography Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 8
- 238000011478 gradient descent method Methods 0.000 claims abstract description 4
- 238000009826 distribution Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 239000002131 composite material Substances 0.000 claims description 6
- 238000013461 design Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 206010056342 Pulmonary mass Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 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
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了一种低剂量CT图像处理方法、扫描系统及计算机存储介质，方法包括步骤：创建CT扫描数据集：采用标准剂量扫描患者待检测部位，得到常规剂量的CT扫描数据；数据预处理生成训练集：训练集包括低剂量图像集、高维噪声图像集以及作为目标图像集；设计神经网络和损失函数：利用梯度下降法优化神经网络，通过输出图像和目标图像的误差更新网络权重，将训练好的网络部署到CT扫描系统中等。本发明通过引入高维统计信息处理低剂量的图像，获得高剂量的目标图像，不需要额外的硬件辅助，处理速度快，图像质量好，能够更好地满足临床需求。
Description
技术领域
本发明涉及医学成像技术领域，尤其是涉及一种基于统计噪声的低剂量CT图像处理方法、扫描系统及计算机存储介质。
背景技术
随之CT系统越来越广泛的应用，CT扫描的辐射剂量越来越受到大家的关注。各种低剂量的扫描技术和成像技术被开发出来，是CT扫描所需要的辐射剂量不断降低。该类算法系临床上关注的新型CT或中高端CT产品需要具备的功能，国外已有多年应用，依靠先进的重建和伪影校正算法，在某些部位（如肺结节）扫描时已能把射线剂量降到接近正常剂量的10%，同时获得类似常规扫描的图像质量。低剂量成像在国产CT中已得到一定的应用，基本可满足临床需求。
低剂量处理技术通常可以分成两大类，第一种是基于迭代重建技术，另一种是基于图像处理的的噪声图像复原技术。第一种方法，通常是给定一个目标图像的优化函数，通过正投影和反投影的方法来计算，优化目标函数，直到收敛得到最终的目标图像。比如ART，SART，EM算法等。另一种方法是基于图像处理领域的图像降噪技术。利用噪声图像的复原技术直接来处理最终的重建图像，随着近年来AI技术的发展，AI技术也被引入了第二类方法中。第一种方法图像质量更好，因为能更好的包含扫描数据的统计特征，但是计算量很大，不适合，常规临床的快速成像要求。第二类方法的优点是速度快，而且能够达到比较好的图像质量，但是对于带有很强的噪声的图像的处理有所不足。
现有的技术中，第一类迭代重建技术，因为需要正投影和反投影的过程，计算量很大。通常的处理过程都要几分钟到几十分钟，因此很难满足常规的临床处理的速度。第二类方法的计算量小，能够得到较好的图像质量。但是当扫描剂量很低的时候，统计噪声非常强的情况下，不能够很好恢复原始图像。
传统的AI处理技术，一般是输入低剂量的图像，输出是常规剂量的图像。包括数据准备、网络模型设计，loss函数设计等，然后利用设计好的模型和函数对低剂量和高剂量图像进行AI训练。模型的选择和loss函数的设计都会影响最终的结果。如参考文献1( Chen,Hu, et al. "Low-dose CT via convolutional neural network." Biomedical opticsexpress 8.2 (2017):679-694)，公开了一种最初的AI降噪技术，其使用了三层卷积网络和均方差（mse）loss函数，对低剂量和高剂量图像块进行训练，取得了初步降噪结果。但是随着噪声强度的增加和物体结构越来越复杂，这种简单的网络结构不能满足需求。随后大家又提出了更深的网络和更复杂的loss函数，如resnet和unet网络，L1、L2 loss，VGG loss以及VGG与L1、L2联合loss等，如参考文献2(Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network)和参考文献3(Performance comparison ofdeep learning based denoising techniques in low-dose CT images)。这些改进在一定程度上对降噪能力有所提高，但是这些方法均没有考虑噪声的统计信息，当剂量很低的时候，仍不能很好的恢复图像。
发明内容
技术目的：针对的不足，本发明公开了一种基于统计噪声的低剂量CT图像处理方法、扫描系统及计算机存储介质，其通过引入高维统计信息来更好的处理低剂量的图像。
技术方案：为实现上述技术目的，本发明采用了如下技术方案：
S1、创建CT扫描数据集：扫描患者待检测部位，得到常规剂量的CT扫描数据；
S2、数据预处理生成训练集：将步骤S1得到的CT扫描数据分成多组数据且分别采用不同方式进行预处理，得到训练集，训练集包括低剂量图像集、高维噪声图像集以及目标图像集，低剂量图像集中包括低剂量图像、低剂量图像水平分量和低剂量图像垂直分量，高维噪声图像集中包括高维噪声图像水平分量和高维噪声图像垂直分量，目标图像集中包括目标图像、目标图像水平分量和目标图像垂直分量；
所述低剂量图像或者通过对患者进行低剂量的扫描获得低剂量扫描数据、然后经过卷积反投影处理获得；
S3、设计神经网络：将低剂量图像和高维噪声图像作为神经网络的输入图像，利用梯度下降法优化神经网络，通过输出图像和目标图像的误差更新网络权重，训练神经网络，将训练好的网络部署到CT扫描系统中；
S4、在所述CT扫描系统中采用低剂量扫描方式对患者进行CT扫描，得到低剂量的CT扫描数据，经神经网络处理后，得到降噪处理后的输出图像，供医生查阅。
优选地，所述步骤S3中，网络结构采用U-net网络，损失函数的公式为：
其中，
是低剂量的图像；
、
分别是低剂量的图像的水
平分量、垂直分量，
是目标图像，
、 
分别是目标图像的水平分
量、垂直分量。
优选地，所述步骤S2中，采用传统的FBP算法对常规剂量的CT扫描数据进行处理生成目标图像集中的目标图像。
优选地，所述步骤S2中，通过数值仿真的方法在常规剂量的CT扫描数据中加入量子噪声和电子噪声生成低剂量的扫描数据，基于低剂量的扫描数据重建图像生成低剂量图像集中的低剂量图像；所述数值仿真方法采用复合泊松分布模型：
Z=gY+e
其中，Z为探测器接收信号，g为探测器增益因子，Y为与光子数和光子能量相关的复合泊松分布，e为电子噪声。
优选地，所述步骤S2中，利用小波变换的方法分别对低剂量图像、高维噪声图像和目标图像进行处理，生成对应的图像水平分量和图像垂直分量。
优选地，所述步骤S2中，根据常规剂量的CT扫描数据计算出每个像素点在各个方向的统计噪声的分布，获得含有噪声的投影噪声，然后对噪声进行反投影操作得到高维噪声图像；对高维噪声图像进行处理生成包括水平、垂直和对角方向在内的多个分量信息。
优选地，所述步骤S2中，所述含有噪声的投影数据服从非平稳高斯分布：
其中，f为理想的投影数据，n为非平稳高斯噪声，其均值为0，方差为：
其中，
和
分别为第i个探测器上获得的数据统计值及噪声方差，
为与探
测器通道有关的参数，T为与CT设备的配置有关的尺度参数。
优选地，所述步骤S2中，所述投影数据和噪声的角度加权公式如下：
一种低剂量CT扫描系统，执行所述方法，其特征在于，包括：参数设置模块，用于设置CT扫描的协议参数；
CT扫描模块，采用常规剂量或低剂量方式扫描目标对像并获得对应的常规剂量的CT扫描数据或低剂量扫描数据；
数据预处理模块，用于对CT扫描数据图像进行处理，获得对应的训练集，包括低剂量图像集、高维噪声图像集以及目标图像集；
图像处理和输出模块，包括神经网络，采用训练集中的数据对神经网络进行训练，训练完成后的神经网络用于对输入的低剂量图像进行处理，输出降噪后的高剂量的输出图像。
一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有至少一个可被处理器执行的指令，其中至少一个指令被处理器执行时，用于执行所述低剂量CT图像处理方法。
有益效果：本发明通过引入高维统计信息处理低剂量的图像，获得高剂量的目标图像，不需要额外的硬件辅助，处理速度快，图像质量好，能够更好地满足临床需求。
附图说明
图1为本发明采用的低剂量CT图像处理方法中数据预处理生成训练集的流程图；
图2为本发明采用的低剂量CT图像处理方法中神经网络的数据处理示意图；
图3为本发明的低剂量CT图像处理方法中的对低剂量的CT扫描图像进行处理、获得对应的高剂量的目标图像的示意图；
图4为采用本发明方法获得的低剂量CT图像及降噪处理后的效果图，左侧为低剂量图像，右侧为降噪后的输出图像。
具体实施方式
本发明的目的是通过结合深度学习和高维统计噪声的方法来处理低剂量图像，帮助医生快速精准诊断。具体包括步骤：
1、创建CT扫描数据集：包括各个部位的常规CT扫描数据。
2、数据预处理生成训练集：包含输入图像，即低剂量图像，输入高维统计噪声图像，输出的目标图像。输入的图像是低剂量扫描的CT图像，通过传统的卷积反投影技术得到的。由于统计噪声比较高，图像中包含很强的统计噪声。输出的目标图像，是常规剂量扫描的图像，能够很好的满足临床诊断需要。高维的噪声图像，是通过扫描数据计算出来的噪声在每个像素点沿各个方向的统计噪声的分布。用于训练的低剂量图像和目标图像都需要通过相同的方式获得，如图1所示，Img表示低剂量图像或目标图像。
如图1所示，包括步骤：
a）获得输入图像和目标图像。通过常规CT扫描，利用传统的FBP算法来生成常规剂量的CT图像，就是最终要生成的用于神经网络训练的目标图像。输入图像是低剂量扫描的CT图像，可通过对患者进行二次低剂量的扫描，或者基于常规剂量的数值模拟的方法生成。
b）获得输入图像和目标图像高维分量。根据输入图像和目标图像生成高维分量，比如利用小波变换的方法生成图像在水平，垂直，对角等多个方向的分量信息。
低剂量的扫描数据基于常规剂量的数值模拟的方法生成。具体可通过数值仿真的方法加入量子噪声和电子噪声，生成超低剂量扫描的数据。该数值仿真可以用复合泊松分布模型Z=gY+e，其中Z为探测器接收信号，g为探测器增益因子，Y为与光子数和光子能量相关的复合泊松分布，e为电子噪声。
c）输入的高维统计噪声数据。通常的统计噪声都是计算一个像素点的统计信息。这里计算的是这个点在多个方向的统计信息。在低剂量CT重建中，基于统计的图像重建利用投影数据的统计特性，能取得较好的重建效果。通过借助噪声高频分量，有助于恢复目标图像。目标图像是降噪后的图像，低剂量图像噪声具有方向性，噪声越高方向性越显著。通过借助目标图像和输入图像噪声的统计信息能更好的降低噪声，得到目标图像。
例如经对数变换后的低剂量CT投影数据近似服从非平稳高斯分布。投影数据可以被认为是被加性噪声污染。即含有噪声的投影数据：
其中f为理想的投影数据，n为非平稳高斯噪声，其均值为0，方差为：
其中，
和
分别为第i个探测器上获得的数据统计值及噪声方差，
和T仅由
CT设备配置决定，与所扫描的物体无关。
为与探测器通道有关的参数，T为与CT设备的配
置有关的尺度参数。如图1所示，投影数据和噪声的角度加权公式如下：
获得投影噪声后对噪声进行反投操作得到噪声图像，通过比如利用小波变换的方法生成图像在水平，垂直，对角等多个方向的分量信息，生成噪声图像生成高维分量。
3、设计网络结构和损失函数：网络结构如U-net及其变种等。输入是(低剂量图像，高维统计噪声图)。输出是(目标图像，目标图像高维分量)，如图2和图3所示。目标函数是：
其中
是经过神经网络处理的低剂量的图像。
W是权重系数。W这里取2。
如图4为采用本发明方法获得的低剂量CT图像及降噪处理后的效果图，左侧为低剂量图像，右侧为降噪后的输出图像。
4、经过深度学习框架。利用梯度下降法优化神经网络，通过输出图像和目标图像的误差来更新网络权重，从而优化网络得到更好的输出结果。
5、训练好的网络就可以部署到实际的系统中。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种低剂量CT图像处理方法，其特征在于，顺序执行以下步骤：
S1、创建CT扫描数据集：扫描患者待检测部位，得到常规剂量的CT扫描数据；
S2、数据预处理生成训练集：将步骤S1得到的CT扫描数据分成多组数据且分别采用不同方式进行预处理，得到训练集，训练集包括低剂量图像集、高维噪声图像集以及目标图像集，低剂量图像集中包括低剂量图像、低剂量图像水平分量和低剂量图像垂直分量，高维噪声图像集中包括高维噪声图像水平分量和高维噪声图像垂直分量，目标图像集中包括目标图像、目标图像水平分量和目标图像垂直分量；
所述低剂量图像或者通过对患者进行低剂量的扫描获得低剂量扫描数据、然后经过卷积反投影处理获得；
S3、设计神经网络：将低剂量图像和高维噪声图像作为神经网络的输入图像，利用梯度下降法优化神经网络，通过输出图像和目标图像的误差更新网络权重，训练神经网络，将训练好的网络部署到CT扫描系统中；
网络结构采用U-net网络，损失函数的公式为：
其中，
是低剂量的图像；
、
分别是低剂量的图像的水平分量、垂直分量，
是目标图像，
、 
分别是目标图像的水平分量、垂直分量；
S4、在所述CT扫描系统中采用低剂量扫描方式对患者进行CT扫描，得到低剂量的CT扫描数据，经神经网络处理后，得到降噪处理后的输出图像，供医生查阅。
2.根据权利要求1所述的低剂量CT图像处理方法，其特征在于：所述步骤S2中，采用传统的FBP算法对常规剂量的CT扫描数据进行处理生成目标图像集中的目标图像。
3.根据权利要求1所述的低剂量CT图像处理方法，其特征在于：所述步骤S2中，通过数值仿真的方法在常规剂量的CT扫描数据中加入量子噪声和电子噪声生成低剂量的扫描数据，基于低剂量的扫描数据重建图像生成低剂量图像集中的低剂量图像；所述数值仿真方法采用复合泊松分布模型：
Z=gY+e
其中，Z为探测器接收信号，g为探测器增益因子，Y为与光子数和光子能量相关的复合泊松分布，e为电子噪声。
4.根据权利要求1所述的低剂量CT图像处理方法，其特征在于：所述步骤S2中，利用小波变换的方法分别对低剂量图像、高维噪声图像和目标图像进行处理，生成对应的图像水平分量和图像垂直分量。
5.根据权利要求1所述的低剂量CT图像处理方法，其特征在于：所述步骤S2中，根据常规剂量的CT扫描数据计算出每个像素点在各个方向的统计噪声的分布，获得含有噪声的投影噪声，然后对噪声进行反投影操作得到高维噪声图像；对高维噪声图像进行处理生成包括水平、垂直和对角方向在内的多个分量信息。
6.根据权利要求5所述的低剂量CT图像处理方法，其特征在于：所述步骤S2中，所述含有噪声的投影数据服从非平稳高斯分布：
其中，f为理想的投影数据，n为非平稳高斯噪声，其均值为0，方差为：
其中，
和
分别为第i个探测器上获得的数据统计值及噪声方差，
为与探测器通道有关的参数，T为与CT设备的配置有关的尺度参数。
7.根据权利要求6所述的低剂量CT图像处理方法，其特征在于：所述步骤S2中，所述投影数据和噪声的角度加权公式如下：
8.一种低剂量CT扫描系统，执行权利要求1~7任一所述方法，其特征在于，包括：参数设置模块，用于设置CT扫描的协议参数；
CT扫描模块，采用常规剂量或低剂量方式扫描目标对像并获得对应的常规剂量的CT扫描数据或低剂量扫描数据；
数据预处理模块，用于对CT扫描数据图像进行处理，获得对应的训练集，包括低剂量图像集、高维噪声图像集以及目标图像集；
图像处理和输出模块，包括神经网络，采用训练集中的数据对神经网络进行训练，训练完成后的神经网络用于对输入的低剂量图像进行处理，输出降噪后的高剂量的输出图像。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有至少一个可被处理器执行的指令，其中至少一个指令被处理器执行时，用于执行如权利要求1至7中任一所述低剂量CT图像处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011316479.1A CN112102213B (zh) | 2020-11-23 | 2020-11-23 | 低剂量ct图像处理方法、扫描系统及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011316479.1A CN112102213B (zh) | 2020-11-23 | 2020-11-23 | 低剂量ct图像处理方法、扫描系统及计算机存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112102213A CN112102213A (zh) | 2020-12-18 |
| CN112102213B true CN112102213B (zh) | 2021-02-09 |
Family
ID=73785567
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011316479.1A Active CN112102213B (zh) | 2020-11-23 | 2020-11-23 | 低剂量ct图像处理方法、扫描系统及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112102213B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112690817A (zh) * | 2020-12-28 | 2021-04-23 | 明峰医疗系统股份有限公司 | 基于双能ct的数据采集方法、系统及计算机可读存储介质 |
| CN112712572B (zh) * | 2021-01-11 | 2023-10-24 | 明峰医疗系统股份有限公司 | Ct扫描设备的低信号噪声的抑制方法、系统及计算机可读存储介质 |
| CN112767273B (zh) * | 2021-01-21 | 2023-10-20 | 中山大学 | 一种应用特征解耦的低剂量ct图像修复方法及系统 |
| CN113096210A (zh) * | 2021-04-15 | 2021-07-09 | 西门子数字医疗科技(上海)有限公司 | 图像重建方法、装置、电子设备和存储介质 |
| CN113298807A (zh) * | 2021-06-22 | 2021-08-24 | 北京航空航天大学 | 一种计算机断层扫描图像处理方法及装置 |
| CN113538277B (zh) * | 2021-07-16 | 2024-07-23 | 唯智医疗科技(佛山)有限公司 | 一种基于神经网络的断层扫描图降噪方法及装置 |
| CN114331921A (zh) * | 2022-03-09 | 2022-04-12 | 南昌睿度医疗科技有限公司 | 一种低剂量ct图像降噪方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047524A (zh) * | 2019-11-13 | 2020-04-21 | 浙江工业大学 | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 |
| CN111839574A (zh) * | 2020-09-08 | 2020-10-30 | 南京安科医疗科技有限公司 | Ct超低剂量自动三维定位扫描方法及系统 |
-
2020
- 2020-11-23 CN CN202011316479.1A patent/CN112102213B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047524A (zh) * | 2019-11-13 | 2020-04-21 | 浙江工业大学 | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 |
| CN111839574A (zh) * | 2020-09-08 | 2020-10-30 | 南京安科医疗科技有限公司 | Ct超低剂量自动三维定位扫描方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network;Hu Chen等;《 IEEE Transactions on Medical Imaging》;20171231;全文 * |
| 基于低剂量CT的层间插值技术研究;孟博;《中国优秀硕士学位论文全文数据库信息科技辑》;20131115;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112102213A (zh) | 2020-12-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112102213B (zh) | 低剂量ct图像处理方法、扫描系统及计算机存储介质 | |
| WO2021077997A9 (zh) | 图像去噪的多生成器生成对抗网络学习方法 | |
| CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| CN110728729B (zh) | 一种基于注意机制的无监督ct投影域数据恢复方法 | |
| CN112348936B (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
| Yuan et al. | SIPID: A deep learning framework for sinogram interpolation and image denoising in low-dose CT reconstruction | |
| CN108898642A (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
| CN110473150B (zh) | 基于多特征提取的cnn医学ct图像去噪方法 | |
| CN112102428B (zh) | Ct锥形束扫描图像重建方法、扫描系统及存储介质 | |
| CN109697691B (zh) | 一种基于l0范数和奇异值阈值分解的双正则项优化的有限角投影重建方法 | |
| CN106127825B (zh) | 一种基于广义惩罚加权最小二乘的x射线ct图像重建方法 | |
| CN116863014A (zh) | 一种基于深度双域联合引导学习的ldct图像重建方法 | |
| CN113177991A (zh) | 一种基于计划ct校正cbct中散射伪影的方法 | |
| Chan et al. | An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction | |
| CN103793890A (zh) | 一种能谱ct图像的恢复处理方法 | |
| WO2022091869A1 (ja) | 医用画像処理装置、医用画像処理方法及びプログラム | |
| CN111080736B (zh) | 一种基于稀疏变换的低剂量ct图像重建方法 | |
| CN112116677B (zh) | 一种基于低维流形先验的低剂量ct重建方法 | |
| CN115880387A (zh) | 基于离散nlhtv正则项的稀疏角度采样ct迭代重建方法 | |
| CN113706653B (zh) | 基于AwTV的CT迭代重建替代函数优化方法 | |
| Liu et al. | Deep iterative reconstruction network based on residual constraint for low-dose CT imaging | |
| CN111739114A (zh) | 一种基于孪生反馈网络的低剂量ct重建方法 | |
| Xie et al. | Metal artifact correction in head computed tomography based on a homographic adaptation convolution neural network | |
| CN117726705B (zh) | 一种同时低剂量ct重建与金属伪影校正的深度学习方法 | |
| Zhang et al. | Low-Dose Computed Tomography Image Denoising with Variance-Stabilizing Transformation and Noise Variance Estimation |
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 |