基于投影的CT图像金属伪影非线性权重校正

为抑制计算机层析造影(CT)系统重建图像中出现的金属伪影,提高图像的质量,采用一种基于金属投影非线性权重衰减的方法进行校正。对原始的投影直接重建,在得到的图像中利用阈值分离出金属区域,并重新对该金属区域进行投影,便得到原始的投影中金属投影的区间。只对该金属投影进行合适的非线性衰减。再用传统的滤波反投影方法重建图像。数值模拟表明,该方法不但能基本消除由射线硬化和射线剧烈衰减而引起的金属伪影,而且能保留金属信息,同时能增强金属区域不同部分之间的对比度,使得重建图像的质量得到很大的提高。该算法计算复杂度较小,实现简单,具有较高的实用价值。     

基于投影空间的CT射束硬化校正方法

针对医用X线CT成像系统的多色能谱X线在成像过程中出现的CT图像硬化伪影,会降低图像质量,干扰诊断等问题,需要对CT硬化伪影进行校正.本文对于单介质水和水骨混合物分别提出了一种基于投影空间优化的多项式拟合校正方法.首先,构建投影校正模型和理想投影模型;然后,将构建的投影校正模型与理想投影模型做对比,差异最小时确定校正系数;最后,把校正系数代入投影校正模型中再重建图像.经仿真实验结果表明,所提出的多项式拟合校正方法能够很好地去除CT硬化伪影,提高图像精度,对CT的精准定量分析具有重大意义.     

一种射束硬化伪影校正方法

提出了一种医用CT图像射束硬化伪影校正后处理算法。CT扫描机扫描得到的投影数据重建CT图像,对此图像进行分割,得到仅包含高密度物质的图像。分别对原始图像和高密度物质图像进行投影,并对投影数据进行校正。使用校正后的投影数据进行图像重建,得到包含校正信息的校正图像。对原始CT图像,使用校正图像进行CT值校正,得到校正后的CT图像。通过实验,验证了该后处理校正算法的有效性和稳定性。     

基于重建图像全角度前投影的硬化校正方法

现有的硬化效应校正方法依赖于射线频谱等先验条件,校正过程较为复杂,因此提出一种基于重建图像全角度前投影的硬化校正方法.对重建后的图像进行区域分割,提取出杯状伪影主要影响的组织区域;然后进行基于像素点的全角度前投影,获得校正基算子;再将校正基算子及其高次方乘积进行线性组合获得校正算子,并将此校正算子应用于原图像从而达到校正的目的.水模、头模和西瓜的校正结果显示,本方法对单物质及近人体的物质重建图像的硬化效应均有较好的校正效果.     

基于阈值的平板探测器增益校正方法

为了更好地提高平板探测器在齿科CT中采集图像的质量,去除由于探测器制造缺陷等因素而导致的CT重建切片中的条状和环状伪影,提出了一种基于阈值的平板探测器增益校正方法.利用采集的相同放射条件下的空气数据,通过归一化方法计算得到增益系数矩阵.考虑到物体对射线的衰减性,先通过阈值区分出图像的不同部分,然后根据增益系数矩阵和阈值判断结果,对图像的每个像素逐一进行校正.实验结果表明:在校正后的图像中,由于探测器制造缺陷等因素所引起的重建切片中的大量条纹以及环状伪影被有效地清除,且未出现新引入的条纹,重建切片的图像质量得到明显改善.     

基于阈值的平板探测器增益校正方法

为了更好地提高平板探测器在齿科CT中采集图像的质量,去除由于探测器制造缺陷等因素而导致的CT重建切片中的条状和环状伪影,提出了一种基于阈值的平板探测器增益校正方法.利用采集的相同放射条件下的空气数据,通过归一化方法计算得到增益系数矩阵.考虑到物体对射线的衰减性,先通过阈值区分出图像的不同部分,然后根据增益系数矩阵和阈值判断结果,对图像的每个像素逐一进行校正.实验结果表明:在校正后的图像中,由于探测器制造缺陷等因素所引起的重建切片中的大量条纹以及环状伪影被有效地清除,且未出现新引入的条纹,重建切片的图像质量得到明显改善.     

基于卷积神经网络的能谱CT射束硬化伪影抑制方法

X射线能谱CT探测器可以通过一次扫描,对两个不同的能量区间进行图像重建,由于重建算法基于单色X 射线源的假设,低能量重建图像会存在明显的射束硬化伪影. 为此提出了一种用于校正射束硬化伪影的卷积神经网络结构,使用大规模的体模样本进行训练:利用低能和高能重建图像共同作为网络输入以提取伪影特征,通过最小化输出和无伪影图像之间的均方误差来对低能图像进行校正.在两种不同能谱组合中的测试结果证明了该方法可以在保留物质结构特征的基础上抑制射束硬化伪影,校正后低能图像的峰值信噪比大约提高了20 dB.     

基于双字典自适应学习算法的低采样率CT重建

在医疗诊断中,稀疏采样能减少CT扫描过程中辐射对患者的伤害.但直接对稀疏采样后的投影数据进行重建,会使CT重建后的图像出现失真、伪影等问题.为保证低采样率下重建图像的质量,提出了双字典自适应学习算法,参照Sparse-Land模型的双字典学习框架,将K-SVD算法与双字典学习算法框架相结合得到补全投影数据,利用FBP算法进行重建得到高质量的重建图像.实验结果表明,在低采样率下使用所提方法进行CT重建的图像质量优于COMP双字典学习算法和MOD双字典学习算法,并且此方法有效提高了CT图像重建在低采样率时的性能.     

CT图像校正算法性能影响研究

在分析简单线性插值的基础上,使用简单线性插值、二次多项式插值和四次多项式对采集来的含有金属伪影的CT图像进行校正并对校正结果从定量和定性两个角度进行比较.实验结果表明,简单线性插值算法运行速度最快,二次多项式插值次之,四次多项式最慢.均方根差(RMSE)方面,原始含有金属伪影的CT图像最大,一次线性插值校正方法次之、二次线性插值校正方法再次之,四次线性插值校正方法最小.     

第3代双源CT虚拟单能量成像去除腰椎金属 内固定伪影的效果评估

目的:评估双源CT虚拟单能量成像对腰椎椎弓根螺钉内固定术后腰椎金属伪影的去除效果.方法:对40例腰椎椎弓根螺钉内固定术后患者使用Force双源CT行双能量扫描复查,并将图像进行标准线性融合(M_0.6)、FAST DE、虚拟单能量图像重建6组(虚拟能级为40～190 keV,间隔为30 keV)共8组.分别对8组图像的主观质量按照4分法评分.使用Friedman(M)检验评价8组图像的主观质量评分之间差异;用Kappa检验评价主观评分的一致性;客观评分为有、无伪影层面腰大肌CT值,并对其进行配对t检验.结果:130 keV及160 keV图像主观评分明显优于其他组重建图像(P0.01),其中130 keV图像评分均值显著高于160 keV图像(P0.01);130 keV图像中腰大肌CT值,在有、无伪影层面无统计学差异(P0.05).结论:双源CT虚拟单能量重建技术可以减少腰椎内固定金属伪影,得到高质量的重建图像,最佳成像条件为130 keV单能量重建.     

基于正弦图分区修复的稀疏角度CT重建算法

针对稀疏投影CT重建图像中的条形伪影问题,提出一种稀疏表示与低秩矩阵填充相结合的正弦图分区修复方法.首先,将正弦图子块依据灰度熵大小分为两类;然后,采用字典学习算法修复边界区域的正弦图子块,为了保留正弦图的内部结构,设计一种联合修复模型用于内部子块的修复,将正弦图的低秩特性融入稀疏表示模型中,以便引入非局部信息;最后,组成完整的正弦图并经滤波反投影(FBP)重建获得最终图像.实验结果表明,与经典算法相比,该算法在投影域与图像域皆有较优表现,能够较好地修复正弦图的结构,明显改善稀疏重建图像中的条形伪影及结构模糊问题.     

基于投影直方图提取目标感兴趣区域的新方法

提出了一种基于灰度投影直方图获取单幅检测样品的目标感兴趣区域的方法,并利用鲁棒的图像匹配算法生成参考图像.首先,采用改进的灰度投影直方图法获得单幅图像的检测样品感兴趣区域,建立感兴趣区域提取模型;其次,利用基于形状的特征匹配算法学习样品图像,生成印刷品检测的参考图像,在此基础上,提出基于图像金字塔数据结构的分层匹配方法.实验结果表明,该方法能够在87 ms内获取首张图像样品感兴趣区域,并且图像匹配过程对图像之间存在的明暗程度、旋转变化等干扰具有良好的鲁棒性,匹配精度可达95%,匹配时间为152 ms,可快速准确地生成参考图像.     

基于全局-局部保持投影的稀疏降维方法

该文提出了一种基于全局-局部结构保持的稀疏投影模型(GLSPP).通过对投影数据进行线性重构来保持数据的全局结构,从而保留投影数据的全局信息.通过约束重构系数矩阵与相似性矩阵的相似性来保持全局保持数据和局部保持投影数据的一致性.同时,对重构系数矩阵和相似性矩阵进行稀疏约束,保留主要信息,以减少冗余信息的干扰.在公开的4个人脸与物体数据集上的实验结果显示:该方法具有较高的分类准确率.     

基于超复数计算的3D径向坐标可视化映射方法

提出一种多维数据3D空间可视化方法。在二维径向坐标映射基础上,引入雷达图的面积特征作为第三维,构成三维径向坐标映射。基于超复数实现径向坐标在3D空间的计算。实验结果表明,三维映射较二维映射更能反映数据结构信息,有效处理了二维径向坐标映射中映射数据点易堆叠的问题。     

空间三维测量技术的研究

以透视投影变换为依据,研究了空间三维测量技术,提出了一种新的标定方法。利用相机做一次平移运动,可以线性的确定摄像机的内参数,然后利用已求得的内参数来求外部参数。本方法不需精确标定靶标,不需要任何的高精度复杂装置,最后结果表明,此方法能够得到比较满意的精度要求。     

基于视觉语义与RSSVM的图像检索

以图像的视觉语义为基础,设计了一种新的空间转换模型,提出了一种新的图像语义描述方法.首先,采用NCut方法对图像进行分割,提取每个区域的颜色、纹理与形状等视觉特征;再用K-Means聚类方法对训练集中所有的视觉特征进行聚类,称聚类中心为视觉语义(Visual Semantic,VS),用来构造投影空间;然后通过所定义的非线性函数,将每幅图像向投影空间作映射,得到图像的投影特征;最后,为了提高分类器的训练效率与性能,先采用RS(粗糙集)方法对投影特征进行属性约简,再用支持向量机(SVM)进行学习和分类.基于Corel图像集的对比实验结果表明,该方法性能受聚类数的影响不大,鲁棒性强,且性能优于其它方法.