CN109171792B - 成像方法及使用该成像方法的ct成像系统 - Google Patents
成像方法及使用该成像方法的ct成像系统 Download PDFInfo
- Publication number
- CN109171792B CN109171792B CN201811227526.8A CN201811227526A CN109171792B CN 109171792 B CN109171792 B CN 109171792B CN 201811227526 A CN201811227526 A CN 201811227526A CN 109171792 B CN109171792 B CN 109171792B
- Authority
- CN
- China
- Prior art keywords
- projection data
- image
- dynamic
- scanned
- static
- 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
- 238000013170 computed tomography imaging Methods 0.000 title claims abstract description 36
- 238000003384 imaging method Methods 0.000 title claims abstract description 29
- 230000003068 static effect Effects 0.000 claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000005284 excitation Effects 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 10
- 230000002093 peripheral effect Effects 0.000 abstract 1
- 230000005855 radiation Effects 0.000 description 24
- 238000000034 method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000747 cardiac effect Effects 0.000 description 2
- 238000002591 computed tomography Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/02—Arrangements for diagnosis sequentially in different planes; Stereoscopic radiation diagnosis
- A61B6/03—Computed tomography [CT]
- A61B6/032—Transmission computed tomography [CT]
- A61B6/035—Mechanical aspects of CT
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
- A61B6/5264—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise due to motion
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Heart & Thoracic Surgery (AREA)
- High Energy & Nuclear Physics (AREA)
- Veterinary Medicine (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Optics & Photonics (AREA)
- General Physics & Mathematics (AREA)
- Radiology & Medical Imaging (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Pulmonology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明提供了一种成像方法及使用该成像方法的CT成像系统，通过分别获得待扫描物的动态投影数据和静态投影数据；使用动态投影数据训练得到稳定的图像重建神经网络后，实现输入静态投影数据即可得到图像质量和时间分辨率较高的CT图像。CT成像系统包括若干组环设于待扫描物周侧的射线源和探测器，待扫描物相对于成组设置的射线源和探测器可相对旋转。通过该成像方法可以获得图像质量和时间分辨率较高的CT图像。
Description
技术领域
本发明涉及计算机断层摄影图像技术领域，尤其涉及一种成像方法及使用该成像方法的CT成像系统。
背景技术
传统的CT成像方法是采用被扫描物体旋转或者射线源和探测器旋转的方法获取被扫描物体各个角度的投影数据，再通过重建算法计算出CT图像。传统CT可以认为是慢速CT，因此在旋转期间物体不能发生任何移动，不然会导致重建图像出现严重的运动伪影。
对于运动物体的成像，如心脏成像，使用慢速的CT成像方法势必会产生较多的运动伪影。为了解决运动物体的CT成像，一般采取的方法是通过加快扫描速度，现有最快的CT扫描速度可以达到3Hz，即一秒钟扫描三圈。虽然CT扫描速度提升了很多，但仍然无法从根本上消除运动伪影，达不到运动物体CT成像的质量要求。
有鉴于此，有必要设计一种改进的成像方法及使用该成像方法的CT成像系统，以解决上述问题。
发明内容
本发明的目的在于提供一种可以应用于运动物体和会产生形变的物体、提高成像质量的成像方法及使用该成像方法的CT成像系统。
为实现上述发明目的，本发明提供了一种成像方法，包括如下步骤：
S1，对待扫描物进行密集投影获得一系列动态投影数据，使用所述动态投影数据进行图像重建获得动态CT图像；
S2，在所述一系列动态投影数据中采样若干个动态投影数据进行图像重建获得动态初始图像；
S3，建立图像重建神经网络，以所述若干个动态投影数据作为输入投影数据，以所述动态初始图像作为输入图像，以所述动态CT图像作为输出图像对所述图像重建神经网络进行训练，得到训练好的图像重建神经网络；
S4，对待扫描物进行静态投影，获得一系列静态投影数据，使用所述静态投影数据进行图像重建，得到静态初始图像；
S5，将所述静态投影数据与所述静态初始图像输入所述训练好的图像重建神经网络，输出CT图像。
作为本发明的进一步改进，在所述步骤S1与所述步骤S4中的待扫描物的结构相同或相似。
作为本发明的进一步改进，具体地，在所述步骤S2中，采样20-30个投影数据进行图像重建获得所述动态初始图像。
作为本发明的进一步改进，所述静态投影数据包括待扫描物的20-30个角度的投影数据。
作为本发明的进一步改进，所述图像重建神经网络包括数据输入层、若干卷积计算层、全连接层以及夹在连续的所述卷积计算层之间的激励层和池化层；所述卷积计算层用于通过卷积计算提取所述数据输入层传输来的数据或图像的特征。
为实现上述发明目的，本发明还提供了一种使用如前述技术方案中任一技术方案所述的成像方法的CT成像系统，所述CT成像系统包括待扫描物、环设于所述待扫描物周侧的若干组射线源和探测器，所述待扫描物与所述若干组射线源和探测器之间可相对旋转。
作为本发明的进一步改进，所述静态投影数据是在所述若干组射线源和探测器与所述待扫描物在相对静止状态下，由所述若干组射线源和探测器同时进行曝光和数据采集获得。
作为本发明的进一步改进，所述动态投影数据是在所述待扫描物与所述若干组射线源与探测器相对旋转一周获得。
作为本发明的进一步改进，所述待扫描物设置在置物台上，所述置物台可旋转，所述若干组射线源与探测器静止不动，所述置物台旋转以带动待扫描物相对于所述若干组射线源与探测器旋转一周以获得所述动态投影数据。
作为本发明的进一步改进，所述若干组射线源与探测器设置于导轨上，所述待扫描物不动，所述若干组射线源与探测器沿所述导轨绕所述待扫描物转动一周以获得所述动态投影数据。
作为本发明的进一步改进，所述步骤S4中获得的一系列静态投影数据与所述射线源与所述探测器的组数相对应。
本发明的有益效果是：本发明成像方法通过动态CT成像获得动态投影数据、动态CT图像及动态初始图像，以此对神经网络进行训练，获得稳定的图像重建神经网络；基于该图像重建神经网络，输入静态投影数据和静态初始图像，可获得图像质量和时间分辨率较高的CT图像。
附图说明
图1为本发明成像方法的流程示意图。
图2为本发明CT成像系统一种实施方式的结构示意图。
图3为图2另一角度的结构示意图。
图4为本发明CT成像系统另一种实施方式的结构示意图。
图5为本发明的图像重建神经网络的训练过程示意图。
图6为本发明的图像重建神经网络的使用过程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。
在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。
另外，还需要说明的是，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。
请参阅图1至图6所示，一种成像方法，包括如下步骤：
S1，对待扫描物进行密集投影获得一系列动态投影数据，使用动态投影数据进行图像重建获得动态CT图像；
S2，在一系列动态投影数据中采样若干个动态投影数据进行图像重建获得动态初始图像；
S3，建立图像重建神经网络，以若干个动态投影数据作为输入投影数据，以动态初始图像作为输入图像，以动态CT图像作为输出图像对图像重建神经网络进行训练，得到训练好的图像重建神经网络；
S4，对待扫描物进行静态投影，获得一系列静态投影数据，使用静态投影数据进行图像重建，得到静态初始图像；
S5，将静态投影数据与静态初始图像输入训练好的图像重建神经网络，输出CT图像。
其中，在步骤S1与步骤S4中使用的待扫描物的结构相同或相似。即，在图像重建神经网络的训练过程与使用过程中使用的被扫描物结构相同或相似，如此，可以提高图像重建神经网络训练的效果和最终重建的图像质量。
请参阅图5至图6并结合图1所示，在步骤S3中，图像重建神经网络包括数据输入层、若干卷积计算层、全连接层以及夹在连续的卷积计算层之间的激励层和池化层。数据输入层主要用于对输入图像重建神经网络的输入数据进行去均值、归一化和PCA(PrincipalComponent Analysis)等处理后，将数据传送至卷积计算层。卷积计算层用于通过卷积计算提取数据输入层传输来的数据或图像的特征，并输出结果。激励层主要用于对卷积计算层的输出结果做非线性映射。池化层用于压缩数据和数据中的参数量，以减小过拟合。全连接层在图像重建神经网络的尾部，全连接层中的每个神经元与其前一层的所有神经元进行全连接，用于使图像重建神经网络中的任意两层之间的所有神经元都有权重连接，以将前边提取到的特征综合起来。
请参阅图2至图4所示，本发明还提供了一种使用该成像方法的CT成像系统100，包括用于放置待扫描物的置物台1、环设于置物台1周侧的若干组呈环形设置的射线源2和探测器3，且探测器3设置于射线源2的内侧，相邻设置的探测器3之间具有供射线源2的射线穿过的间隙31。
优选地，CT成像系统100包括20-30组探测器3与射线源2。每一组射线源2和探测器3分设于置物台1的相对两侧且二者之间的相对位置固定不变，所有射线源2与探测器3的连线相交于一位置点，置物台1设置于该位置点，以便于射线源2发射的射线穿过待扫描物后到达探测器3。
置物台1与若干组射线源2和探测器3之间可进行相对旋转。如此设置，便于在步骤S1中，射线源2和探测器3相对于置物台1上的待扫描物转动一周，进行密集投影以采集一系列动态投影数据，包括待扫描物的几百个角度的投影数据，进而使用该动态投影数据进行图像重建获得动态CT图像。需要说明的是，该动态CT图像具有较高的图像质量、较差的时间分辨率。
在一种实施方式中，置物台1的下方设有旋转台11。在步骤S1中，若干组射线源2与探测器3静止不动时，旋转台11转动以带动置物台1及放置于置物台1上的待扫描物旋转一周以获得动态投影数据。
在另一种实施方式中，探测器3与射线源2的下方设置有环设于置物台1周侧的导轨21，成组设置的探测器3与射线源2可以沿导轨21绕置物台1转动。在步骤S1中，置物台1静止不动，成组设置的探测器3与射线源2沿导轨21绕待扫描物旋转一周以获得动态投影数据。当然，也可以同时在置物台1下方设置旋转台11，在探测器3与射线源2下方设置导轨21。
需要说明的是，也可以采用其他实施方式实现置物台1与若干组射线源2和探测器3之间的相对旋转，在此不予限制。
优选地，在步骤S2中，采样20-30个动态投影数据进行图像重建获得动态初始图像；在步骤S3中，以该20-30个动态投影数据作为训练图像重建神经网络的输入投影数据，以前面获得的动态初始图像作为训练图像重建神经网络的输入图像进行图像重建神经网络的训练。在步骤S4中，静态投影数据是在若干组射线源2和探测器3与待扫描物在相对静止状态下，由若干组射线源2和探测器3同时进行曝光和数据采集获得的一系列静态投影数据，包括待扫描物的20-30个角度的投影数据。步骤S4中获得的一系列静态投影数据与射线源2与探测器3的组数相对应。静态投影数据的数据量远远少于动态投影数据的数据量。如此，射线源2、探测器3以及置物台1三者之间保持相对静止，避免了传统扫描方式中出现的运动伪影。在步骤S5中，基于静态投影数据、静态初始图像及训练好的图像重建神经网络得到的CT图像具有较高的图像质量、较高的时间分辨率。
需要说明的是，在步骤S1与步骤S4中，使用的CT成像系统100相同。如此，保证了在图像重建神经网络的训练过程与使用过程中，采集动态投影数据与采集静态投影数据时，CT成像系统100的几何参数相同，确保了训练得到的图像重建神经网络的适用性。
综上所述，本发明中的CT成像系统100包括若干组设于置物台1周侧的射线源2和探测器3，置物台1相对于成对设置的射线源2和探测器3可相对旋转；使用该CT成像系统100对神经网络进行训练，建立输入投影数据和动态初始图像与动态CT图像的之间的关系，获得训练好的图像重建神经网络；本发明的成像方法基于该图像重建神经网络与该CT成像系统100使用少量的静态投影数据与静态初始图像可以快速的对运动物体、会产生形变的物体进行成像，并获得图像质量与时间分辨率较高的CT图像，加快了CT成像系统100的成像效率，克服了运动物体、会产生形变的物体成像中存在较多运动伪影的缺点。该成像方法与CT成像系统100可应用于运动物体、会产生形变的物体的CT成像，如：心脏成像。即，本发明的成像方法与CT成像系统100实现了对运动物体、会产生形变的物体进行快速、图像质量与时间分辨率较高的CT成像。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，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精神和范围。
Claims (11)
1.一种成像方法，包括如下步骤：
S1，对待扫描物进行密集投影获得一系列动态投影数据，使用所述动态投影数据进行图像重建获得动态CT图像；
S2，在所述一系列动态投影数据中采样若干个动态投影数据进行图像重建获得动态初始图像；
S3，建立图像重建神经网络，以所述若干个动态投影数据作为输入投影数据，以所述动态初始图像作为输入图像，以所述动态CT图像作为输出图像对所述图像重建神经网络进行训练，得到训练好的图像重建神经网络；
S4，对待扫描物进行静态投影，获得一系列静态投影数据，使用所述静态投影数据进行图像重建，得到静态初始图像；
S5，将所述静态投影数据与所述静态初始图像输入所述训练好的图像重建神经网络，输出CT图像。
2.根据权利要求1所述的成像方法，其特征在于：在所述步骤S1与所述步骤S4中的待扫描物的结构相同或相似。
3.根据权利要求1所述的成像方法，其特征在于：具体地，在所述步骤S2中，采样20-30个投影数据进行图像重建获得所述动态初始图像。
4.根据权利要求1所述的成像方法，其特征在于：所述静态投影数据包括待扫描物的20-30个角度的投影数据。
5.根据权利要求1所述的成像方法，其特征在于：所述图像重建神经网络包括数据输入层、若干卷积计算层、全连接层以及夹在连续的所述卷积计算层之间的激励层和池化层；所述卷积计算层用于通过卷积计算提取所述数据输入层传输来的数据或图像的特征。
6.一种使用如权利要求1-5中任一权利要求所述的成像方法的CT成像系统，其特征在于：所述CT成像系统包括待扫描物、环设于所述待扫描物周侧的若干组射线源和探测器，所述待扫描物与所述若干组射线源和探测器之间可相对旋转。
7.根据权利要求6所述的CT成像系统，其特征在于：所述静态投影数据是在所述若干组射线源和探测器与所述待扫描物在相对静止状态下，由所述若干组射线源和探测器同时进行曝光和数据采集获得。
8.根据权利要求6所述的CT成像系统，其特征在于：所述动态投影数据是在所述待扫描物与所述若干组射线源与探测器相对旋转一周获得。
9.根据权利要求8所述的CT成像系统，其特征在于：所述待扫描物设置在置物台上，所述置物台可旋转，所述若干组射线源与探测器静止不动，所述置物台旋转以带动待扫描物相对于所述若干组射线源与探测器旋转一周以获得所述动态投影数据。
10.根据权利要求8所述的CT成像系统，其特征在于：所述若干组射线源与探测器设置于导轨上，所述待扫描物不动，所述若干组射线源与探测器沿所述导轨绕所述待扫描物转动一周以获得所述动态投影数据。
11.根据权利要求6所述的CT成像系统，其特征在于：所述步骤S4中获得的一系列静态投影数据与所述射线源与所述探测器的组数相对应。
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811145130 | 2018-09-29 | ||
| CN2018215970305 | 2018-09-29 | ||
| CN2018111451309 | 2018-09-29 | ||
| CN201821597030 | 2018-09-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109171792A CN109171792A (zh) | 2019-01-11 |
| CN109171792B true CN109171792B (zh) | 2022-06-07 |
Family
ID=64946021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811227526.8A Active CN109171792B (zh) | 2018-09-29 | 2018-10-22 | 成像方法及使用该成像方法的ct成像系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109171792B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111657979A (zh) * | 2019-03-08 | 2020-09-15 | 江苏一影医疗设备有限公司 | Ct成像系统及其成像方法 |
| CN110051378B (zh) * | 2019-04-30 | 2023-07-25 | 上海联影医疗科技股份有限公司 | Ct成像方法、ct数据采集方法、系统、设备及存储介质 |
| CN110428370B (zh) * | 2019-07-01 | 2021-11-23 | 北京理工大学 | 一种利用偏心旋转提高锥形束spect成像分辨率的方法 |
| CN113812971B (zh) * | 2021-08-27 | 2023-10-13 | 浙江大学 | 一种多自由度四维双能锥束ct成像系统及方法 |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102379716A (zh) * | 2011-08-24 | 2012-03-21 | 苏州生物医学工程技术研究所 | 一种静态ct扫描仪系统及其扫描方法 |
| 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 |
| CN106204449B (zh) * | 2016-07-06 | 2019-09-10 | 安徽工业大学 | 一种基于对称深度网络的单幅图像超分辨率重建方法 |
| US20180018757A1 (en) * | 2016-07-13 | 2018-01-18 | Kenji Suzuki | Transforming projection data in tomography by means of machine learning |
| CN106651766A (zh) * | 2016-12-30 | 2017-05-10 | 深圳市唯特视科技有限公司 | 一种基于深度卷积神经网络的图像风格迁移方法 |
| CN108811488B (zh) * | 2017-02-27 | 2022-05-03 | 纳米维景(上海)医疗科技有限公司 | 适应大视野要求的静态实时ct成像系统及其成像方法 |
| CN106952228B (zh) * | 2017-03-10 | 2020-05-22 | 北京工业大学 | 基于图像非局部自相似性的单幅图像的超分辨率重建方法 |
| CN107330949B (zh) * | 2017-06-28 | 2020-11-03 | 上海联影医疗科技有限公司 | 一种伪影校正方法及系统 |
| CN107374658B (zh) * | 2017-07-01 | 2023-10-03 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种正侧位双能图像的拍摄系统及其拍摄方法 |
| CN107507148B (zh) * | 2017-08-30 | 2018-12-18 | 南方医科大学 | 基于卷积神经网络去除磁共振图像降采样伪影的方法 |
| CN107481297B (zh) * | 2017-08-31 | 2021-06-15 | 南方医科大学 | 一种基于卷积神经网络的ct图像重建方法 |
| CN107945132B (zh) * | 2017-11-29 | 2022-10-04 | 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 |
| CN108416821B (zh) * | 2018-03-08 | 2019-08-02 | 山东财经大学 | 一种深度神经网络的ct图像超分辨重建方法 |
-
2018
- 2018-10-22 CN CN201811227526.8A patent/CN109171792B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN109171792A (zh) | 2019-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109171792B (zh) | 成像方法及使用该成像方法的ct成像系统 | |
| CN109863512B (zh) | 用于通过流形近似进行自动变换的系统和方法 | |
| US8731269B2 (en) | Method and system for substantially reducing artifacts in circular cone beam computer tomography (CT) | |
| CN1217625C (zh) | 用于具有任意节距的多切面ct成像的部分扫描加权 | |
| EP0492896A2 (en) | Reconstructing a 3-D image | |
| WO2007098284B1 (en) | Method and apparatus for cone beam ct dynamic imaging | |
| AU2006315013A1 (en) | System and method for reconstructing an image by rectilinear trajectory scanning | |
| CN103180879B (zh) | 用于从投影数据对对象进行混合重建的设备和方法 | |
| KR20060135560A (ko) | Ｘ선 ｃｔ 장치 | |
| CN105608717A (zh) | 一种ct系统和ct图像重建方法 | |
| JPH08263638A (ja) | 物体の断層写真像を作成するシステム及び方法 | |
| CN110916708A (zh) | 一种ct扫描投影数据伪影校正方法、ct图像重建方法 | |
| CN105118039A (zh) | 实现锥束ct图像重建的方法及系统 | |
| CN110276813B (zh) | Ct图像重建方法、装置、存储介质和计算机设备 | |
| JP2007089674A (ja) | 外観形状計測装置およびｘ線ｃｔ装置 | |
| EP4071720A1 (en) | System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector | |
| CN109816747A (zh) | 一种头部ct图像的金属伪影校正方法 | |
| CN114359126A (zh) | 三维图像的几何校正方法、装置、电子设备及存储介质 | |
| CN112233030A (zh) | 一种基于深度学习的ct投影几何校正方法 | |
| JPH05168620A (ja) | Ｃｔスキャナ | |
| JP7430232B2 (ja) | グラフ学習に基づくスパース投影再構成方法 | |
| CN111657979A (zh) | Ct成像系统及其成像方法 | |
| CN209712944U (zh) | Ct成像系统 | |
| CN113052929B (zh) | 一种基于投影视角加权的直线扫描cl重建方法 | |
| JP6615531B2 (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 |
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 |