-
公开(公告)号：CN112001978B
公开(公告)日：2023-09-01
申请号：CN202010736905.0
申请日：2020-07-28
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: G06T11/00 , G06N3/0475 , G06N3/045
Abstract: 本发明公开一种基于生成对抗网络的双能双90°CT扫描重建图像的方法，该方法首先设计生成对抗网络模型描述缺失投影数据与180°投影数据分布概率之间耦合关系，然后构建训练集并训练，获取训练后的生成对抗网络模型，进而利用该模型对双能90°投影数据补全至双能180°投影数据，最后利用SART‑TV算法对双能180°投影数据进行重建，得到重建后的低能图像和高能图像；本发明还公开一种基于生成对抗网络的双能双90°CT扫描重建图像的装置。本发明通过采用生成对抗网络，使网络输入的双能双90°投影数据生成双能双180°投影数据，在减少硬件成本和提高图像质量上达到了良好的性能效果，提高了物体基材料分解的准确性。
-
公开(公告)号：CN113920216A
公开(公告)日：2022-01-11
申请号：CN202111337950.X
申请日：2021-11-12
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明属于能谱CT重建技术领域，特别涉及一种基于张量核范数和变换Lp范数的能谱CT重建方法及装置，该方法包括选取框架集变换矩阵以及初始化图像；利用块匹配技术建立能谱CT图像通道内和通道间的关联性，构造非局部相似张量；将非局部相似张量融入重建模型，对重建模型进行更新；基于框架集张量核范数和变换Lp范数进行能谱CT重建；判断重建图像的质量是否满足要求。本发明利用框架集张量核范数探索通道间图像的相关性，并利用构造的非局部相似张量对目标函数进行改进，建立了新的重建模型，通过不断迭代及循环机制，提高收敛的效率和重建图像的质量。
-
公开(公告)号：CN113920215A
公开(公告)日：2022-01-11
申请号：CN202111337782.4
申请日：2021-11-12
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明属于图像超分辨重建技术领域，特别涉及一种基于稀疏表示的双能CT超分辨图像重建方法及系统，通过对原始真值图像模糊滤波器去降采样的操作，得到成对的高低分辨率双能CT图像，对训练集中的CT图像提取成对的匹配的图像分割块；为了获得稀疏表示的相似性，分别对高能谱CT图像和低能谱CT图像联合训练两对字典，每对字典包含低分辨率和高分辨率图像块的字典；然后，从低分辨率输入块中提取的稀疏表示系数乘以相对应的高分辨率字典用于重建高分辨率输出。本发明结合适量迭代操作使得重建高分辨率图像能够获得更好的图像质量和更清晰的视觉效果，通过图像质量评价指标和峰值信噪比表明本案可以有效提高双能CT图像的分辨率，便于实际场景应用。
-
公开(公告)号：CN118365732A
公开(公告)日：2024-07-19
申请号：CN202410540530.9
申请日：2024-04-30
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明公开基于材料‑图像子空间分解和能谱估计引导的双能CT迭代重建方法及装置。该方法首先将能谱估计和基材料分解统一到同一优化框架中，引入模型谱方法降低问题求解维度，进而基于重建图像和材料图像之间的相似性构建正则化项；其次，利用近端块坐标下降算法将优化问题转化为多个子问题进行求解，针对子问题的求解，分别采用BFGS算法、ESART算法、子空间方法以及基于驻点的算法求解，其中ESART算法的引入可有效提升收敛速度；最后，当迭代过程到达停止条件后，获取分解后的基材料图像和不同能量通道的能谱。本发明提升了对基材料分解噪声的抑制能力，提高了计算效率，有效提升了整体的收敛速度，并提高了求解过程的稳定性。
-
公开(公告)号：CN115423888A
公开(公告)日：2022-12-02
申请号：CN202210965259.4
申请日：2022-08-12
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: G06T11/00
Abstract: 本发明涉及能谱计算机断层成像技术领域，公开一种基于联合正则化的能谱CT图像重建方法及装置，该方法通过引入两个联合正则化能量函数并设计基于交替方向乘子法的高效求解算法，来解决噪声干扰和不完备数据条件下的图像重建问题。该方法首先以多通道图像间的相似块构造高维张量，然后引入加权张量核范数对张量低秩性进行刻画，最后设计基于交替方向乘子法的高效求解算法。该方法与现有方法相比，能够有效集成加权张量核范数和图像梯度域L0范数最小化求解的计算过程，并在低剂量问题和不完备数据问题研究实验中验证了该方法的可行性。
-
Patent Agency Ranking
公开(公告)号：CN113963075A
公开(公告)日：2022-01-21
申请号：CN202111338046.0
申请日：2021-11-12
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明属于能谱CT重建技术领域，特别涉及一种非局部相似性和空间稀疏性的多段能谱CT重建方法及装置，该方法包括首先分析有限角度重建图像的伪影特征，并生成融合CT图像，从融合CT图像中提取梯度图像的零值集位置；然后将零值集位置作为先验知识以等式约束的形式合并到TV最小化模型中得到重建模型；接着基于非局部相似性和空间稀疏性，对重建模型进行更新；最后利用交替方向乘子法迭代求解更新后的重建模型，获得重建图像。本发明能够减少有限角度伪影，提升重建图像的质量。
-
公开(公告)号：CN118521660A
公开(公告)日：2024-08-20
申请号：CN202410576922.0
申请日：2024-05-10
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: G06T11/00 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/094 , A61B6/03 , A61B6/00
Abstract: 本发明公开一种基于启发式级联网络迭代框架的能谱CT成像方法与装置，该方法利用深度神经网络和迭代方法，构建启发式级联网络迭代框架；基于所述迭代框架构造相应的启发式目标函数；利用交替方向乘子法将所述目标函数拆分为多个子问题进行迭代求解，得到对该迭代框架的数学解释，实现能谱图像和基材料的迭代更新；通过训练后的启发式级联网络迭代框架完成能谱CT成像。本发明创新性地提出一种基于启发式的级联网络迭代框架，并引入生成式级联网络模块DIWGAN和Transformer自注意力机制，能够有效表征能谱CT图像的多种先验，从而可以降低辐射剂量和提高成像效率，并在稀疏角度成像问题研究实验中验证了该方法的可行性。
-
公开(公告)号：CN112001978A
公开(公告)日：2020-11-27
申请号：CN202010736905.0
申请日：2020-07-28
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明公开一种基于生成对抗网络的双能双90°CT扫描重建图像的方法，该方法首先设计生成对抗网络模型描述缺失投影数据与180°投影数据分布概率之间耦合关系，然后构建训练集并训练，获取训练后的生成对抗网络模型，进而利用该模型对双能90°投影数据补全至双能180°投影数据，最后利用SART-TV算法对双能180°投影数据进行重建，得到重建后的低能图像和高能图像；本发明还公开一种基于生成对抗网络的双能双90°CT扫描重建图像的装置。本发明通过采用生成对抗网络，使网络输入的双能双90°投影数据生成双能双180°投影数据，在减少硬件成本和提高图像质量上达到了良好的性能效果，提高了物体基材料分解的准确性。
-
公开(公告)号：CN118297882A
公开(公告)日：2024-07-05
申请号：CN202410310165.2
申请日：2024-03-18
Applicant: 中国人民解放军战略支援部队信息工程大学
IPC: G06T7/00 , G06N3/0475 , G06N3/094 , G06V10/44 , G06V10/80 , G06N3/0464 , G06N3/045
Abstract: 本发明提供一种光子计数型能谱计算机断层成像多材料分解方法及装置。该方法包括：使用光子计数型能谱CT成像时，获取全能量通道对应的重建图像IA、高能通道对应的重建图像IH和低能通道对应的重建图像IL；将IA、IH和IL输入至训练好的生成对抗网络模型中进行多材料分解，生成m个基材料图像；其中，生成对抗网络模型中的生成器包括第一编码器、第二编码器、融合模块和m个解码器。将重建图像IA输入至第一编码器中，提取得到第一特征数据；将第一特征数据、重建图像IH和重建图像IL输入至第二编码器中，提取得到第二特征数据；将第一特征数据和第二特征数据输入至融合模块，得到融合特征数据；将融合特征数据分别输入至m个解码器中，分别预测得到m个基材料图像。
-
公开(公告)号：CN115526797A
公开(公告)日：2022-12-27
申请号：CN202211182142.5
申请日：2022-09-27
Applicant: 中国人民解放军战略支援部队信息工程大学
Abstract: 本发明提供一种基于Cycle‑GAN的DU‑GAN双能CT超分辨方法。该方法包括：构建DU‑GAN网络模型，具体包括：采用Cycle‑GAN网络作为模型框架，并对Cycle‑GAN网络中的生成器和判别器均引入U‑Net网络框架；构建数据集并将数据集划分为训练集、测试集和验证集；设计图像域损失函数以构建联合损失函数，所述联合损失函数由对抗性损失函数、循环一致性损失函数和图像域损失函数组成；将训练集输入DU‑GAN网络模型，通过联合损失函数进行有监督网络训练，并用验证集对训练的DU‑GAN网络模型的性能进行评估；将测试集中低分辨率双能CT图像输入训练好的生成器得到相应的超分辨双能CT图像。本发明可以有效抑制低分辨率CT图像的伪影，恢复图像的细节信息，提高图像质量，在一定程度上提高双能CT分辨率。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.031 seconds)
