- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
基于部分束流遮挡数据的加权重排反投影-滤波算法，用于具有混合散射校正的单次扫描锥束CT
摘要： 目的：散射污染是锥形束计算机断层扫描（CBCT）中导致图像质量下降的主要因素。我们近期开发了一种基于单次扫描部分遮挡锥形束数据的解析图像重建方法，该方法具备散射校正功能。尽管该技术易于实施且计算高效，但由于数据不一致性，在大锥角几何条件下可能产生额外伪影。为改善大锥角下的图像质量，我们提出结合混合式散射校正方法的加权重排反投影滤波（wrBPF）算法。 方法：本方案采用光束遮挡阵列提供部分数据进行散射校正与图像重建，该阵列仅遮挡有限锥角范围内的射线。这种设计通过利用未被遮挡的大锥角投影数据冗余性，有助于维持大锥角区域的图像质量。但大锥角投影的散射校正并非易事——我们创新性地提出融合测量法与卷积法的新型散射校正方案：先基于测量法估算部分遮挡区域的散射信号，再优化适用于大锥角投影的卷积核拟合参数。图像重建方面，我们开发了带蝶形滤波的wrBPF算法，并通过实验验证了该重建与散射校正算法的有效性。 结果：实验证实，本重建方法既充分发挥了部分光束遮挡在散射校正与图像重建中的优势，又通过优化的基于卷积的散射校正显著提升了大锥角区域的成像质量。 结论：这种兼具测量法与卷积法优势的散射校正方案，成功证明了其在圆周CBCT单次扫描中重建精确图像的能力。
关键词： X射线束阻挡器，锥形束CT，图像重建，散射校正，BPF
更新于2025-09-23 15:23:52
-
一种基于投影间传感器融合的方法，用于估计同步移动栅格CBCT系统中被遮挡的投影信号
摘要： 目的：预物体栅格可减少并校正锥形束计算机断层扫描（CBCT）中的散射，但每个投影中有一半信号会被栅格阻挡。同步移动栅格（SMOG）技术通过在每个机架位置获取两个互补投影并合并为完整投影来解决此问题，然而该方法存在扫描时间延长及每机架角度下精确融合双投影的技术难题。本研究提出新型SMOG方案：每个机架角度仅采集单次投影，通过相邻投影的互补栅格图案设计，结合投影间传感器融合（IPSF）技术估算各投影中被阻挡信号。该方案因栅格阻挡半数入射辐射，还具有降低成像剂量的潜在优势。 方法：IPSF算法将相邻两个机架角度的多组配对观测值作为被阻挡信号的近似值，通过加权最小二乘回归最终确定被阻挡信号。首先在头部模体上采用模拟SMOG进行测试，以信噪比（SNR，表征恢复图像与无SMOG原始图像的差异）评估IPSF恢复缺失信号的能力；随后在台式CBCT系统搭载的原型SMOG装置上，使用Catphan模体验证该方案。结果：模拟SMOG实验显示，相较于传统插值法（修复法），单次投影与重建三维图像的SNR分别从15.1dB、12.7dB提升至35.6dB和28.9dB，表明IPSF成功恢复了大部分被阻挡信号。原型SMOG实验中，IPSF-SMOG方案成功重建CBCT图像，视觉评估显示Catphan模体的精细几何特征基本恢复，杯状伪影等散射相关伪影基本消除。结论：IPSF-SMOG技术在降低散射伪影、提升图像质量的同时具有辐射剂量优势，应用前景良好。
关键词： 移动栅格、散射校正、插值、传感器融合、几何模型、SMOG、剂量降低、锥形束CT
更新于2025-09-23 15:22:29
-
锥束CT中金属增材制造部件的散射校正
摘要： 本文提出了一种用于锥束计算机断层扫描（CT）的X射线散射校正方法，以减少金属增材制造（AM）部件的杯状伪影和图像不均匀性。首先通过锥束CT系统获取360°投影数据；其次基于Geant4建立对应虚拟CT系统以获取散射光子。与既往研究不同，本研究通过将部件CAD模型导入Geant4来设定金属AM部件几何结构，该方法既能确保几何精度又能简化几何定义流程。最后从360°实验投影中扣除相应散射光子获得校正投影，采用FDK算法重建得到校正图像。校正后图像中感兴趣区域的均方根偏差平均值约为未校正图像的79.5%，且杯状伪影与图像不均匀性得到有效抑制。
关键词： 散射校正、CADMesh、Geant4、金属增材制造、锥束CT
更新于2025-09-10 09:29:36
-
[2017年IEEE核科学研讨会与医学成像会议(NSS/MIC) - 美国佐治亚州亚特兰大(2017.10.21-2017.10.28)] 2017年IEEE核科学研讨会与医学成像会议(NSS/MIC) - CT物理中的深度残差学习：能谱CT的散射校正
摘要： 近年来，能谱CT因其提供材料特性定量信息的能力，在多种临床应用中备受关注。重建数据的定量完整性取决于测量数据校正的准确性。散射校正是能谱CT中尤为敏感的环节——它既受系统效应影响，又与被成像物体相关，任何残余散射都会在非线性材料分解过程中被放大。通过蒙特卡洛模拟估算散射并进行减法运算是精确去除散射的方法，但要获得足够精确的散射估算值需要极大量的光子数，可能导致计算成本意外攀升。其他方法采用基于经验法推导核函数的卷积运算来建模散射，但这些技术因无法充分捕捉物体依赖性，在能谱CT中效果欠佳。本研究开发了深度残差学习框架以同时解决计算简化和物体依赖性问题：训练深度卷积神经网络从训练集的投影内容中确定散射分布。在数字仿真人模体和真实水模体的测试案例中，我们证明该网络以显著更低的计算成本实现了足够精确的散射估算。
关键词： 卷积神经网络、深度残差学习、蒙特卡罗模拟、散射校正、能谱CT
更新于2025-09-09 09:28:46