-
公开(公告)号：CN120031995A
公开(公告)日：2025-05-23
申请号：CN202510049214.6
申请日：2025-01-13
Applicant: 清华大学
IPC: G06T11/00 , G06F17/11 , G01N23/046
Abstract: 本申请涉及辐射成像技术领域，特别涉及一种基于玻尔兹曼输运方程的多能CT散射校正方法及装置，其中，方法包括：对物体在经多能CT扫描后得到的待校正初始多能投影数据进行预处理，获取初始校正多能投影数据；对初始校正多能投影数据进行材料密度转换，得到物质密度分布数据；对物体在多能CT扫描过程中的实际扫描能谱进行离散化和标签标记，确定预先构建的带标签的玻尔兹曼输运方程中的能谱矩阵；计算物体的多能散射信号数据；利用多能散射信号数据得到实际多能投影数据。由此，解决了相关技术中，散射校正不够精细使得物质分解获得的材料密度失真，且由于多能谱的原因，需要在不同的X射线源条件下进行多个散射估计，处理过程冗长复杂等问题。
-
公开(公告)号：CN119770168A
公开(公告)日：2025-04-08
申请号：CN202411280764.0
申请日：2024-09-12
Applicant: 清华大学
Abstract: 本发明提出一种X射线透射检查的人体定位方法，其中方法包括获取病床上患者的可见光图像和利用透视检查设备得到的该患者的术前医学影像；基于可见光图像获得对应的患者参数化模型，基于患者参数化模型拟合得到标准骨骼模型；对术前医学影像进行分割重建得到个性化骨骼模型；基于目标骨标志点，将个性化骨骼模型与标准骨骼模型进行融合以得到目标融合图像，以实现患者的靶器官定位。利用本发明的方法能够在术前根据目标骨标志点快速定位靶器官。
-
公开(公告)号：CN114549360B
公开(公告)日：2025-02-18
申请号：CN202210179548.1
申请日：2022-02-25
Applicant: 清华大学
Abstract: 本申请涉及一种多能量CT去散射降噪物质分解方法、装置、设备及介质，方法包括：对获取的多能谱成像系统的N个不同等效能量的能谱数据信息和扫描待成像物体时探测到的射线透射强度信息降维处理，并基于得到的去散射的射线透射强度信息和对应的多个不同等效能量的能谱数据信息生成分解展开的投影数据项，利用分解展开的投影数据项对待成像物体进行基材料分解，得到多能量CT去散射降噪物质分解结果，N为大于等于3的整数，解决了在CT扫描时射线散射信号的出现会导致原始线积分模型即双能/多能CT物质出现分解偏差，造成图像中出现散射伪影，影响CT能谱成像定量性能等问题，在去散射校正物质分解的同时，实现对数据高效降噪等优化处理。
-
公开(公告)号：CN119198804B
公开(公告)日：2025-02-11
申请号：CN202410383192.2
申请日：2024-04-01
Applicant: 清华大学
IPC: G01N23/046 , A61B6/40 , A61B6/00 , A61B6/06 , A61B6/03
Abstract: 本公开涉及材料检测设备技术领域，尤其涉及一种X射线倒易空间多尺度成像系统，其中，X射线准直和光栅集成装置，用于对锥束X射线进行调制，得到扇束X射线；光栅装置用于对扇束X射线照射到待测样品后产生的X射线小角散射信号进行初步调制；光栅和编码孔集成装置配置有第三光栅及编码孔，第三光栅用于对初步调制的X射线小角散射信号进行再次调制，得到调制后的X射线小角散射信号；编码孔用于对扇束X射线照射到待测样品后产生的X射线衍射信号进行调制，得到调制后的X射线衍射信号；探测器用于接收调制后的X射线小角散射信号及X射线衍射信号。本公开可一体化、自动化地对待测样品的断层成像，高效获得内部体素的晶体结构和介观尺度信息。
-
公开(公告)号：CN113920208B
公开(公告)日：2025-02-07
申请号：CN202010661255.8
申请日：2020-07-10
Applicant: 同方威视科技江苏有限公司 , 同方威视技术股份有限公司 , 清华大学
IPC: G06T9/00 , G06V10/762 , G06V10/82 , G06N3/0464 , G06N3/0455 , G06N3/088
Abstract: 本公开实施例提供了一种图像处理方法及装置、计算机可读存储介质和电子设备。该方法包括：获取待测原始图像；编码所述待测原始图像，生成所述待测原始图像的目标特征图；根据正样本原始图像获得与所述目标特征图匹配的第一目标解码向量，所述正样本原始图像为无异常区域的图像；解码所述第一目标解码向量，获得所述待测原始图像的待测生成图像。通过本公开实施例提供的技术方案，通过无异常区域的正样本原始图像来获得待测原始图像的待解码的解码向量，可以更加准确地重构待测原始图像，避免重构待测原始图像的异常区域。
-
Patent Agency Ranking
公开(公告)号：CN118566261A
公开(公告)日：2024-08-30
申请号：CN202410464201.0
申请日：2024-04-17
Applicant: 清华大学
IPC: G01N23/00 , G01N23/02 , G01N23/04 , G01N23/18 , G01N23/20 , G01N23/046 , G01N23/222
Abstract: 本发明提供一种X射线检测方法、装置、系统、电子设备及可读存储介质，其中的方法包括：基于事件模式能谱探测器，获取X射线照射下被检测物体的物体像素对应的事件信号；其中，事件信号包括能量信号和时间信号；将同一物体像素对应的多个事件信号进行叠加，得到被检测物体被扫描的目标检测信号。该方法通过利用事件模式能谱探测器获取被检测物体的物体像素在X射线照射下的事件信号，利用时间信息对单个事件信号进行逐一累加，空间信息更为精确，空间分辨率更高，且对检测条件没有限制，捕获的能谱信息也更加全面，进而能够快速获取目标检测信号对应的高信噪比图像。
-
公开(公告)号：CN114004909B
公开(公告)日：2024-07-02
申请号：CN202111284947.6
申请日：2021-11-01
Applicant: 清华大学
Abstract: 本发明提出一种基于X射线通量分布的CT重建方法及装置，其中，方法包括：获取CT扫描后得到的探测器数据，通过负对数变换得到探测器数据对应的投影图；将投影图输入预设的神经网络，得到重建图像与通量一致性指标；如果通量一致性指标满足预设条件，则直接输出重建图像；如果通量一致性指标不满足所述预设条件，则以通量一致性指标为优化目标更新神经网络，直至通量一致性指标满足所述预设条件，再最终输出重建图像。本申请的方法提升了图像重建质量，并且相较传统迭代过程的极大减少了运算量和运算时间。
-
公开(公告)号：CN118262001A
公开(公告)日：2024-06-28
申请号：CN202410436468.9
申请日：2024-04-11
Applicant: 清华大学
Abstract: 本发明提出一种基于深度学习的板状物体层析图像层间混叠伪影去除方法，该方法包括构建训练数据集，训练数据集包括含混叠伪影的板状物体二维图像组和标签二维图像，标签二维图像由标签数据提取得到，标签数据基于实验中的板状物体的各器件的无混叠伪影三维图像随机组合得到；基于深度学习构建去混叠伪影网络模型，利用训练数据集训练去混叠伪影网络模型以得到训练好的去混叠伪影网络模型；获取目标板状物体的CL扫描数据，对目标板状物体进行CL重建和提取以得到所有的目标板状物体二维图像组；将各目标板状物体二维图像组分别输入训练好的去混叠伪影网络模型得到目标板状物体的去混叠伪影的层析图像。
-
公开(公告)号：CN118131380A
公开(公告)日：2024-06-04
申请号：CN202410405004.1
申请日：2024-04-03
Applicant: 清华大学
IPC: G02B5/18
Abstract: 本申请提供了高深宽比X射线光栅的制造方法及高深宽比X射线光栅。该制造方法包括通过层叠的方式将第一材料部和第二材料部交替设置。光栅包括m个第一材料部和n个第二材料部，‑1≤m‑n≤1，且m、n均为正整数。光栅包括相互垂直的高度方向和周期方向，在高度方向和周期方向形成的平面中，光栅的高度为h，光栅还包括与周期方向平行的第一边缘和第二边缘，第一边缘的长度为D1，第二边缘的长度为D2，且D1≤D2，h(m+n)/D1＞200。
-
公开(公告)号：CN111861967B
公开(公告)日：2024-03-15
申请号：CN201910315913.5
申请日：2019-04-18
Applicant: 同方威视技术股份有限公司 , 清华大学
IPC: G06T7/00 , G06V10/75 , G06V10/774 , G06V10/82 , G06N3/0455
Abstract: 提供了一种用于检测辐射图像中的局部异常的网络，包括重建网络部分和孪生网络部分。重建网络部分包括第一编码网络、生成网络、判别网络和第二编码网络，第一编码网络用于根据原图像生成原图像的本征向量和类别，生成网络用于根据本征向量和类别生成重建图像，第二编码网络用于根据重建图像生成重建图像的本征向量。孪生网络部分基于原图像的本征向量和对应的重建图像的本征向量来判断原图像和重建图像之间的相似性，以确定是否存在局部异常。本发明还提供了对应的训练方法以及利用该网络来检测辐射图像中的局部异常的方法。
-
-
-
-
-
-
-
-
-
Search Results
328
records
(took 0.028 seconds)
