一、CT成像质量的评价与控制（论文文献综述）
王凤仙[1]（2021）在《冠状动脉CT血管成像中对比剂优化策略及思维导图式健康教育应用效果评价》文中进行了进一步梳理目的:探讨在Revolution CT冠状动脉血管成像（CCTA）检查中,基于碘流率（IDR）的个体化对比剂注射方案对图像质量的影响;此外,制定思维导图式健康教育方案,并评价其在老年患者CCTA检查中的应用效果。旨在为临床CCTA检查合理使用碘对比剂提供一定的思路并为该检查的顺利实施提供有效的护理干预方案。方法:第一部分:分析CCTA检查中采用基于碘流率的个体化注射方案的可行性选择2019年12月～2020年7月180名于我院影像科行CCTA检查的受检者,随机分为A组（n=90）与B组（n=90）,两组注射时间均为12s。A组为对照组,采用固定的对比剂注射方案,即60ml&5.0ml/s;B组为试验组,基于患者体重选择相应的碘流率（≤60kg-1.12g I/s、60～70kg-1.26g I/s、≥70kg-1.40g I/s）,然后根据公式分别计算对比剂流速及用量。比较A、B两组患者的主、客观图像质量,并分析不同注射方案中体重对血管强化程度的影响。第二部分:评估思维导图式健康教育在老年患者冠状动脉CT血管成像中的效果采用便利抽样法,选取2020年7月～12月于我院影像科行CCTA检查的受检者作为研究对象,其中前三个月的37例患者为对照组,后三个月的37例患者为观察组。对照组给予常规健康教育,观察组在此基础上应用思维导图式健康教育。比较两组患者的状态焦虑问卷（S-AI）评分、重复准备人数、人均检查时长及患者满意度。应用统计学软件SPSS22.0分析以上数据,方法包括两独立样本t检验、配对样本t检验、单因素方差分析、LSD-t检验、Mann-Whitney U检验及x2检验。以P<0.05为差异有统计学意义。结果:（1）对比剂优化使用策略的效果评价中:与A组相比,B组患者各血管节段的CT值、CNR有所降低,但CT值均大于300HU、CNR大于8,可满足临床诊断需求。A组不同体重患者目标血管CT值比较,差异有统计学意义（P<0.05）;B组不同体重患者目标血管CT值比较,差异无统计学意义（P>0.05）。两组患者图像主观评分差异无统计学意义（P>0.05）。（2）思维导图式健康教育的应用效果评价中:干预前,对照组与观察组患者的S-AI评分差异无统计学意义（P>0.05）;干预后,观察组患者的S-AI评分低于对照组,差异有统计学意义（P<0.05）。两组重复准备人数比较差异无统计学意义（P>0.05）。两组患者的人均检查时长、满意度比较差异有统计学意义（P<0.05）。结论:（1）在Revolution CT冠状动脉血管成像检查中,基于碘流率的注射方案能在合理使用碘对比剂的同时能获得不同患者之间较均一的血管增强效果。（2）将健康教育的内容以思维导图的形式展现能有效缓解CCTA检查中老年患者的焦虑程度、缩短人均检查时间,提高患者的就医满意度,为检查的顺利实施提供有效的护理保障。
赵金龙[2]（2021）在《复杂构件多能CT重建算法》文中研究指明X-CT成像技术已经成为一种重要的无损检测手段,通过多角度采集被测物体投影数据,采用重建算法求解物体衰减系数,最终重构物体内部结构。然而工业中,很多构件结构复杂、材质密度差异大,单个能量CT成像系统动态范围有限,照射复杂构件时产生的投影极易出现欠曝光、过曝光现象,有效投影严重缺失,难以准确重建物体内部情况。为解决单能投影不完备问题,本文针对复杂构件特点研究了复杂构件多能CT重建算法,采用递推迭代方法对多个能量投影进行重建,以此达到完整重建构件的目的,并进一步提高图像质量。具体内容如下:（1）论文首先研究了基于先验图像约束压缩感知（PICCS）多能CT重建算法。在重建过程中,利用ART迭代算法对图像进行重建,并用相邻低电压重建图像作为重建的初始值,每完成一次重建后采用先验约束压缩感知算法的目标函数对重建图像进行调整。以此类推直至最高电压完成重建。通过仿真实验证明了该算法可以有效保护低密度边缘,完整重建物体内部结构,有效控制因投影不完备造成的伪影。（2）由于低能重建图像无法提供较厚区域的结构信息,为了保证先验图像的准确性,在PICCS多能算法的基础上研究了分割先验图像多能CT重建算法。该算法在每次迭代前采用阈值分割算法对先验图像进行分割,只取相似度较大部分作为先验图像,背景和非相似部分采用ART和POCS-TVM算法。仿真实验证明该算法不仅可以准确完整的重建物体内部结构,在保持像素稳定方面也起到一定作用,同时提高了图像对比度。实际投影数据重建结果证明了该算法的实用性。
梁晓坤[3]（2021）在《锥束CT智能精准引导放射治疗关键问题研究》文中研究表明治疗癌症有三大治疗手段:放疗、手术和化疗,超过70%以上的癌症患者需要接受放疗。放疗的目的是为了利用电离辐射消灭患者临床靶区内的肿瘤,准确的射束投放对于精准打击肿瘤和保护周边正常组织至关重要。然而,由于摆位误差及其病人的呼吸运动,肿瘤随之运动而脱离治疗射束,对正常组织造成损伤。锥束计算机断层成像（Computed Tomography,CT）引导系统利用X射线对肿瘤进行成像监测,使得在治疗时可以尽可能多地把射束剂量集中到肿瘤上,并尽量减少正常组织所受到的伤害。然而,仍有三大关键问题限制了锥束CT引导放疗的精度提升:锥束CT图像质量差,靶区定位精度低和放疗预后诊断难。基于这三个关键问题,我们引入人工智能技术,提出了:定量锥束CT成像技术,精准锥束CT引导靶区定位技术和放疗预后智能诊断技术,以提高锥束CT引导放疗的疗效。定量锥束CT成像技术的目的是为了修正锥束CT的散射伪影和环形伪影。对于散射伪影的修正,我们提出了基于新型“指交叉”型阻挡器的散射修正法,借助数学物理模型定量优化射束阻挡器的几何设计,将基于阻挡器的散射修正法由经验设计发展为理论设计,并成功将阻挡器应用于临床锥束CT散射修正,揭示了阻挡器在临床锥束CT散射修正的重要性;我们还提出了基于先验知识的锥束CT散射修正技术,实验结果的CT值精度优于现有的商用锥束CT;为了提高散射修正的效率,我们引入深度卷积神经网络,提出基于图像自动分割辅助的锥束CT散射伪影修正法,该方法不需要改变系统的硬件和扫描协议,也无需依赖先验信息,实现快速且精准的散射伪影修正。通过与商业锥束CT图像对比,我们的方法实现了更优的散射修正结果。对于环形伪影的修正,我们提出了基于相对全变分的自适应环形伪影迭代修正法,在不损坏图像空间分辨率的前提下,实现环形伪影修正。精准锥束CT引导靶区定位技术旨在准确自动勾画靶区,为射线剂量的精准投放提供关键的技术支撑。虽然深度学习的发展,大大推动了医学影像处理的发展。然而,过分依赖大量的数据集已经成为了深度学习进一步发展的最大瓶颈,与自然图像不同,大量获取医学影像的困难重重。为了缓解深度学习模型对数据的依赖,我们提出了基于one-shot学习的锥束CT前列腺定位模型,利用基于弹性形变的数据扩充模型和双重残差网络,仅需一个病人数据充当训练集,实现无创的前列腺标志点精准定位。此外,我们还提出了一种基于窄带匹配的无监督学习弹性配准框架,用于锥束CT前列腺靶区自动勾画。该框架采用了局部配准模型,避免了图像伪影和解剖结构变化对结果所带来的不利影响。放疗预后智能诊断技术的目的是利用深度学习自动诊断放疗后病人的状态。本文构建了一种多维度及混合长短连接的胃癌腹膜转移预测网络,创新性地引入了稠密块之间的长连接,实现高精准的腹膜转移预判。我们联合国内外多家医院,在1978例患者的CT影像上做评估,模型在外部验证中表现出良好的辨别能力,大幅优于传统的方法。锥束CT引导放疗直接决定了放疗的效果、病人的二次癌症的风险以及患者预后的生活质量。本文结合人工智能技术,研究了定量锥束CT成像技术,精准锥束CT引导靶区定位技术和放疗预后智能诊断技术,并通过大量的临床案例证实了我们方法的有效性,有望为实现智能快速的自适应锥束CT引导放疗提供关键的技术支撑。
仰云焕[4]（2021）在《基于深度学习的低剂量锥束乳腺CT》文中指出锥束乳腺 CT（Cone Beam Breast Computed Tomography,CBBCT）是一种乳腺专用的成像模态,对提高乳腺癌筛查和诊断的效率具有重要意义。和现有的钼靶摄影相比,CBBCT不仅可以避免挤压乳房,还能提供高分辨率的三维乳腺图像,但随之而来的是更高的辐射剂量。乳腺对辐射剂量十分敏感,CBBCT扫描带来的剂量沉积会增加患癌几率,因此实现低剂量的CBBCT具有重大意义。实现低剂量CT有两种主流方式,一种是采集更少投影的稀疏角度CT,另一种是减少每个角度下投影光子数的低毫安CT,它们都会导致在用主流的解析重建算法滤波反投影（Filtered Back-projection,FBP）重建时,CT图中含有伪影,影响医生的诊断。近年来深度学习在低剂量CT成像应用中取得重大成功。将深度学习应用于CT成像时,一个重要的问题在于去除伪影的同时不丢失细节,保持图像的对比度。由于乳腺中有大量微小结构且脂肪腺体对比度较低,所以深度学习在低剂量乳腺CT中的应用非常具有挑战性。本文针对稀疏角度和低毫安两种低剂量成像方式,分别提出两种深度学习算法,恢复图像质量的同时,减轻细节丢失和图像过光滑问题。本文分为以下两个部分:对于稀疏角度CBBCT,本文提出一种将图像边缘约束添加到条件生成对抗网络的算法 ECGAN（Edge Constrained Generative Adversarial Network,ECGAN）。ECGAN的生成器部分是改进后的U-net,判别器则是patchGAN和LSGAN的结合,这样的设计是为了提高训练效果保留高频信息。图像边缘被提取后被同时加入到生成器和判别器中,以此来进一步地保留细微结构。不同于常用模拟产生稀疏角度CT图,本文完全采用临床原始数据产生数据对进行验证。结果显示,在定性与定量的指标下ECGAN均优于两种先进的低剂量CT算法,在保证图像质量基本不变的前提下,ECGAN能将CBBCT的扫描剂量降低为原来的四分之一。对于低毫安CBBCT,本文提出投影域和图像域级联训练的网络—PI-Net（Projection to Image Networks）。PI-Net将去除伪影保持对比度的分解成两个任务,投影域降噪子网络PD-Net先对每个角度下的二维投影图降噪,FBP重建后,图像增强网路IE-Net再进一步提高图像对比度,恢复细节。这样的分解降低了训练的难度,也充分利用了投影域和图像域处理的优势。在临床投影图上模拟的结果显示,PI-Net在去除伪影保留细节和对比度方面效果优秀,体现了双域级联设计的合理性。结果显示和另外两种深度学习低剂量算法相比,PI-Net能获得更高的图像质量。
虞成功[5]（2021）在《刺激响应性金纳米粒子对肺纤维化治疗过程中移植干细胞的CT成像示踪研究》文中研究指明特发性肺纤维化（IPF）是一种严重的肺部损伤性疾病,死亡率高、生存期短,目前尚无有效的治疗手段。近些年来,干细胞在IPF的治疗中取得重要的进展,但是临床转化依然存在挑战。原因之一是当前缺乏有效的手段对移植干细胞进行实时、精准示踪,难以监控干细胞在体内发挥治疗作用的过程,进而导致无法进行治疗效果评估和相应的医疗干预。在IPF的干细胞治疗中,金纳米粒子（AuNPs）作为示踪剂用于干细胞的CT成像示踪有较高的实际应用价值和临床转化前景。其中,示踪剂的结构和性质与细胞的相互作用密切相关,进一步影响着CT成像示踪的效果,因此开发出合适的示踪剂是实现干细胞CT成像示踪的关键。本论文以肺纤维化治疗过程中对移植干细胞高灵敏度、长期CT成像示踪为目标,通过功能化修饰调控金纳米粒子表面性质来影响与细胞的相互作用,实现体内CT信号增强和长时程的移植干细胞示踪效果。主要工作分为以下两个部分:本论文第一部分利用温度敏感性聚合物聚N-异丙基丙烯酰胺聚丙烯酰胺嵌段共聚物（pNIPAAm-b-pAAm）对金纳米粒子进行修饰,得到胶体稳定性好并且具有温度敏感特性的金纳米粒子TRAuNPs。利用不同温度下纳米粒子的表面性质实现增强干细胞标记效率和延长标记时间的效果。实验结果显示,在与间充质干细胞（MSCs）孵育过程中,通过热刺激（39℃）调控TRAuNPs的疏水性和尺寸,可以增强示踪剂对细胞的标记效率;而标记之后的生理温度使得TRAuNPs发生亲水性相变,能够延长示踪剂对MSCs的标记时间。此外,示踪剂及其标记过程对MSCs显示出良好的安全性,标记后不影响干细胞的活性、增殖、凋亡、细胞周期和分化等生理功能。体内实验中,将标记的MSCs移植到IPF模型小鼠体内,采用CT成像技术能够对移植干细胞进行10天的示踪,报告干细胞在体内的分布和迁移行为。然而,该示踪剂及其标记策略对MSCs的绝对标记量在CT成像中无明显优势,使其进一步应用受限。第二部分工作采用pH响应性聚合物聚（甲基酰基磺胺二甲氧嘧啶）（PSD）和细胞穿透肽（CPP）对金纳米粒子进行依次修饰构建了 pH响应性金纳米粒子干细胞示踪剂CPP-PSD@Au,用于解决干细胞CT成像示踪过程中标记效率低和细胞外排速率明显等问题。实验结果表明,由于CPP的表面修饰,CPP-PSD@Au能够对MSCs进行高效率的标记,单个细胞内Au含量最高可达480 pg,超过当前文献报道的绝大多数金纳米示踪剂。此外,在细胞转运过程中纳米粒子经历溶酶体或者内涵体等酸性环境时会发生pH响应行为,表现为净电荷减小和形成纳米粒子聚集体。该响应过程能显着延缓MSCs对CPP-PSD@Au的外排速率,因而可以实现对干细胞长时间的标记效果。另外,CPP-PSD@Au表现出良好的生物相容性,标记后对MSCs的活力、增殖、凋亡和分化等不造成明显的影响。在体内实验中,通过CT成像能够对IPF模型中的移植MSCs进行35天的示踪,监控干细胞在肺部的分布和迁移等过程。采用病理切片、免疫组化染色、活性生物因子检测等手段发现MSCs移植能够显着延缓IPF的进展,进一步研究发现参与炎症反应可能是MSCs发挥IPF的治疗作用的机制。综上,CPP-PSD@Au是一种有效的干细胞示踪剂,在对IPF治疗中移植MSCs的CT成像示踪领域具有良好的应用前景。
黄志远[6]（2021）在《基于深度学习的低剂量CT降噪算法研究》文中进行了进一步梳理低剂量X射线计算机断层（Low-dose X-ray Computed Tomography）成像技术是现代医学检测的重要手段之一,同样也是医学成像的重点研究内容之一,其目的是在降低X射线辐射剂量前提下,保证CT成像的准确性,以及医学诊断的可靠性。低剂量CT成像方法多种多样,或是降低X射线辐射强度,或是在扫描期间降低采样,无论哪种技术手段都可以减少X射线对人体的伤害,但同样地,都破坏了图像质量,在既要降低X射线辐射剂量,也要保证CT成像质量的前提下,低剂量CT成像技术越来越受到研究者们的重视。本文针对低剂量CT降噪问题进行了分析和研究,并针对现有成像问题提出解决方案。主要贡献如下:（1）本文首先阐述了低剂量CT成像的课题背景,深入探讨了低剂量CT成像技术发展现状,分析了投影域降噪算法、迭代重建算法、CT图像后处理算法等目前主流CT图像降噪算法的优劣,并总结得出目前CT降噪领域仍然存在的问题;（2）紧接着引入卷积神经网络,为本文基于深度学习的CT图像降噪方案奠定理论基础并对低剂量CT成像理论进行分析,探讨了目前噪声建模方案的缺陷,并基于深度学习理论对CT图像噪声进行重新建模,分析了深度学习应用于CT图像降噪的可行性;（3）针对带标签数据（即低剂量CT图像和与之对应的正常剂量CT图像）获取困难问题提出一种半监督学习方法。传统低剂量CT降噪算法大多基于噪声模型来进行滤波,成像效果一般。现如今基于卷积神经网络的模型成为发展重点之一,其强大的特征提取能力为低剂量CT降噪提供了另一种解决思路,但卷积神经网络需要庞大的带标签数据支持,而想要获取满足要求的标签数据较为困难。针对这一问题,本文提出了一种基于对偶学习的半监督降噪方法,在模型训练过程引入部分无标签数据,降低了模型对于数据的要求,并通过实验分析了带标签数据占比对降噪效果的影响。（4）针对低剂量CT降噪的成像质量问题提出一种基于生成对抗思想的方法。目前的算法大多着眼于图像评价指标的提升,而忽略了评价图像质量在一定程度上是以人类视觉效果为依据的,一味地提高评价指标并不意味着图像质量越来越好。在医学诊断过程中,放射科医生经常重点关注图像的某些细节信息,这些细节信息往往决定着诊断结果的准确性。本文针对成像过程中细节信息丢失问题提出了一种基于注意力机制的生成对抗网络,极大地增强了图像的细节表现力,并与现有算法对比,充分验证了其有效性。
蔡凡凡[7]（2021）在《FORCE CT冠状动脉、左心房肺静脉一站式成像在房颤患者冠心病诊断的应用》文中研究表明第一部分FORCE CT回顾性心电门控绝对时相评价冠状动脉、左心房肺静脉一站式成像的图像质量及辐射剂量目的:心房纤颤是成人最常见的持续性心律失常。受世界人口老龄化、高血压、心力衰竭、肥胖、及睡眠障碍等风险因素的影响,房颤的发病率和流行率持续上升。而心房纤颤由于心率不规整,曾经是冠状动脉CT血管成像（coronary CT angiography,CCTA）的禁忌症。本研究将探讨Force CT回顾性心电门控绝对时相在房颤患者冠状动脉及左心房肺静脉一站式成像图像的质量及辐射剂量。材料与方法:2019年3月至2020年11月连续入组心房纤颤患者40例,利用Force CT回顾性心电门控绝对时相扫描行CCTA检查,在患者心动周期R波后200～400ms全剂量曝光。计算患者对比剂用量。用5分法评价患者冠状动脉主观图像质量,用3分法评价患者左心房及肺静脉主观图像质量;以信噪比（signal-to-noise,SNR）、对比噪声比（contrast-to-noise ratio,CNR）分别评价冠状动脉、左心房及肺静脉的客观图像质量。记录容积剂量指数（CT dose index volume,CTDIvol）和剂量长度乘积（dose length product,DLP）,计算有效辐射剂量（effective dose,ED）。结果:对比剂用量为（30-55）mL,平均用量44.29mL。两位阅片者冠状动脉主观评分一致性检验Kappa值为93.8%,一致性较好。40例心房纤颤患者冠状动脉图像质量评分为右冠状动脉（right coronary artery,RCA）（4.35±0.52）、左主干（left main artery,LMA）（4.28±0.45）、左前降支（left anterior desceding,LAD）（4.12±0.52）、左回旋支（leftcircumflex,LCX）（3.89±0.60）,RCA、LMA、LAD、LCX图像质量评分依次下降;40例患者共507个血管段,RCA、LMA、LAD、LCX总显示的血管段数分别为153、40、173、141段,可评价率均为100%。左心房、肺静脉图像主观评分一致性检验Kappa值为79.5%,一致性较好;评分为3分有26例患者,评分为2分有12例患者,评分为1分有2例患者。冠状动脉 SNR 为（24.75±4.98）、CNR 为（30.10±6.20）。左心房 SNR 为（18.83±4.82）,CNR 为（24.06±5.53）;肺静脉 SNR 为（16.15±4.33）,CNR 为（20.91±4.9）。CTDIvol为（38.01±14.34）mGy,DLP 为（603.14±278.10）mGy.cm,ED为（8.60±3.65）mSv。结论:Force CT回顾性心电门控绝对时相在心房纤颤患者冠状动脉,左心房和肺静脉一站式成像时可获得满足诊断的图像,且辐射剂量在可接受范围内。第二部分Force CT一站式成像对房颤患者冠状动脉、左心房肺静脉的诊断价值目的:房颤发病率及死亡率很高,其特点是心房快速不协调的运动。异常兴奋灶常在肺静脉中发现,这些触发源于房室肌在肺静脉水平的延长,即在左心房与肺静脉交界处有复杂的纤维排列。射频消融,该方法可隔离肺静脉,是药物难治性房颤的主要治疗方式。即使有丰富的消融经验,术前了解左心房解剖和肺静脉解剖也是必要的。我们可以通过多种成像途径获得左心房和肺静脉图像,包括经食管超声心动图、心内超声心动图、血管造影、多层螺旋CT、三维钆对比剂增强磁共振扫描。多层螺旋CT是最主要的方法之一。本研究利用Force CT冠状动脉图像,研究房颤患者冠状动脉病变同时评价左心房及肺静脉解剖情况,评估房颤患者冠状动脉病变严重程度及左心房和肺静脉解剖、形态,为房颤患者术前评估冠心病的程度、了解左心房肺静脉的结构、确定选择何种手术方式以及术后疗效随访提供参考资料。材料与方法:收集2019年3月至2020年11月40例确诊为心房纤颤的患者利用Force CT行冠状动脉成像,利用冠状动脉图像评估冠状动脉病变程度同时分析肺静脉形态、发育变异,测量肺静脉前后径、上下径、平均直径和口指数值;测量左心房径线。结果:40例患者冠状动脉粥样硬化血管病变,26支血管轻微狭窄,26支血管轻度狭窄,10支血管中度狭窄,9支血管重度狭窄、闭塞。40例患者,标准四支肺静脉的35例（构成比87.5%）;右中类型4例（构成比10%）;左共干1例（构成比2.5%）。上肺静脉开口径线大于下肺静脉,右肺静脉开口径线大于左肺静脉,肺静脉共干开口部径线最大;右肺中静脉开口部径线最小。从肺静脉开口部指数来看,右侧肺静脉形态较左侧肺静脉更圆,其中RMPV形态最圆（1.00±0.15）,LIPV形态最卵圆（0.86±0.14）。左心房横径最大,为（73.38±15.26）mm;上下径次之,为（72.76±11.70）mm;前后径最小,为（47.45±10.63）mm。结论:利用Force CT冠状动脉图像,评估房颤患者冠状动脉病变同时评价左心房及肺静脉解剖情况,可为房颤患者术前评估冠心病程度、了解左心房肺静脉的结构和手术方式的选择以及术后疗效随访提供参考资料,具有极大的临床价值。
马凤[8]（2021）在《锥形束CT成像质量评价及优化技术研究》文中提出锥形束 CT（Cone Beam Computed Tomography,CBCT）相较螺旋 CT 具有辐射剂量低、空间分辨率高的原理性优势。在口腔锥形束CT,图像引导放疗CBCT、乳腺 CBCT、乳腺层析成像（Digital Breast Tomosynthesis）、肢端 CBCT、头颅CBCT等已经或有望取代并超越螺旋CT相应的功能。具体在口腔锥形束CT领域,因影像细节分辨力高、辐射剂量低、扫描速度快,体积灵巧等优势,多被用于种植、颌面外科、牙体牙周等口腔诊断领域,受越来越多口腔诊疗服务机构所青睐。随着人民可支配收入的增加,因口腔疾病就诊的意愿也随之增加,国内外涌现出一批口腔锥形束CT的设备制造商。通常医疗设备从研发到上市,不同的国家有不同的法规要求。我国对于医疗设备有明确的分级注册准入制度,口腔锥形束CT属于三类医疗器械。根据现有国/行标要求,制造商需对注册设备进行质量评价包含机械性能、软件性能、图像质量等。其中图像质量评价是评价体系中不可或缺的部分,评价参数包括空间分辨率、密度分辨率、图像均匀性等,通过分析能直观反映图像质量的好坏,从而评价设备整体质量。对于制造商来说满足评价体系要求,研发设计符合评价体系的图像质量评价体模是至关重要的环节。为了完成该环节,本文结合现有螺旋CT的图像质量评价体系,参考行业标准,设计并制作了符合口腔锥形束CT图像评价的体模,并应用其进行口腔锥形束CT的图像去噪研究。本研究在充分考虑了图像质量评价体系参数及携带便利性基础上,设计并制作了一套含空间分辨率、密度分辨率、均匀性、层厚、水模、金属伪影校正模块在内的评价体模。体模主体高度为150mm,直径为100mm,各模块20-35mm高度不等,主体材料采用PMMA（聚甲基丙烯酸甲酯,1.18 g/cm3）,嵌入不同物质如钛棒、钨丝、水、空气、聚乙烯（polyethylene,PE）等。基于均匀性评价结果,发现口腔锥形束CT图像噪声严重。为此,本文提出了一种基于中值滤波与先验图像相结合的图像去噪算法,利用中值滤波均匀区域去噪优势以及先验图像对于边缘组织信息的良好保留经加权得重建,结果达到去噪和边缘信息保留的良好平衡。为验证其有效性,进行了两组体模数据,结果显示本文算法较中值滤波算法图像SNR分别提高了 23%和5%;进行了两组真实数据实验经本文方法去噪后,目力观察发现噪声得到有效去除,且图像边缘信息保留良好。本文设计了一套图像质量评价体系体模,并针对均匀性模块评价图像噪声严重的问题,提出一种图像去噪方法,显着提高了图像质量。虽然本文研究内容在图像质量评价、图像质量提升取得初步成果,但对于推广应用还有待更深一步探究。
陈妍[9]（2021）在《基于稀疏角度X光的三维重建方法研究》文中认为计算机断层成像（Computed Tomography,CT）是一种通过X射线扫描待成像物体并采集投影数据实现内部结构成像的技术。由于X射线对人体健康的危害大,近年来,学者们研究利用传统CT重建方法基于稀疏角度X光重建CT,进而降低X射线使用剂量,但是在两个角度的重建中无法生成可理解的断层图像。而基于深度学习的图像重建方法对X光在二维空间的变化提取能力有限,且不同角度的重建结果不一致。本文通过分析X光和CT成像特点,研究基于稀疏角度X光的三维重建方法,本文研究的关键问题以及主要工作包括:（1）针对不同角度的X光在三维空间的映射不一致问题,借鉴自然图像多角度三维重建领域的自适应融合模块,在训练阶段,运用该模块缩小不同角度X光在三维空间映射的距离,该模块一方面缩小了两个映射的距离,实现解的稳定性,另一方面缩小了两个解与真实样本的距离,提高了解的准确性,在推理阶段,该模块能够评价重建结果并打分,以该分数作为不同角度初始重建结果的权重,实现自适应的融合多角度重建结果,将两个初始重建结果各自重建质量更佳的部分有机结合,进一步提高重建质量;（2）针对二维输入的微小变化在三维空间引起的变化有限的问题,实现基于潜变量的生成对抗三维重建网络,在训练阶段,该网络引入随机潜变量和条件向量,潜变量作为生成器输入,条件向量经过全连接网络映射网络对多级三维特征进行缩放和平移,辅助生成对抗网络的训练方式,提高重建质量,在推理阶段,正交角度X光作为二维监督参与自监督迭代推理通过反向传播更新潜变量和条件向量,将二维X光的波动在迭代推理时传递给输入,进而通过前向传播在三维空间引起对应的波动。本文实现的基于稀疏角度X光的三维重建方法基于小型的X光机即可实现初步的三维重建工作,相较于CT机,X光机体积小、出片快、X射线剂量低,具有应用环境灵活多变的优点,能够在手术室等大型CT机无法进入的场景实现三维重建。
朱明婉[10]（2021）在《基于残差网络的CT图像几何伪影自校正算法研究》文中指出计算机断层成像（Computed Tomography,CT）技术以无损、非接触的方式对物体进行三维成像,广泛应用于医学诊断、工业检测、安全检查、文物修复等领域。在实际应用中,成像系统与理想模型之间的偏差,会导致CT重建图像出现各种伪影。其中,几何伪影是由实际成像系统空间结构与理想几何模型参数失配所引起的图像伪影,表现为重建图像边缘模糊及重影,导致成像分辨率降低和图像质量下降。因此,准确高效的几何伪影校正对于CT技术向着更高成像分辨率发展至关重要。本文借助深度学习思想,分别从几何伪影定性评价、几何参数自标定、图像域几何伪影校正三方面开展CT图像几何伪影自校正研究,取得的主要创新如下:（1）提出了一种基于残差网络的CT图像几何伪影评价方法。几何伪影的校正效果决定重建图像的精度,如何客观准确地评价几何伪影校正效果是提高校正精度首要解决的问题。针对几何伪影多为主观评价问题,本文构建了包含不同几何伪影程度的数据集,设计了CT图像几何伪影评价（Geometric Artifact Evaluation,GAE）网络。使用残差块结构提取更高维度的图像特征;在卷积残差模块中添加注意力模块,挖掘通道层面和空间维度特征,进一步聚焦图像边缘特征,提升GAE网络评价效果。实验结果表明,相较于经典残差网络,GAE网络具有更优的综合分级性能,在不同体模测试数据集上总体分级准确率达到97.5%以上。（2）提出了一种基于伪影评价的区间搜索式几何参数自标定算法。针对现有自校正算法在几何参数搜索过程中因缺少有效判据导致算法精度低的问题,本文将GAE网络嵌入到几何参数自标定框架中,首先利用投影和对齐方法估计待标定几何参数的初始值,其次,利用GAE网络对基于估计值的重建图像进行伪影级别评价,根据伪影程度自适应设置参数搜索步长和搜索区间。最后,当GAE网络在搜索区间内判定重建图像无几何伪影,且参数搜索达到全局最优,完成几何参数标定。仿真和实际数据结果表明,该方法标定后的几何参数值接近真值,对应重建图像清晰、细节结构还原度高,与真值重建图像之间具有97.08%以上的结构相似度。（3）提出了一种融合残差和生成对抗网络（Generative Adversarial Networks,GAN）的CT图像几何伪影自校正方法。针对在实际应用中难以获取物体投影数据的情况,本文利用GAN网络的强大特征学习能力,学习从有几何伪影到无几何伪影的映射,提出了图像域几何伪影校正网络GAE-GAN。使用U-Net网络作为GAE-GAN网络的生成器,用于有效提取多层和边缘特征,生成接近真实的无伪影图像;使用基于残差网络的GAE网络作为判别器,用于判定输入图像是否存在几何伪影。为了使图像更符合人类感知,损失函数选用由内容损失和对抗损失两部分构成的感知损失。引入校正后图像被GAE网络判定为无伪影图像的概率P作为评价指标,客观评判网络校正后图像质量。仿真和实际数据实验结果表明,GAE-GAN网络能够有效去除CT图像几何伪影,获取高分辨率的校正图像。同时,相较于基于全卷积神经网络的校正方法,本文方法校正后图像被GAE网络判定为无伪影图像的概率P平均提升11.226%,具有更优的图像质量。
二、CT成像质量的评价与控制（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、CT成像质量的评价与控制（论文提纲范文）
（1）冠状动脉CT血管成像中对比剂优化策略及思维导图式健康教育应用效果评价（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 常用缩写词中英文对照表 |
| 1 前言 |
| 1.1 研究背景 |
| 1.2 研究目的 |
| 1.3 研究意义 |
| 2 对象与方法 |
| 2.1 研究对象 |
| 2.2 研究内容和方法 |
| 2.3 资料收集方法 |
| 2.4 伦理原则 |
| 2.5 统计学方法 |
| 2.6 质量控制 |
| 3 结果 |
| 3.1 对比剂优化使用策略的效果评价 |
| 3.1.1 两组患者基本情况及辐射剂量的比较 |
| 3.1.2 两组患者图像质量客观指标及主观评分的比较 |
| 3.2 思维导图式健康教育的应用效果评价 |
| 3.2.1 两组患者一般资料的比较 |
| 3.2.2 两组患者S-AI评分的比较 |
| 3.2.3 两组重复准备人数的比较 |
| 3.2.4 两组患者人均检查时长的比较 |
| 3.2.5 两组患者满意度的比较 |
| 4 讨论 |
| 4.1 个体化注射方案中碘对比剂的优化使用 |
| 4.2 个体化注射方案对血管强化程度的影响 |
| 4.3 CCTA检查中的辐射剂量 |
| 4.4 思维导图式健康教育的应用效果 |
| 5 结论 |
| 5.1 研究结论 |
| 5.2 研究的不足与展望 |
| 参考文献 |
| 综述 个体化注射方案在冠状动脉 CT 成像中的研究进展 |
| 参考文献 |
| 附录 |
| 致谢 |
| 个人简介 |
（2）复杂构件多能CT重建算法（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 多能CT成像国内外研究现状 |
| 1.2.2 迭代重建研究现状 |
| 1.3 研究内容及结构安排 |
| 第二章 CT重建基本原理 |
| 2.1 CT成像原理 |
| 2.2 迭代重建算法 |
| 2.2.1 ART算法 |
| 2.2.2 ML-EM重建算法 |
| 2.3 图像质量评价 |
| 2.4 本章小结 |
| 第三章 基于先验图像约束压缩感知多能重建算法 |
| 3.1 先验图像约束压缩感知算法 |
| 3.1.1 压缩感知理论 |
| 3.1.2 基于先验图像约束压缩感知重建算法 |
| 3.2 复杂构件的多能投影采集及有效投影 |
| 3.3 基于先验图像约束压缩感知多能CT重建算法 |
| 3.4 仿真模型设计 |
| 3.5 仿真实验结果与分析 |
| 3.5.1 仿真投影实验 |
| 3.5.2 有效投影 |
| 3.5.3 单能重建仿真结果 |
| 3.5.4 PICCS多能CT重建结果 |
| 3.5.5 实验对比分析 |
| 3.6 实际数据重建结果与分析 |
| 3.6.1 实际有效投影序列 |
| 3.6.2 单能重建结果 |
| 3.6.3 多能重建结果与分析 |
| 3.7 本章小结 |
| 第四章 分割先验图像多能CT重建算法 |
| 4.1 阈值分割算法 |
| 4.2 分割先验图像多能CT重建算法 |
| 4.3 仿真结果与分析 |
| 4.3.1 分割先验图像多能CT重建结果 |
| 4.3.2 算法对比 |
| 4.4 实际数据重建结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间所取得的研究成果 |
| 致谢 |
（3）锥束CT智能精准引导放射治疗关键问题研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及其意义 |
| 1.2 锥束CT成像技术 |
| 1.2.1 锥束CT硬件系统 |
| 1.2.2 锥束CT重建算法 |
| 1.3 锥束CT引导放疗的关键问题及其国内外研究现状 |
| 1.3.1 锥束CT伪影修正 |
| 1.3.2 锥束CT引导靶区定位 |
| 1.3.3 放疗预后智能诊断 |
| 1.3.4 锥束CT引导放疗关键技术的评价指标 |
| 1.4 技术路线和论文的组织架构 |
| 第2章 定量锥束CT成像技术 |
| 2.1 基于阻挡器的锥束CT散射修正技术 |
| 2.1.1 阻挡器几何结构的建模 |
| 2.1.2 散射信号提取 |
| 2.1.3 基于阻挡器的三维重建算法 |
| 2.1.4 实验结果 |
| 2.1.5 讨论与总结 |
| 2.2 基于先验计划CT的锥束CT散射修正技术 |
| 2.2.1 工作流程 |
| 2.2.2 散射噪声抑制 |
| 2.2.3 GPU加速 |
| 2.2.4 实验结果 |
| 2.2.5 讨论与总结 |
| 2.3 基于深度卷积神经网络的分割辅助锥束CT散射修正 |
| 2.3.1 算法流程 |
| 2.3.2 利用深度卷积神经网络进行锥束CT分割 |
| 2.3.3 使用自适应滤波器进行散射伪影估计 |
| 2.3.4 结果 |
| 2.3.5 讨论与总结 |
| 2.4 自适应迭代环形伪影修正法 |
| 2.4.1 算法流程 |
| 2.4.2 利用相对全变分提取病人结构信息 |
| 2.4.3 环形伪影的提取 |
| 2.4.4 迭代停止标准 |
| 2.4.5 实验结果 |
| 2.4.6 讨论与总结 |
| 2.5 本章小结 |
| 第3章 精准锥束CT引导靶区定位技术 |
| 3.1 基于one-shot学习的锥束CT前列腺定位技术 |
| 3.1.1 算法流程 |
| 3.1.2 深度学习模型 |
| 3.1.3 标记数据集的生成 |
| 3.1.4 测试T2RN模型 |
| 3.1.5 实验结果 |
| 3.1.6 讨论与总结 |
| 3.2 基于窄带匹配的无监督学习弹性配准技术 |
| 3.2.1 靶区勾画传播流程 |
| 3.2.2 基于窄带匹配的无监督学习 |
| 3.2.3 前列腺患者数据 |
| 3.2.4 靶区勾画的评估方法 |
| 3.2.5 实验结果 |
| 3.2.6 讨论与总结 |
| 第4章 放疗预后智能诊断技术 |
| 4.1 研究背景 |
| 4.2 入选的病人 |
| 4.3 影像的采集与处理 |
| 4.4 深度学习模型 |
| 4.5 实验结果 |
| 4.6 讨论与总结 |
| 第5章 结束语 |
| 5.1 本文工作总结 |
| 5.2 未来的研究方向 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
（4）基于深度学习的低剂量锥束乳腺CT（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 CT成像简介 |
| 1.2 锥束乳腺CT |
| 1.3 低剂量CT扫描方式 |
| 1.4 低剂量CT重建研究现状 |
| 1.5 本文的主要工作和论文结构 |
| 第二章 CT成像基础及重建算法 |
| 2.1 CT成像基础 |
| 2.1.1 前向投影的物理数学原理 |
| 2.1.2 傅里叶切片定理 |
| 2.2 解析重建算法 |
| 2.2.1 解析重建推导 |
| 2.2.2 低剂量CT的伪影 |
| 2.3 迭代重建 |
| 2.4 基于深度学习的低剂量CT算法 |
| 第三章 基于边缘约束cGAN的稀疏角度锥束乳腺CT |
| 3.1 引言 |
| 3.2 ECGAN网络框架及损失函数 |
| 3.3 实验设计 |
| 3.3.1 数据集准备与训练 |
| 3.3.2 图像质量评价指标 |
| 3.4 结果与分析 |
| 3.4.1 与其他重建方法的对比 |
| 3.4.2 消融实验对比 |
| 3.5 本章小结与讨论 |
| 第四章 基于投影域图像域级联学习的低毫安乳腺锥束CT |
| 4.1 引言 |
| 4.2 PI-Net流程和网络结构 |
| 4.2.1 PI-Net概述 |
| 4.2.2 投影域降噪网络 |
| 4.2.3 图像增强网络 |
| 4.2.4 训练和优化 |
| 4.3 实验数据 |
| 4.4 实验结果 |
| 4.4.1 单域与混合域的对比结果 |
| 4.4.2 和其它方法的对比 |
| 4.5 小结与讨论 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 工作展望 |
| 参考文献 |
| 致谢 |
| 硕士期间发表论文 |
（5）刺激响应性金纳米粒子对肺纤维化治疗过程中移植干细胞的CT成像示踪研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 特发性肺纤维化和干细胞治疗 |
| 1.1.1 IPF发病机理及病理过程 |
| 1.1.2 IPF的诊断和治疗 |
| 1.1.3 干细胞移植与IPF治疗 |
| 1.2 干细胞成像 |
| 1.2.1 磁共振成像 |
| 1.2.2 光学成像 |
| 1.2.3 光声成像 |
| 1.2.4 放射性核素成像 |
| 1.2.5 CT成像 |
| 1.3 金纳米粒子与干细胞CT成像示踪 |
| 1.3.1 金纳米粒子的结构和功能 |
| 1.3.2 示踪剂与干细胞标记 |
| 1.4 本论文的研究内容与意义 |
| 参考文献 |
| 第2章 温度响应性金纳米粒子用于IPF治疗过程中移植干细胞的CT成像示踪 |
| 2.1 引言 |
| 2.2 实验部分 |
| 2.2.1 实验材料与仪器设备 |
| 2.2.2 聚合物的合成和性能测定 |
| 2.2.3 温度响应性金纳米粒子的合成 |
| 2.2.4 纳米粒子的结构和性能表征 |
| 2.2.5 TRAuNPs对MSCs的标记 |
| 2.2.6 TRAuNPs的生物相容性 |
| 2.2.7 体外CT成像 |
| 2.2.8 IPF小鼠模型的建立 |
| 2.2.9 构建稳定表达荧光素酶的MSCs |
| 2.2.10 移植MSCs的CT成像示踪 |
| 2.2.11 生物发光成像 |
| 2.3 结果与讨论 |
| 2.3.1 温敏性聚合物的结构和性能 |
| 2.3.2 纳米示踪剂的结构和温度响应性能 |
| 2.3.3 MSCs标记条件的筛选 |
| 2.3.4 标记温度对标记效率的影响 |
| 2.3.5 TRAuNP的生物相容性 |
| 2.3.6 表达荧光素酶报告基因MSCs~(Luc)的鉴定 |
| 2.3.7 肺纤维化小鼠模型的鉴定 |
| 2.3.8 干细胞CT成像 |
| 2.3.9 病理切片分析 |
| 2.4 结论 |
| 参考文献 |
| 第3章 pH响应性金纳米粒子用于IPF治疗过程中移植干细胞的CT成像示踪 |
| 3.1 引言 |
| 3.2 实验部分 |
| 3.2.1 实验试剂和仪器设备 |
| 3.2.2 化合物的合成与表征 |
| 3.2.3 纳米粒子的制备与性能测试 |
| 3.2.4 MSCs毒性和增殖 |
| 3.2.5 CPP-PSD@Au的标记条件 |
| 3.2.6 CPP-PSD@Au的摄取机制 |
| 3.2.7 示踪剂胞内分布及胞吐速率 |
| 3.2.8 MSCs凋亡和分化 |
| 3.2.9 体外CT成像 |
| 3.2.10 体内CT成像 |
| 3.2.11 IPF修复效果评价 |
| 3.3 结果和讨论 |
| 3.3.1 PSD的结构和性能 |
| 3.3.2 CPP-PSD@Au的合成与表征 |
| 3.3.3 CPP-PSD@Au的pH响应性质 |
| 3.3.4 CPP-PSD@Au对MSCs的标记 |
| 3.3.5 示踪剂在MSCs内分布和外排速率 |
| 3.3.6 CPP-PSD@Au的细胞摄取机制 |
| 3.3.7 CPP-PSD@Au的生物相容性 |
| 3.3.8 体外CT成像与检测限 |
| 3.3.9 MSCs体内CT成像示踪 |
| 3.3.10 IPF修复效果 |
| 3.4 结论 |
| 参考文献 |
| 第4章 总结与展望 |
| 4.1 全文总结 |
| 4.2 展望 |
| 致谢 |
| 在读期间发表的学术论文与取得的其他研究成果 |
（6）基于深度学习的低剂量CT降噪算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景与研究的目的和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 投影域降噪算法 |
| 1.2.2 迭代重建算法 |
| 1.2.3 CT图像后处理算法 |
| 1.3 本文的研究内容和主要贡献 |
| 1.4 论文主要工作与组织结构 |
| 第2章 卷积神经网络与低剂量CT成像理论基础 |
| 2.1 卷积神经网络 |
| 2.2 卷积神经网络的基本过程 |
| 2.2.1 前向传播 |
| 2.2.2 反向传播 |
| 2.3 低剂量CT成像理论基础 |
| 2.3.1 CT成像基础简介 |
| 2.3.2 低剂量CT成像及其噪声特性 |
| 2.4 基于卷积神经网络的低剂量CT降噪 |
| 2.5 本章小结 |
| 第3章 基于半监督学习的低剂量CT降噪 |
| 3.1 半监督学习与对偶学习 |
| 3.2 基于对偶学习的低剂量CT图像降噪 |
| 3.2.1 算法原理 |
| 3.2.2 模型设计 |
| 3.2.3 模型训练 |
| 3.3 实验结果对比与分析 |
| 3.3.1 数据集 |
| 3.3.2 评价指标 |
| 3.3.3 实验结果 |
| 3.4 本章小结 |
| 第4章 基于生成对抗网络的低剂量CT降噪 |
| 4.1 生成对抗网络 |
| 4.2 基于循环一致性生成对抗网络的低剂量CT降噪 |
| 4.2.1 总体框架 |
| 4.2.2 联合损失函数 |
| 4.2.3 注意力机制 |
| 4.2.4 生成器与判别器 |
| 4.2.5 模型训练细节 |
| 4.3 实验结果 |
| 4.3.1 消融研究 |
| 4.3.2 算法对比 |
| 4.4 本章小结 |
| 第5章 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术成果 |
| 学位论文评阅及答辩情况表 |
（7）FORCE CT冠状动脉、左心房肺静脉一站式成像在房颤患者冠心病诊断的应用（论文提纲范文）
| 中文摘要 |
| ENGLISH ABSTRACT |
| 符号说明 |
| 第一部分 FORCE CT回顾性心电门控绝对时相评价冠状动脉、左心房肺静脉一站式成像的图像质量及辐射剂量 |
| 前言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 附表 |
| 附图 |
| 参考文献 |
| 第二部分 Force CT 一站式成像对房颤患者冠状动脉、左心房肺静脉的诊断价值 |
| 前言 |
| 材料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 附表 |
| 附图 |
| 参考文献 |
| 综述 冠状动脉CT血管成像在高心率和房颤患者中的挑战 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的论文及着作 |
| 学位论文评阅及答辩情况表 |
（8）锥形束CT成像质量评价及优化技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 课题的研究背景与意义 |
| 1.2 课题的研究现状 |
| 1.2.1 锥形束CT成像研究现状 |
| 1.2.2 锥形束CT图像去噪研究现状 |
| 1.3 论文的主要工作 |
| 1.4 论文的结构安排 |
| 第二章 锥形束CT成像基础及产业现状 |
| 2.1 CT成像理论基础 |
| 2.1.1 CT成像的物理基础 |
| 2.1.2 CT成像的数学基础 |
| 2.2 经典重建算法 |
| 2.2.1 滤波反投影算法 |
| 2.2.2 迭代重建算法 |
| 2.3 口腔锥形束CT产业现状 |
| 第三章 口腔锥形束CT成像质量评价体模设计与制作 |
| 3.1 引言 |
| 3.2 行业标准 |
| 3.3 成像质量评价体模设计 |
| 3.3.1 空间分辨率模块 |
| 3.3.2 密度分辨率模块 |
| 3.3.3 水模/均匀性模块 |
| 3.3.4 层厚模块 |
| 3.3.5 金属伪影校正模块 |
| 3.4 成像评价质量体模制作 |
| 3.4.1 空间分辨率体模 |
| 3.4.2 密度分辨率体模 |
| 3.4.3 水模/均匀性体模 |
| 3.4.4 层厚体模 |
| 3.4.5 金属伪影校正/CT值体模 |
| 3.5 测试结果与讨论 |
| 3.5.1 图像信噪比 |
| 3.5.2 图像均匀性 |
| 3.5.3 空间分辨率 |
| 3.5.4 低对比度分辨率 |
| 3.5.5 选层厚度 |
| 3.5.6 金属伪影校正 |
| 3.6 体模验证 |
| 3.7 本章小结 |
| 第四章 基于评价体模的锥形束CT图像去噪方法 |
| 4.1 引言 |
| 4.2 中值滤波与先验图像结合图像去噪方法 |
| 4.2.1 中值滤波方法 |
| 4.2.2 先验图像 |
| 4.2.3 中值滤波与先验图像结合的CBCT图像去噪 |
| 4.3 仿真数据实验 |
| 4.3.1 实验和评估指标 |
| 4.3.2 Shepp-logan体模结果 |
| 4.3.3 Forbild体模结果 |
| 4.4 真实数据实验 |
| 4.4.1 评价体模实验结果 |
| 4.4.2 头颅数据实验结果 |
| 4.5 实验结果与讨论 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 问题与展望 |
| 参考文献 |
| 攻读硕士学位期间成果 |
| 致谢 |
（9）基于稀疏角度X光的三维重建方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究工作的背景与意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 传统重建算法与深度学习的结合 |
| 1.2.2 基于深度学习的自然图像三维重建方法 |
| 1.2.3 基于稀疏角度X光的三维重建方法 |
| 1.3 本文的主要工作 |
| 1.4 本论文的结构安排 |
| 第二章 X光和CBCT成像模型 |
| 2.1 CT成像基础 |
| 2.1.1 朗伯-比尔定律 |
| 2.1.2 CT扫描方式 |
| 2.1.3 Radon变换 |
| 2.1.4 Fourier中心切片定理 |
| 2.2 X光和CBCT成像 |
| 2.3 稀疏角度CT重建的不适定问题 |
| 2.4 数字重建放射影像技术 |
| 2.5 本章小结 |
| 第三章 基于自适应权重融合的三维重建方法 |
| 3.1 网络框架 |
| 3.2 三维重建网络设计 |
| 3.2.1 卷积神经网络作用层 |
| 3.2.2 二维编码器 |
| 3.2.3 特征维度变换 |
| 3.2.4 三维解码器 |
| 3.2.5 自适应权重融合模块 |
| 3.3 损失函数 |
| 3.4 实验与分析 |
| 3.4.1 数据集的搭建 |
| 3.4.2 评价指标 |
| 3.4.3 实验环境与实验策略 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 基于潜变量的生成对抗重建网络 |
| 4.1 问题分析 |
| 4.1.1 关键问题与解决方法 |
| 4.1.2 潜变量与条件生成 |
| 4.2 基于潜变量的生成对抗重建网络设计 |
| 4.2.1 生成对抗网络 |
| 4.2.2 模型整体架构 |
| 4.2.3 判别器 |
| 4.2.4 生成器 |
| 4.3 损失函数 |
| 4.3.1 对抗损失 |
| 4.3.2 重投影损失 |
| 4.3.3 总损失函数 |
| 4.3.4 自监督推理损失 |
| 4.4 实验与分析 |
| 4.4.1 实验环境与实验策略 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 全文总结与展望 |
| 5.1 全文总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（10）基于残差网络的CT图像几何伪影自校正算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 CT系统成像原理及几何伪影成因 |
| 1.2.1 CT系统结构和成像原理 |
| 1.2.2 几何伪影成因 |
| 1.3 国内外研究现状 |
| 1.3.1 基于投影关系的自校正方法 |
| 1.3.2 基于重建图像特征的自校正方法 |
| 1.3.3 基于深度学习的自校正方法 |
| 1.4 课题研究内容与论文结构安排 |
| 第二章 基于残差网络的CT图像几何伪影评价方法 |
| 2.1 引言 |
| 2.2 GAE网络设计 |
| 2.2.1 GAE网络整体模块 |
| 2.2.2 Resnet50 网络 |
| 2.2.3 注意力模块 |
| 2.3 实验设计 |
| 2.3.1 实验数据和网络训练配置 |
| 2.3.2 评价指标和对比方法 |
| 2.4 实验结果与分析 |
| 2.4.1 Shepp-Logan数据集结果分析 |
| 2.4.2 Abdomen数据集结果分析 |
| 2.4.3 Head数据集结果分析 |
| 2.5 本章小结 |
| 第三章 基于伪影评价的区间搜索式几何参数自标定算法 |
| 3.1 引言 |
| 3.2 CT系统几何参数分析 |
| 3.2.1 CT系统几何参数 |
| 3.2.2 七个几何参数偏差对重建图像的影响 |
| 3.3 基于伪影评价的区间搜索式几何参数自标定算法 |
| 3.3.1 几何参数自标定算法流程图 |
| 3.3.2 投影和对齐方法 |
| 3.4 实验结果与分析 |
| 3.4.1 Shepp-Logan体模结果分析 |
| 3.4.2 Abdomen数据结果分析 |
| 3.4.3 Head数据结果分析 |
| 3.5 本章小结 |
| 第四章 融合残差和生成对抗网络的CT图像几何伪影自校正方法 |
| 4.1 引言 |
| 4.2 融合残差和生成对抗网络的CT图像几何伪影自校正方法 |
| 4.2.1 GAE-GAN网络整体框架设计 |
| 4.2.2 GAE-GAN网络模块设计 |
| 4.3 实验设计 |
| 4.3.1 实验数据和网络训练配置 |
| 4.3.2 评价指标和对比方法 |
| 4.4 实验结果与分析 |
| 4.4.1 仿真数据实验 |
| 4.4.2 实际数据实验 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 作者简历 |
四、CT成像质量的评价与控制（论文参考文献）
- [1]冠状动脉CT血管成像中对比剂优化策略及思维导图式健康教育应用效果评价[D]. 王凤仙. 山西医科大学, 2021(01)
- [2]复杂构件多能CT重建算法[D]. 赵金龙. 中北大学, 2021
- [3]锥束CT智能精准引导放射治疗关键问题研究[D]. 梁晓坤. 中国科学院大学(中国科学院深圳先进技术研究院), 2021(01)
- [4]基于深度学习的低剂量锥束乳腺CT[D]. 仰云焕. 中国科学技术大学, 2021(08)
- [5]刺激响应性金纳米粒子对肺纤维化治疗过程中移植干细胞的CT成像示踪研究[D]. 虞成功. 中国科学技术大学, 2021(09)
- [6]基于深度学习的低剂量CT降噪算法研究[D]. 黄志远. 山东大学, 2021(12)
- [7]FORCE CT冠状动脉、左心房肺静脉一站式成像在房颤患者冠心病诊断的应用[D]. 蔡凡凡. 山东大学, 2021(12)
- [8]锥形束CT成像质量评价及优化技术研究[D]. 马凤. 南方医科大学, 2021
- [9]基于稀疏角度X光的三维重建方法研究[D]. 陈妍. 电子科技大学, 2021(01)
- [10]基于残差网络的CT图像几何伪影自校正算法研究[D]. 朱明婉. 战略支援部队信息工程大学, 2021(01)