项目名称: 基于格子波尔兹曼模型的CT图像金属伪影消除方法研究

项目编号: No.61307023

项目类型: 青年科学基金项目

立项/批准年度: 2014

项目学科: 无线电电子学、电信技术

项目作者: 李莉

作者单位: 哈尔滨工业大学

项目金额: 23万元

中文摘要: 好的放射治疗的实施,需要放疗专科医师精确地进行治疗设计,以达到最大程度地治疗肿瘤和最大程度地保护正常组织的双重目的。当对人体进行CT扫描时,肿瘤附近的金属物质会对被检测的区域造成干扰,从而使得重建图像中出现金属伪影。探究金属伪影产生的真正原因是彻底消除金属伪影,避免临床误诊的根本。本项目拟将金属伪影的消除归结为数学中的反问题,开展相关研究。在理论层面,基于格子Boltzmann方法的并行性和稳定性,结合同伦法的大范围收敛性,提出兼具收敛和稳定的新的Boltzmann方法;在应用层面,将其应用于医学CT图像的金属伪影消除,为医学图像处理提供快速、优质、安全的重建方法。治疗体位下的CT图像金属伪影消除研究,对保证"精确定位、精确计划和精确治疗"的实施,提高病人的生存质量具有重要意义。同时,该研究涉及图像处理领域的一些基本问题,具有极大的应用价值和科学意义。

中文关键词: 格子波尔兹曼模型;反问题;金属伪影;全变分正则化;Bregman距离

英文摘要: Accurate treatment design of the radiation specialist is needed for the implementation of good radiation treatment, which is in order to achieve the dual purpose to cure cancer and to protect the normal tissue to the highest extent. When scanning the human body by CT, the metal material around the tumor will cause interference to the area which is tested. Therefore, the metal artifact will appear in the reconstructed images. Exploring the real reason of occurance of the metal artifact is the essence to avoid the misdiagnosis of the doctor and reduce the metal artifact thoroughly. The project will deduce the reduction of the metal artifact to the general inverse problems in mathematics, and carry out the related research. Based on the characteristic of the parallelism and stability of Boltzmann method, and the wide convergence of homotopy, we propose the new Boltzmann methods which are theoretically convergent and stable. In practice, we apply the proposed methods to eliminate the metal artifacts in CT images, and supply the fast, good and safe reconstruction for the medical image processing. It is very important that the reduction of the metal artifacts in CT images under the position of treatment for ensuring the implementation of "Accurate location, Precise plan, Accurate therapy". Meantime, this project conc

英文关键词: Lattice Boltzmann Model;Inverse Problems;Matel Artifacts;Total Variational Regularization;Bregman distance

成为VIP会员查看完整内容
0

相关内容

基于深度神经网络的图像缺损修复方法综述
专知会员服务
25+阅读 · 2021年12月18日
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
85+阅读 · 2021年8月8日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
31+阅读 · 2021年7月25日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
38+阅读 · 2021年3月29日
专知会员服务
219+阅读 · 2020年8月1日
深度学习目标检测方法及其主流框架综述
专知会员服务
147+阅读 · 2020年6月26日
图像分割在医学影像中的应用
极市平台
2+阅读 · 2022年2月16日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
用缩放CNN消除反卷积带来的棋盘伪影
论智
19+阅读 · 2018年10月30日
基于深度学习的图像目标检测(下)
机器学习研究会
12+阅读 · 2018年1月1日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
Arxiv
1+阅读 · 2022年4月19日
A Sheaf-Theoretic Construction of Shape Space
Arxiv
0+阅读 · 2022年4月19日
Transparent Shape from Single Polarization Images
Arxiv
0+阅读 · 2022年4月19日
Deformable Style Transfer
Arxiv
14+阅读 · 2020年3月24日
小贴士
相关VIP内容
基于深度神经网络的图像缺损修复方法综述
专知会员服务
25+阅读 · 2021年12月18日
专知会员服务
27+阅读 · 2021年10月6日
专知会员服务
85+阅读 · 2021年8月8日
专知会员服务
31+阅读 · 2021年7月26日
专知会员服务
31+阅读 · 2021年7月25日
专知会员服务
36+阅读 · 2021年4月23日
专知会员服务
38+阅读 · 2021年3月29日
专知会员服务
219+阅读 · 2020年8月1日
深度学习目标检测方法及其主流框架综述
专知会员服务
147+阅读 · 2020年6月26日
相关资讯
图像分割在医学影像中的应用
极市平台
2+阅读 · 2022年2月16日
最全综述 | 图像目标检测
计算机视觉life
31+阅读 · 2019年6月24日
深度学习与医学图像分析
人工智能前沿讲习班
40+阅读 · 2019年6月8日
用缩放CNN消除反卷积带来的棋盘伪影
论智
19+阅读 · 2018年10月30日
基于深度学习的图像目标检测(下)
机器学习研究会
12+阅读 · 2018年1月1日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2011年12月31日
国家自然科学基金
1+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员