-
公开(公告)号：CN109166161B
公开(公告)日：2023-06-30
申请号：CN201810722915.1
申请日：2018-07-04
申请人： 东南大学
IPC分类号： G06T11/00 , G06T5/00 , G06N3/0464
摘要： 本发明公开了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，包括：图像预处理模块，用于获得多组匹配的低剂量CT图像和常规剂量CT图像并将和相减获得噪声伪影图像Ns；噪声伪影抑制卷积神经网络建立模块用于将作为训练图像，Ns作为标签图像，建立与Ns之间的映射卷积神经网络；网络训练模块，用于通过降低神经网络损失函数，来训练噪声伪影抑制卷积神经网络；网络处理模块，用于将待处理低剂量CT图像输入映射卷积神经网络进行处理，得到预测的噪声伪影图像噪声伪影抑制模块，用于将减去得到噪声伪影抑制后的图像本发明可有效的抑制低剂量CT数据中的噪声伪影，处理后的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。
-
公开(公告)号：CN109102550A
公开(公告)日：2018-12-28
申请号：CN201810586113.2
申请日：2018-06-08
申请人： 东南大学
摘要： 本发明公开了一种基于卷积残差网络的全网络低剂量CT成像方法及装置，该方法首先获得多组对应的低剂量和正常剂量下的CT原始投影数据；其次，在投影空间建立基于卷积残差网络(CNN1)，该网络输入为低剂量CT投影数据，输出为处理后数据的网络，以减轻低剂量投影CT数据中的噪声及伪影并提高信噪比；随后，通过基于Ramp滤波核的FBP将投影数据重建到图像空间，在图像空间基于卷积残差网络(CNN2)进行二次处理，进一步减轻低剂量数据中的伪影及噪声。本发明可将低剂量CT数据中的伪影和噪声有效减轻，数据质量可满足临床分析、诊断等要求，提高了低剂量CT成像的图像质量。
-
公开(公告)号：CN110009613A
公开(公告)日：2019-07-12
申请号：CN201910244956.9
申请日：2019-03-28
申请人： 东南大学
摘要： 本发明提供了基于深度稠密网络的低剂量CT成像方法、装置及系统，创新性地将深度稠密网络DenseNet应用于投影空间前处理和图像空间后处理两种处理方法中，利用卷积残差神经网络充分理解CT图像数据和CT投影数据的信息。本发明通过DenseNet对图像特征的充分利用，有效分辨出星条状伪影和人体组织器官的区别，实现其中星条状伪影及噪声和组织器官特征结构成分有效的分离，因此图像质量有着较大的提升；DenseNet与其他相同规模的网络相比，参数量在一定程度上减少，因此存储空间的需求大大降低，运算速度显著提升，处理效果优于其他多种传统图像去噪算法和深度学习方法。
-
公开(公告)号：CN109166161A
公开(公告)日：2019-01-08
申请号：CN201810722915.1
申请日：2018-07-04
申请人： 东南大学
摘要： 本发明公开了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，包括：图像预处理模块，用于获得多组匹配的低剂量CT图像和常规剂量CT图像 并将和 相减获得噪声伪影图像Ns；噪声伪影抑制卷积神经网络建立模块用于将 作为训练图像，Ns作为标签图像，建立 与Ns之间的映射卷积神经网络；网络训练模块，用于通过降低神经网络损失函数，来训练噪声伪影抑制卷积神经网络；网络处理模块，用于将待处理低剂量CT图像 输入映射卷积神经网络进行处理，得到预测的噪声伪影图像 噪声伪影抑制模块，用于将 减去 得到噪声伪影抑制后的图像 本发明可有效的抑制低剂量CT数据中的噪声伪影，处理后的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。
-
公开(公告)号：CN109102550B
公开(公告)日：2023-03-31
申请号：CN201810586113.2
申请日：2018-06-08
申请人： 东南大学
摘要： 本发明公开了一种基于卷积残差网络的全网络低剂量CT成像方法及装置，该方法首先获得多组对应的低剂量和正常剂量下的CT原始投影数据；其次，在投影空间建立基于卷积残差网络(CNN1)，该网络输入为低剂量CT投影数据，输出为处理后数据的网络，以减轻低剂量投影CT数据中的噪声及伪影并提高信噪比；随后，通过基于Ramp滤波核的FBP将投影数据重建到图像空间，在图像空间基于卷积残差网络(CNN2)进行二次处理，进一步减轻低剂量数据中的伪影及噪声。本发明可将低剂量CT数据中的伪影和噪声有效减轻，数据质量可满足临床分析、诊断等要求，提高了低剂量CT成像的图像质量。
-
-
-
-
搜索结果
5 条记录 (耗时 0.017 秒)
