-
公开(公告)号：CN109035228B
公开(公告)日：2021-12-28
申请号：CN201810789727.0
申请日：2018-07-18
Applicant: 中北大学
IPC: G06T7/00
Abstract: 本发明涉及一种非等厚构件的X射线图像处理方法，包括如下步骤：步骤1：对X射线图像进行e为底的对数变换，得到X射线图像的对数图像，并将对数变换后小于0的灰度值置为0；步骤2：针对步骤1获得的对数图像，计算图像中各个像素点的局部方差，根据局部方差对像素点进行区域划分；步骤3：针对步骤1获得的对数图像，基于梯度场非线性放大模型进行对比度增强处理，获得增强图像f；梯度场非线性放大模型构建时，根据步骤2获得的区域划分结果，设定相应的放大系数；步骤4：针对步骤3获得的增强图像f进行灰度处理。
-
公开(公告)号：CN108564555B
公开(公告)日：2021-09-21
申请号：CN201810447228.3
申请日：2018-05-11
Applicant: 中北大学
Abstract: 本发明涉及一种基于NSST和CNN的数字图像降噪方法，包括如下步骤：步骤1：网络训练；通过Ascombe变换将图像中近似服从泊松分布的噪声转换为近似服从标准高斯分布的噪声；通过NSST即通过非下采样剪切波变换，分别将噪声图像以及其对应的高质量图像分解为多级子带图像，将各级子带图像分别剪切为一定大小的图像块作为数据集；基于获得的数据集，进行卷积神经网络训练即进行CNN训练；步骤2：基于步骤1获得的网络模型，进行图像降噪。
-
公开(公告)号：CN109035228A
公开(公告)日：2018-12-18
申请号：CN201810789727.0
申请日：2018-07-18
Applicant: 中北大学
IPC: G06T7/00
CPC classification number: G06T7/0004 , G06T2207/10081
Abstract: 本发明涉及一种非等厚构件的X射线图像处理方法，包括如下步骤：步骤1：对X射线图像进行e为底的对数变换，得到X射线图像的对数图像，并将对数变换后小于0的灰度值置为0；步骤2：针对步骤1获得的对数图像，计算图像中各个像素点的局部方差，根据局部方差对像素点进行区域划分；步骤3：针对步骤1获得的对数图像，基于梯度场非线性放大模型进行对比度增强处理，获得增强图像f；梯度场非线性放大模型构建时，根据步骤2获得的区域划分结果，设定相应的放大系数；步骤4：针对步骤3获得的增强图像f进行灰度处理。
-
公开(公告)号：CN119399075A
公开(公告)日：2025-02-07
申请号：CN202411436527.9
申请日：2024-10-15
Applicant: 中北大学
IPC: G06T5/77 , G06T5/60 , G06N3/0464
Abstract: 本发明涉及一种基于神经网络多层次特征学习的低剂量CT图像复原方法及装置，对CT图像数据集进行预处理，获得预处理图像；基于预处理图像，通过粗特征提取模块提取图像粗特征，获得粗特征图；基于所述粗特征图，通过细节增强模块增强图像细节特征，获得细节增强特征图；基于所述粗特征图，通过重建图像模块获得第一重建图像；基于所述细节增强特征图，通过重建图像细节模块获得第二重建图像；将所述第一重建图像和第二重建图像相加，得到复原图像；计算损失函数，训练出复原模型。本发明能够有效提高低剂量CT图像复原处理效果。
-
公开(公告)号：CN118762091A
公开(公告)日：2024-10-11
申请号：CN202410668319.5
申请日：2024-05-28
Applicant: 中北大学
IPC: G06T11/00 , G06N3/0464 , G06N3/096
Abstract: 本发明涉及一种基于卷积稀疏约束的稀疏角CT图像重建方法及装置，基于以下CT图像重建模型，经过多次卷积迭代获得重建CT图像#imgabs0#式中#imgabs1#为数据保真项，保持重构图像与测量值之间的恒定；g为投影数据，u为待重建图像，A表示大小为R′Q的系统矩阵，R为投影数据的总数，Q为图像像素的总数；β是控制数据保真项和约束项之间权衡的平衡系数；*为卷积算子，{fi}i＝1,2,...,N为滤波器集合，{Mi}i＝1,2,...,N为滤波器fi对应的特征映射，λ为正则化参数。本发明能够有效改善稀疏角CT重建图像的成像质量，提高图像重建效率。
-
Patent Agency Ranking
公开(公告)号：CN116862790B
公开(公告)日：2024-10-08
申请号：CN202310796944.3
申请日：2023-06-30
Applicant: 中北大学
IPC: G06T5/70 , G06T7/00 , G06T5/60 , G06N3/0464
Abstract: 本发明涉及一种基于神经网络的低剂量CT图像降噪方法及装置，将含噪声的CT图像分解，获得图像低频信息和高频信息；将所述图像低频信息和高频信息分别输入至相对应的低频网络和高频网络中，得到第n次降噪后的低频信息Ln和高频信息Hn；第n次降噪后的低频信息和高频信息通过融合网络与初始图像相减，获得残差图像ΔZn；计算损失函数，训练出预模型；调整学习率，对预模型进行训练，获得最终降噪模型；基于所述最终降噪模型，对CT图像进行处理，获得降噪后的CT图像。本发明能够有效提高低剂量CT图像降噪处理效果。
-
公开(公告)号：CN117197349A
公开(公告)日：2023-12-08
申请号：CN202311152367.0
申请日：2023-09-07
Applicant: 中北大学
IPC: G06T17/00 , G06N3/0464
Abstract: 本申请实施例提供了一种CT图像重建方法及装置，该方法包括获取第一对象的投影数据，之后，可以将投影数据输入至CT迭代展开重建网络进行处理，得到第一对象对应的CT图像，其中，CT迭代展开重建网络是通过对CT迭代重建算法中的保真项以及压缩感知正则项或总变分TV正则项进行神经网络展开得到的。如此，该方法通过针对CT迭代重建算法中的压缩感知正则项或总变分TV正则项直接进行神经网络展开，即可得到完整的CT迭代展开重建网络，如此可以提高整体CT重建网络的可解释性，从而可以改善重建的CT图像的成像质量。
-
公开(公告)号：CN110827370B
公开(公告)日：2023-06-06
申请号：CN201911090608.7
申请日：2019-11-09
Applicant: 中北大学
IPC: G06T11/00
Abstract: 本发明公开了一种非等厚构件的多能CT循环迭代重建方法，首先对最低能量下的投影采用迭代算法进行重建，重建后的图像呈现厚度较薄区域的结构特征；将最低能量下的重建图像作为先验图像，利用PICCS(Prior Image Constrained Compressed Sensing)算法对相邻高能量下的投影进行重建，重建后的图像再次作为新的先验信息，依次类推直到最高能量；将最高能量下的重建图像作为最低能量下投影的先验图像再次循环上述过程直至最高能量，得到最终的重建结果。本发明将相邻低能量的重建图像作为先验约束条件纳入重建过程，能够在迭代过程中较好的保留各个能量下的结构信息，完整清晰地再现复杂构件的内部结构，有效解决了其他方案存在的由于多次迭代导致低密度边缘丢失问题。
-
公开(公告)号：CN112669401B
公开(公告)日：2022-08-19
申请号：CN202011524919.2
申请日：2020-12-22
Applicant: 中北大学
Abstract: 本发明公开一种基于卷积神经网络的CT图像重建方法及系统，所述方法包括输入投影数据，利用前端卷积神经网络对所述投影数据进行滤波处理，反投影处理生成断层图像信息，利用后端卷积神经网络对生成的断层图像信息进行处理，以及利用处理后的断层图像和真实图像计算整个网络损失函数的值，并将损失函数的梯度信息反向逐层反馈，更新各网络层的参数值。本发明利用多层卷积神经网络处理投影数据，充分挖掘投影数据中的有用信息，有效地提高了整体神经网络模型的特征提取和信息表达能力；避免了在神经网络模型中使用全连接层，所需神经网络模型参数较少，易于实现。
-
公开(公告)号：CN113554729A
公开(公告)日：2021-10-26
申请号：CN202110855487.1
申请日：2021-07-28
Applicant: 中北大学
Abstract: 本发明公开一种CT图像重建方法及系统，方法包括如下步骤：采集投影数据，并输入相关参数；对不同照射角度下的投影数据分别进行一维傅里叶变换，得到投影数据在频域中的分布数据；根据傅里叶中心切片定理，在频域中将不同照射角度下的投影数据分别重新排列到直角坐标系下对应的直线上，所述各直线过直角坐标系原点且斜率分别与各照射角度下的探测器表面斜率对应，从而得到投影数据在频域中的分布数据在直角坐标系下的分布；利用卷积神经网络，将投影数据在频域中的分布数据在直角坐标系下的分布作为输入，输出重建后图像的频域分布；然后二维傅里叶反变换，生成模体时域下的重建图像；输出模体重建图像。本发明使CT图像重建的过程更加易行。
-
-
-
-
-
-
-
-
-
Search Results
35
records
(took 0.023 seconds)
