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。     

多尺度对称压缩伪影去除神经网络

图像压缩给图像带来极其复杂的压缩伪影,不仅影响人类的视觉感知,还会给目标检测等重要领域带来极大的负面影响。为了解决这一问题,提出了一个多尺度对称网络(MSSNN)来去除压缩伪影,进行压缩后图像的质量恢复,在获取基础映射的同时,得到更多不同尺度的映射特征,利用残差结构更快更好地提取和整合特征信息,并且使用一种混合损失函数控制模型训练。实验表明,所提网络可以以更少的参数代价更好地恢复图像,并且经过实验验证可以提升目标检测的效果。     

能谱CT单能量成像技术消除椎弓根螺钉金属伪影的研究

探讨能谱CT单能量成像技术消除椎弓螺钉金属伪影的应用价值。纳入45例患者的119对椎弓根螺钉行能谱CT扫描,获得9组(60～140keV,间隔10keV)能谱单能量图像和1组(140kVp)混合能量图像,测量金属植入物周围的8个兴趣区(Region of interest,ROI)和同一层面1个脂肪兴趣区的CT值的标准差SD,并算出伪影指数(Artifact index,AI)。采用独立样本t检验比较140kVp混合能量图像和单能量图像伪影指数的差异。主观评分由两位放射科医生双盲独立判断,对主观评分使用秩和检验,比较140kVp图像与单能量图像主观评分的差异,并采用Kappa一致性检验评价观察者间的一致性。随着keV的增加,各感兴趣区的伪影指数(AI)均降低。100～140keV时伪影指数均低于140kVp的伪影指数,且差异有统计学差异(P<0.05)。主观评分方面,100～140 keV图像评分高于140kVp图像的评分。120keV时两个观察者的主观评分最高,观察者间呈高度一致性,一致性系数达到0.825。能谱CT单能量成像技术可有效减少脊柱螺钉内固定后金属伪影的影响,高ke...     

射束硬化对CT系统平面内空间分辨率的影响

探讨射束硬化对于测量CT系统平面内空间分辨率的影响,在两台相同型号规格的全身16排螺旋CT机上,进行射束硬化校正和不进行射束硬化校正两种情况下,分别计算由被测CT扫描所得小针图像的MTF曲线,然后取MTF曲线幅值的0%,2%,10%以及50%处所对应的空间分辨率线对数进行对比,进而分析射束硬化对与测量扫描系统的平面内空间分辨率的影响。结果表明,在不同层厚以及不同卷积核重建小针图像情况下,是否对图像进行射束硬化校正对于测量平面内空间分辨率的影响存在差异性不同的重建图像场景,射束硬化带来的影响趋势不同。     

基于单成分被测物体的射束硬化校正算法

经典的CT重建算法基于X射线源为单色源的假设,而实际上由于工业CT机或医用CT机的X射线是多色的,通常只能得到多色投影数据。若直接用多色投影数据来重建图像,就会出现射束硬化伪迹,这种硬化伪迹如果不校正就会影响医学诊断和工业检测的结果。本文通过对计算机断层成像中射束硬化产生的原因分析,给出了基于单成分被测物体的射束硬化校正算法,并对算法进行了数值模拟。     

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DCPAN的低剂量能谱CT图像去噪方法

能谱式计算机断层扫描(CT)成像技术具备良好的能量分辨率,能够精确地鉴别人体组织成分,从而为后续诊断提供更准确的检测信息．随着辐射剂量的降低,能谱CT图像中噪声水平显著提高,对成像质量产生严重影响,进而降低了组织成分的解析精度．基于卷积神经网络(CNN)的去噪模型虽然可以显著降低图像中的噪声含量,但随着卷积层数的增加,深层神经网络通常会丢失高频信息．为了解决这一问题,并实现在低剂量条件下重建出高质量能谱CT图像,本文提出了一种结合通道注意力机制(CA)和持续自注意力机制(PSA)的密集连接持续注意力网络(DCPAN)．两种注意力机制分别建立特征图像在通道和全局维度的联系以提高网络对图像高频分量的敏感程度,进而抑制高频细节信息的丢失．该模型所采用的密集连接结构通过特征复用的方式可以在前馈传播中保留高频信息,使用复合损失函数来监督网络的训练可以使该模型对边缘特征和组织细节信息更加敏感．实验结果表明,经该模型处理的腹部切片CT图像峰值信噪比、结构相似性指数和特征相似性指数分别达到了38.25 dB、0.993 7和0.973 2以上．相比于目前先进的CT噪声去除方法,该方法具有更好的噪声抑制...     

CT图像的运动伪影校正

为了消除因患者晃动造成的运动伪影及相关误差，提高CT图像的精度，提出了通过A型或U型圆柱管校正器对CT图像的扫描过程进行监测，并通过对图形的反向缩放、平移、旋转和偏移变换，对原始图像的伪影进行校正．研究表明，提出的校正器校正法能够有效地提高CT图像的可靠性和精确性，不仅能消除或减少运动伪影，还能对CT扫描过程中的其他误差及图像处理中的误差加以校正，从而为CT图像的三维重建和定制化植入体的精确制造奠定了基础．     

基于卷积神经网络的γ放射性核素识别方法

快速、准确的放射性核素识别可有效地对放射性危险源进行及时的监测预警,对保护人们远离放射源的威胁具有重要意义。该文基于卷积神经网络研究了放射性核素γ能谱的识别。通过溴化镧能谱仪采集16种放射性核素的γ能谱数据,并通过改变放射性核素γ能谱的计数和能谱漂移程度,创建生成大量单核素和双核素γ能谱训练数据,利用自搭建的卷积神经网络开展放射性核素识别模型训练。实验采集其中9种核素及其双核素的混合能谱对核素识别模型开展验证,结果表明：在剂量率约为0.5μSv/h、测量采集时间为60 s时,模型的识别准确率可达92.63%,满足在低剂量率下对放射性核素进行快速识别筛查的需求。     

基于冗余表达的CT图像中金属伪影校正

针对CT图像中存在的金属伪影,提出了一种新的基于冗余表达的校正方法.首先分割出CT图像中的金属区域,将其投影得到金属投影区域;然后从原始投影数据中去除金属投影区域部分的投影数据;最后利用冗余表达的算法恢复金属部分的投影数据,经过滤波反投影后,重建出校正后的图像.校正结果显示,本方法对含有多块金属模体的重建图像的金属伪影有较好的校正效果.     

一种基于HLCC的CT图像刚性平移运动伪影校正算法

为消除CT检查过程中病人运动引起的伪影,提高图像质量,提出一种基于HLCC多约束运动参数估计的校正算法.首先用贝塞尔曲线模型描述病人的刚性平移运动,基于HLCC构造一个包含运动信息的目标函数,再引入运动幅度的有限性和图像零阶几何动量为常量作为约束条件,通过二次规划的方法估计运动参数;重建过程中改进滤波反投影算法,加入运动参数进行补偿,以消除运动伪影.实验结果表明,该算法能够准确地估计出物体的运动参数,有效消除运动伪影,具有较强的鲁棒性.     

基于对抗式多任务学习的医学CT图像金属伪影去除方法

人体中的金属植入物会导致X射线计算机断层扫描(Computed Tomography,CT)图像中存在金属伪影,使图像质量大幅降低,目前已有许多利用深度学习(Deep Learning,DL)的方法一次针对一帧CT图像来去除金属伪影(Metal Artifact Reduction,MAR),但患者经CT扫描后得到的大...     

工业CT重建图像中边缘梯度效应引起的高频伪影

为研究伪影对大型工件内部密度锐变区域高对比度微小缺陷检测的影响,从一个简单的轴对称断层模型出发,计算了边缘梯度效应引起的通过物体内部不同材料交界面处的射束的投影偏差。并研究采样相位的影响,探讨了由此偏差引起的重建图像中的高频伪影的表现形式。计算结果表明,高频伪影具有相当的强度,且具有与缺陷相似的表现形式,从而影响工业CT的检测能力。结合点扩散过程,高频伪影强度的计算为评估工业CT边缘处的缺陷检测能力提供了理论依据。     

基于循环神经网络变体和卷积神经网络的文本分类方法

针对长文本在文本分类时提取语义关键特征难度大,分类效果差等问题,建立基于循环神经网络变体和卷积神经网络(BGRU-CNN)的混合模型,实现中文长文本的准确分类。首先,通过PV-DM模型将文本表示为句向量,并将其作为神经网络的输入;然后,建立BGRU-CNN模型,经双向门控循环单元(B-GRU)实现文本的序列信息表示,利用卷积神经网络(CNN)提取文本的关键特征,通过Softmax分类器实现文本的准确分类;最后,经SogouC和THUCNews中文语料集测试,文本分类准确率分别达到89. 87%和94. 65%。测试结果表明,循环层提取的文本序列特征通过卷积层得到了进一步优化,文本的分类性能得到了提高。     

基于卷积神经网络的人脸年龄估计方法

针对年龄估计算法中使用单一标签编码方式的问题,提出一种基于高斯分布的标签分布取代原有的编码方式,通过这种方式,一张人脸图像不仅可以用于它本身年龄的学习,也可用于其相邻年龄的学习。设计一种与之相适应的卷积神经网络,通过标签的概率分布与输出的类别概率之间的K-L距离对网络进行训练,网络结构较小,所需训练时间更短,即使在训练图片数量有限的情况下依然能保证较好的准确率。     

CT模体投影解析计算及其在射束硬化校正中的应用

为了开发出有效的医学诊断X射线CT(计算机断层扫描)射束硬化校正方法,结合X射线源能谱分布以及数学CT模体内各区域的几何形状和材料成分,提出一种宽能谱X射线投影解析计算方法.首先在仅考虑人体组织的前提下将CT值映射为材料成分,然后采用解析方法确定区域边界,最后根据X射线能谱分布计算投影数据.与线积分投影比较,该方法不但能够生成更真实的投影,而且能够为射束硬化校正与CT重建研究提供统一的投影数据.FORBILD头部模体实验结果表明,骨校正的骨区域CT值不一致误差比水校正的小4～5Hu,比单能谱重建的大5～6Hu.     

基于递归卷积神经网络的行人检测方法

为了提高视频中行人检测的准确度,提出了一种基于递归卷积神经网络的行人检测方法.该方法利用递归卷积神经网络融合视频中连续图像的上下文信息,以实现准确的行人检测.首先,利用卷积神经网络提取连续图像的多个特征图组;然后,根据先后次序,将多个特征图输入到递归卷积神经网络中,形成一张关于行人位置的掩码图;最后,通过在掩码图上预测...     

基于改进的卷积神经网络图像识别方法

当前的图像特征识别大多采用的是传统的机器学习方法与卷积神经网络方法。传统的机器学习对图像识别的研究,特征提取多是通过人工完成,泛化能力不够强。最早的卷积神经网络也存在诸多缺陷,如硬件要求高,需要的训练样本量大,训练时间长。针对以上问题,提出了一种改进的神经网络模型,在LeNet-5模型的基础上并在保证识别率的情况下,简化网络结构,提高训练速度。将改进的网络结构在MINIST字符库上进行识别实验,分析网络结构在不同参量中的识别能力,并与传统算法进行对比分析。结果表明提出的改进结构在当前识别正确率上,明显高于传统的识别算法,为当前的图像识别提供新的参考。     

基于三维卷积神经网络的肝脏静脉血管的分割

针对传统的血管分割算法需人工参与且分割效果不佳,神经网络的方法存在设计特征量的数量有限等诸多问题,提出了一种基于三维卷积神经网络的血管分割的算法,可以利用多层卷积神经网络获取三维图像的特征,与传统的二维分割有很大的不同。通过正负样本训练后得到的模型,可以对CT图像分割后的三维子块V_i中心位置的像素点进行分类实现血管的自动分割。使用正负样本各14 976个来进行训练和测试所提出的三维卷积神经网络算法,最终,三维卷积神经算法的准确率能够达到86.11%,Dice相似系数为92.43%,召回率为99.76%。实验结果表明了基于三维卷积神经网络的血管分割算法的有效性,可以获得比二维输入数据更好的实验结果。