-
公开(公告)号：CN117726706B
公开(公告)日：2024-10-22
申请号：CN202311747610.3
申请日：2023-12-19
Applicant: 燕山大学
IPC: G06T11/00 , G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/045 , G06N3/088
Abstract: 本发明公开了一种无监督深度字典学习的CT金属伪影校正与超分辨率方法，包括如下步骤：S1、构建初始CT图像数据集；S2、构建无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型；S3、设计训练无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型所需的损失函数；S4、基于训练参数和损失函数对无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型进行优化和训练，得到最优的无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型；S5、输出金属伪影校正和超分辨率的CT图像。本发明进一步提高CT图像质量，既能对CT图像的金属伪影进行校正，同时能提高CT图像的分辨率。
-
公开(公告)号：CN116485684A
公开(公告)日：2023-07-25
申请号：CN202310526349.8
申请日：2023-05-11
Applicant: 燕山大学
IPC: G06T5/00 , G06T3/40 , G06V10/764 , G06V10/774 , G06N3/0455 , G06N3/0464 , G06N3/0895
Abstract: 本发明公开了一种基于自监督学习的高精度CT金属伪影校正方法，属于计算机医学成像技术领域，具体为：创建用于训练网络的数据集，并将数据集分为训练集和测试集；构建基于紧标架的模型驱动的图像域子网络、基于Transformer的数据驱动正弦域子网络以及一个新颖的耦合机制用以连接两个子网络；为优化耦合模型‑数据双驱动网络，设计损失函数；训练数据集及损失函数训练优化耦合双驱动网络，直至训练结束，获得最优网络模型；将测试集图像输入到步骤3中训练好的网络模型中，得到金属伪影校正图像。本申请在利用具有较少网络参数量的同时具有高精度的金属伪影校正性能，缓解了训练网络对配对CT图像的需求。
-
公开(公告)号：CN116452423A
公开(公告)日：2023-07-18
申请号：CN202310526450.3
申请日：2023-05-11
Applicant: 燕山大学
Abstract: 本发明公开了一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，属于医学成像领域，具体为：模拟稀疏角度采样下受射束硬化影响的投影数据，获得稀疏采样且含金属迹的正弦图样；对稀疏正弦图插值处理得到全采样尺寸的正弦图，将该正弦图作为正弦域的初始正弦图；根据伪影的可加性性质，对含大量伪影的CT图像进行初步分解，得到图像域的初始估计图像和伪影域的初始伪影图像；建立多域优化模型，对构建的多域优化问题进行交替迭代最小化求解；分别对正弦域、图像域和伪影域进行迭代更新；输出重建的高精度CT图像。本发明能够模拟CT成像设备获得的含金属迹且稀疏的正弦图样进行同时稀疏角度CT重建及金属伪影校正，重建效果好校正精度高。
-
公开(公告)号：CN117726704B
公开(公告)日：2024-11-05
申请号：CN202311747475.2
申请日：2023-12-19
Applicant: 燕山大学
IPC: G06T11/00 , G06T5/60 , G06T5/80 , G06T7/00 , G06T5/20 , G06T7/44 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种卡通纹理字典网络的有限角度CT金属伪影校正方法，包括如下步骤：步骤S1、模拟有限角度采样下金属影响的CT投影数据，即获得有限角度采样且含金属迹的正弦图，并对投影数据进行滤波反投影FBP操作，得到待重建的CT图像初始估计；步骤S2、将待重建的CT图像进行分解，得到卡通分量和纹理分量图像；步骤S3、建立基于卡通分量和纹理分量的优化模型；步骤S4、对构建的优化模型进行交替迭代最小化求解，分别对卡通分量、纹理分量和CT图像进行迭代更新；步骤S5、输出重建的高精度CT图像。本发明能够实现金属植入物存在下的有限角度CT高质量重建；所提出的卡通纹理深度字典网络具有模型可解释性。
-
公开(公告)号：CN117726704A
公开(公告)日：2024-03-19
申请号：CN202311747475.2
申请日：2023-12-19
Applicant: 燕山大学
IPC: G06T11/00 , G06T5/60 , G06T5/80 , G06T7/00 , G06T5/20 , G06T7/44 , G06N3/042 , G06N3/0464 , G06N3/084
Abstract: 本发明公开了一种卡通纹理字典网络的有限角度CT金属伪影校正方法，包括如下步骤：步骤S1、模拟有限角度采样下金属影响的CT投影数据，即获得有限角度采样且含金属迹的正弦图，并对投影数据进行滤波反投影FBP操作，得到待重建的CT图像初始估计；步骤S2、将待重建的CT图像进行分解，得到卡通分量和纹理分量图像；步骤S3、建立基于卡通分量和纹理分量的优化模型；步骤S4、对构建的优化模型进行交替迭代最小化求解，分别对卡通分量、纹理分量和CT图像进行迭代更新；步骤S5、输出重建的高精度CT图像。本发明能够实现金属植入物存在下的有限角度CT高质量重建；所提出的卡通纹理深度字典网络具有模型可解释性。
-
Patent Agency Ranking
公开(公告)号：CN118071855A
公开(公告)日：2024-05-24
申请号：CN202311747741.1
申请日：2023-12-19
Applicant: 燕山大学
Abstract: 本发明公开了一种基于多尺度自适应紧标架网络的少角度CT重建方法，包括如下步骤：模拟CT设备在少角度情况下采集到的不完整投影数据，获得初始CT图像；构建少角度CT优化模型；利用梯度下降迭代算法求解优化问题，并展开迭代为一个端到端的深度神经网络；在每一次梯度下降中，用多尺度自适应紧标架网络学习正则化项梯度，首先在单紧标架网络中利用频域transformer自适应生成阈值以针对不同尺度下特征滤除噪声，其次将生成的多尺度图像输入CNN网络学习权重并加权融合多尺度图像，迭代完成输出高质量重建图像。本发明用于解决少角度CT成像反问题，利用尺度内特性和跨尺度互补性提高重建图像质量，且网络框架具有可解释性。
-
公开(公告)号：CN117726705A
公开(公告)日：2024-03-19
申请号：CN202311747526.1
申请日：2023-12-19
Applicant: 燕山大学
Abstract: 本发明公开了一种同时低剂量CT重建与金属伪影校正的深度学习方法，包括如下步骤：步骤S1、构建用于低剂量CT重建和金属伪影校正的基于多尺度自适应的深度稀疏变换网络模型；步骤S2、训练基于多尺度自适应的深度稀疏变换网络：步骤S3、向构建好的图像域最优网络模型中输入含有金属伪影的低剂量CT图像和金属掩膜，基于多尺度自适应的深度稀疏变换网络的输出为金属伪影校正后CT图像。本发明是少数用于金属植入物存在时的低剂量CT重建的方法，具有一定的可解释性，且不需要用到难以获得的弦域数据，具有高精度的金属伪影校正性能。
-
公开(公告)号：CN112288633B
公开(公告)日：2022-07-29
申请号：CN202011181332.6
申请日：2020-10-29
Applicant: 燕山大学
Abstract: 本发明涉及一种新型亚像素分辨率衍射成像方法，属于成像技术领域，具体步骤包括光路布置、单次照明、数据采集、测量数据传至终端并构建优化模型、利用衍射强度图样重建图像、高斯噪声滤波和判断是否可以终止算法。本发明依据相干光照明成像的原理，设计了基于高分辨率空间光调制器的数据采集系统，与现有光学系统相比，本发明材料及制备工艺简单，能够利用较低分辨率相机重建出比相机分辨率明显高的物体图像，成本低，效果好。
-
公开(公告)号：CN117726705B
公开(公告)日：2024-10-22
申请号：CN202311747526.1
申请日：2023-12-19
Applicant: 燕山大学
Abstract: 本发明公开了一种同时低剂量CT重建与金属伪影校正的深度学习方法，包括如下步骤：步骤S1、构建用于低剂量CT重建和金属伪影校正的基于多尺度自适应的深度稀疏变换网络模型；步骤S2、训练基于多尺度自适应的深度稀疏变换网络：步骤S3、向构建好的图像域最优网络模型中输入含有金属伪影的低剂量CT图像和金属掩膜，基于多尺度自适应的深度稀疏变换网络的输出为金属伪影校正后CT图像。本发明是少数用于金属植入物存在时的低剂量CT重建的方法，具有一定的可解释性，且不需要用到难以获得的弦域数据，具有高精度的金属伪影校正性能。
-
公开(公告)号：CN117726706A
公开(公告)日：2024-03-19
申请号：CN202311747610.3
申请日：2023-12-19
Applicant: 燕山大学
IPC: G06T11/00 , G06T3/4053 , G06T3/4046 , G06N3/0464 , G06N3/045 , G06N3/088
Abstract: 本发明公开了一种无监督深度字典学习的CT金属伪影校正与超分辨率方法，包括如下步骤：S1、构建初始CT图像数据集；S2、构建无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型；S3、设计训练无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型所需的损失函数；S4、基于训练参数和损失函数对无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型进行优化和训练，得到最优的无监督深度字典网络联合CT金属伪影校正与超分辨率网络模型；S5、输出金属伪影校正和超分辨率的CT图像。本发明进一步提高CT图像质量，既能对CT图像的金属伪影进行校正，同时能提高CT图像的分辨率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.011 seconds)
