CN119027531B 一种基于深度学习的ct伪影去除方法及系统 （北京大学口腔医学院）_第1页
CN119027531B 一种基于深度学习的ct伪影去除方法及系统 （北京大学口腔医学院）_第2页
CN119027531B 一种基于深度学习的ct伪影去除方法及系统 （北京大学口腔医学院）_第3页
CN119027531B 一种基于深度学习的ct伪影去除方法及系统 （北京大学口腔医学院）_第4页
CN119027531B 一种基于深度学习的ct伪影去除方法及系统 （北京大学口腔医学院）_第5页
已阅读5页，还剩15页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

一种基于深度学习的CT伪影去除方法及系统本发明公开了一种基于深度学习的CT伪影别通过依次连接的图像增强模型和随机反投影的图像和优化后的图像进行元素相加得到伪影2构建图像增强模型，将处理后的图像分别通过依次将优化后的图像和原始图像耦合后输入至图像增强模型中进将再处理后的图像和优化后的图像进行元素相加得到伪5.根据权利要求4所述的一种基于深度学习的CT伪影去除方法，其特征在于，所述构建一个连续系统，通过该系统将一维输入函数或序将这个连续系统离散化，引入一个时间尺度参数并使用固6.根据权利要求4所述的一种基于深度学习的CT伪影去除方法，其特征在于，所述将多个第一子结构和多个第二子结构对称放置，多个第一子结构最下层第一子结构依次通过两个VSS模块连接至最下层第二子结构，将第一子结构输出值与对应第二子结构下层的第二子结构输出值进行元素加和作为对应第二子结构的输7.根据权利要求6所述的一种基于深度学习的CT伪3模型构建优化模块：用于构建图像增强模型，将处理后的图像分别通再处理模块：用于将优化后的图像和原始图像耦合后输入至图像增伪影去除模块：用于将再处理后的图像和优化后的图像4而现有的双能量CT(Dual_EnergyCT)和CBCT(ConeBeamComputedTomography)图像重建5net网络结构，得到UMamba_Net图像增强模型，UMamba_Net图像增强模型包括三个组成部[0021]最下层第一子结构依次通过两个VSS模块连接至最下层第二子结构，将第一子结构输出值与对应第二子结构下层的第二子结构输出值进行元素加和作为对应第二子结构67恢复的挑战之一是在恢复过程后由于不连续性引起的二次伪影。由于CNN的每一层只有一网络中，由于伪影呈现放射性状态，因此，采用UMamba模块搭建了图像增强网络UMamba_8[0063]最下层第一子结构依次通过两个VSS模块连接至最下层第二子结构，将第一子结构输出值与对应第二子结构下层的第二子结构输出值进行元素加和作为对应第二子结构9杂性。将mamba作为一个子模块，搭建了U_net网络结构的UMamba_Net图像增强模型，[0071]引入了一个时间尺度参数Δ并使用固定的离散化规则将A和B转换为离散参数[0073]B=(AA)-1(exp(AA)-I)XAB;其中I为与矩阵A具有相同维度的单位矩[0075]h(t)=h(t)+BX(t);[0078]y=x*R;扫描扩展操作、S6模块和扫描合并操作，所述扫描[0090]对所公开的实施例的上述说明，使本领域

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论