简介:介绍了层析成像技术的图像重建算法,并从正向问题数学模型的简化和反向问题数学模型的映射结构的角度比较了各种算法的特点和优劣。研究表明:用本质是线性算法的各种变换方法重建图像存在严重失真,而卷积滤波的引入可以使变换方法的重建效果有所改善;基于导数搜索的迭代算法对初始值依赖性强、收敛速度慢并且容易陷入局部最优解;基于Fourier变换的方法具有本质的局限性;小波变换则可以同时刻画图像时域和频域的细节特征;有限元法通过重建对象像素的智能划分可以简化正问题的复杂性;而具有物理背景的蒙特卡罗法、模拟退火法、遗传算法、粒子滤波法及神经网络法更适合于复杂且非线性的图像重建;智能化、仿生化、并行化以及各种算法的融合是层析成像图像重建算法的发展趋势。
简介:为了避免成像物体在核磁共振成像(magneticresonanceimaging,MRI)系统实际操作中的旋转难题,现提出一种基于径向基函数(radialbasisfunction,RBF)神经网络和微分进化(differentialevolution,DE)思想的磁共振电阻抗成像(magneticresonanceelectricalimpedancetomography,MREIT)算法.该算法只利用单方向磁感应强度,首先RBF神经网络对肺部仿真模型可行域电阻值和仿真计算磁场强度与真实电磁场强度之间的不匹配目标函数建立非线性模型,其次用微分进化算法寻找最优解.通过在二维、三维肺部仿真模型的仿真实验研究.结果表明,该算法在允许的误差范围内可以有效地对病变的肺部组织进行阻抗图像重构,统计结果与基于微分进化思想的MREIT算法相比,明显缩短了计算复杂度与计算时间.
简介:近年来,基于光子计数探测器成像的能谱CT(ComputedTomography)是辐射成像领域内的一个研究热点。通过设置不同的能量阈值,光子计数探测器可将不同能量的入射光子分能窗计数,使采集信号携带了能量信息。通过对多个能窗的CT数据进行解析,能谱CT不仅可以进行物质识别,还可以具有高信噪比、高分辨率等特点,并降低被测物体所受辐射剂量。本文从光子计数探测器、能谱CT重建算法和能谱CT系统三个方面对能谱CT的关键技术和研究现状进行阐述:①光子计数探测器的工作原理及标定方法,并讨论影响标定的因素;②能谱CT的多能分解方法和重建算法;③能谱CT系统平台及应用;最后总结了各个方向的研究内容及热点。
简介:传统ECT算法受到分辨率低、边界模糊等问题的限制,文章提出基于有限元正演模型的TikhonOV非线性迭代算法。首先分析了ECT图像重建基本原理,并建立空间模型。然后以线性反投影(LBP)算法的图像重建结果作为初始状态,利用最优正则化参数求解灵敏度逆矩阵,根据正演模型测量极板间电容值,运用Tikhonov正则化算法校正图像。最后根据经典流行进行仿真实验。实验结果表明本文方法重建的图像相关系数平均值为0.8644,可见本文算法是一种有效的ECT算法。
简介:【摘要】目的 探讨适应性统计迭代(adaptive statistical iterative reconstruction,ASIR)、滤波反投影(FBP)两种重建技术对胸部CT图像质量的影响。方法 80例患者均应用西门子64排CT行胸部CT平扫。分别用ASIR、FBP两种重建算法对原始数据进行重建,重建层厚1mm,层间距0.5mm。测量记录信噪比(SNR)、图像噪声、对比噪声比(CNR)。对肺窗和纵隔窗进行图像质量评价。对比分析两种不同重建算法的定性定量参数。结果 两组图像的噪声值分别是35.6±14.5,52.5±18.6,与FBP组比较,ASIR组噪声降低了31.4%,ASIR组的SNR和CNR明显高于FBP组(P<0.05)。且ASIR组肺窗及纵隔窗图像质量较FBP组高,差异有统计学意义(P<0.05)。结论 与FBP重建算法相比,ASIR可明显降低图像的噪声,提高图像质量。
简介:摘要近年来,CT图像算法中基于深度学习的图像重建(DLIR)技术不断发展,日益成熟,目前已经逐步应用于临床实践中。DLIR算法较常规迭代重建算法具有在降低辐射剂量和图像噪声的同时不改变图像纹理,保持或提高解剖细节显示能力、总体图像质量和医生诊断信心的众多优势。因此,笔者重点就DLIR算法的原理、优劣势及其在人体各系统的临床应用进展进行综述,旨在进一步提高对DLIR算法的认识,并对其可能的应用情景提供借鉴。
简介:摘要深度学习图像重建算法是目前CT图像重建领域最为前沿的技术,随着算法的不断优化和模型泛化性的提升,适用人群和全身各部位的临床应用也在不断拓展,在疾病诊治中发挥了重要作用。深度学习图像重建算法能够降低图像噪声、消除伪影、避免“过度平滑”的视觉感观,提升主观诊断效能,并有助于CT检查中辐射剂量的降低。此外,深度学习图像重建算法不影响CT图像重建的速度,能够满足临床工作流的需求。随着对深度学习图像重建算法的不断探索以及临床应用的拓展,可以挖掘深度学习图像重建算法的潜在优势,提升CT临床应用的能力。
简介:摘要:如何从单幅图像重建出被拍摄物体的几何形状是计算机视觉领域中充满挑战的问题。使用该技术对服装进行三维重建是近年较为热门的研究命题。目前已有基于物理建模、基于剪影、单视图/多视图几何重建、基于深度图像、基于深度学习技术等方式的人体三维重建的工作,然而这些工作是将人体和服装用统一的网格进行表达,并且重建出的结果有大量丢失服装的细节信息,例如褶皱和纹理。本文研究了一种基于单张图片的服装建模的算法,算法中输入的单张图片不需要额外的信息,可以高效地将单幅图片中的衣服部分重建出高质量的三维网格模型。
简介:摘要目的构建一种基于深度学习的肺结节分类以及分割算法,探究其在不同CT重建算法下的诊断效能。方法回顾性收集2019年6至9月天津医科大学朱宪彝纪念医院放射科363例胸部CT平扫影像学资料,每例患者的胸部CT平扫均包含三种CT重建算法(肺重建、纵隔重建、骨重建)生成的图像,这些数据构成了模型的测试集;模型的训练集由公开数据集(LIDC-IDRI)和私有数据集共4 185例患者胸部CT图像组成。模型的构建采用3D深度卷积神经网络和递归神经网络结合的方式,在多任务联合学习下训练肺结节密度类型分类和分割,最后将训练好的模型在天津医科大学朱宪彝纪念医院放射科363例测试病例上进行效果测试,得到三种CT图像重建算法下结节分类准确率和分割Dice系数指标。采用方差分析对三种CT重建算法下的结节分类准确率和分割Dice系数进行比较以分析差异是否有统计学意义。结果在三种CT重建算法下,模型对肺结节密度类型的分类准确率分别为98.67%±5.70%、98.38%±6.61% 和97.89%±7.32%,其中实性结节的分类准确率分别为98.79%±5.58%、98.49%±6.89%和97.90%±7.41%,亚实性结节的分类准确率分别为97.57%±10.19%、98.52%±7.77%和98.52%±7.77%,三种不同重建算法下的肺结节的分类准确率差异无统计学意义(均P>0.05)。三种重建算法下,所有结节分割的Dice系数分别为79.87%±5.78%、79.02%±6.04%和79.31%±5.95%,三组间结节分割的Dice系数差异无统计学意义(均P>0.05)。结论结合了3D卷积神经网络和递归神经网络的深度学习算法,对不同CT重建算法图像中肺结节的分类和分割均有较为稳定的效果。
简介:目的与滤波反投影法(FBP)相比,观察正弦图确认的迭代重建算法(SAFIRE)可否改善肥胖患者冠状动脉CTA(CTCA)图像质量及有效降低辐射剂量。方法连续收集49例接受CTCA的肥胖患者,对其中39例使用常规序列扫描(120kV,A组),分别选用FBP(FBP亚组)和SAFIRE(SAFIRE亚组)重建;对另10例使用低剂量扫描序列(100kV,B组),SAFIRE重建。比较各组间主观(冠状动脉评分)和客观图像质量(图像噪声,SNR,CNR)的差异。结果SAFIRE亚组的图像噪声、SNR、CNR比均优于FBP亚组和B组(P〈0.05),但FBP亚组的图像主观评分与B组差异无统计学意义。B组的有效辐射剂量[(4.36±0.75)mSv]明显小于A组[(8.83±1.74)mSv](P〈0.01)。结论与FBP相比,SAFIRE可显著提高相同剂量水平的CTCA图像质量,并能在降低约50%辐射剂量的条件下保证图像质量。
简介:摘要:随着医学与生物学领域对高分辨率组织成像需求的不断增长,光学相干断层扫描成像(Optical Coherence Tomography,OCT)技术已成为一项备受关注的非侵入性成像工具。OCT结合了光学干涉测量和成像技术,能够实现高分辨率的二维切面图像,用于探索生物组织的微观结构。然而,要完整理解生物组织的三维结构以及病变的空间分布,需要采用三维重建算法来将单个切面图像整合成连贯的三维模型。本文着眼于电子测量中的光学相干断层扫描成像,并旨在深入探讨OCT技术的原理和在三维重建领域的应用。OCT通过使用光学干涉原理,能够以微米级的分辨率在非侵入性条件下获取组织内部结构的图像,使其成为医学影像学领域的重要工具。然而,要实现对三维结构的高质量重建,需要结合先进的算法和技术。
简介:提出了一种利用修改的有序子集(MOS)方法改进空间交替广义期望最大(SAGE)算法收敛性的方法.新的可变有序子集算法(MOS-SAGE)通过修改投影数据的数目和子集的排列循序加速收敛速度.其中每一个子集中的投影数目按2,4,8,16,32,64来排列以便重建算法首先恢复高频部分信息,然后重建低频部分信息.另外新算法还使相邻子集尽可能分离以减少投影间的相关性,达到加速收敛的效果.实验中,运用MOS-SAGE算法对计算机仿真的PET投影数据和实际的临床数据进行重建.几种误差分析结果表明,MOS-SAGE算法的收敛性能比SAGE算法和有序子集期望最大算法(OSEM)要快,重建后的图像更接近仿真用的模板图像.