基于特征学习的低剂量CT成像算法研究进展

刘进; 赵倩隆; 尹相瑞; 顾云波; 康季槐; 陈阳

doi:10.15953/j.1004-4140.2019.28.03.14

基于特征学习的低剂量CT成像算法研究进展

刘进^1,2,3,
赵倩隆^2,3,
尹相瑞^2,3,
顾云波^2,3,
康季槐⁴,
陈阳^2,3

1. 安徽工程大学计算机与信息学院, 安徽芜湖 241000;
2. 东南大学计算机科学与工程学院, 南京 210096;
3. 计算机网络和信息集成教育部重点实验室(东南大学), 南京 210096;
4. 南部战区海军第一医院, 广东湛江 524005

基金项目:

国家自然科学基金（61801003）；安徽工程大学引进人才科研启动基金（2018YQQ021）

详细信息

作者简介:
刘进(1989-),男,2018年获得东南大学工学博士学位,目前在安徽工程大学计算机与信息学院工作,主要从事医学图像处理,三维可视化,CT图像重建后处理及深度学习技术及应用方面的研究,E-mail:liujin@ahpu.edu.cn;陈阳^*(1979-),男,东南大学计算机科学与工程学院教授,博士生导师,主要从事医学图像重建与分析三维可视化及病理自动化诊断,低剂量CT成像。

中图分类号: R812
计量
- 文章访问数: 566
- HTML全文浏览量: 16
- PDF下载量: 72
出版历程
- 收稿日期: 2019-04-08
- 网络出版日期: 2021-11-05

Research Progress of Low Dose CT Imaging Based on Feature Learning

LIU Jin^1,2,3,
ZHAO Qianlong^2,3,
YIN Xiangrui^2,3,
GU Yunbo^2,3,
KANG Jihuai⁴,
CHEN Yang^2,3

1. College of Computer and Information, Anhui Polytechnic University, Wuhu 241000, China;
2. School of Computer Science and Engineering, Southeast University, Nanjing 210096, China;
3. Key Laboratory of Computer Network and Information Integration (Southeast University), Ministry of Education, Nanjing 210096, China;
4. The First Naval Hospital of Southern Theater Command, Zhanjiang, 524005 China

摘要

摘要: 随着CT（computed tomography）技术在临床中的大量应用，其辐射伤害问题也越来越受到人们的关注。与此同时，高性能低剂量的成像也已经成为近年来CT研究领域中的重要研究方向。随着学习型算法的提出及广泛应用，为低剂量CT成像算法的发展带来了新的方向。在影像大数据环境下，基于特征学习方法的低剂量CT成像有着更广阔的发展空间。本文将从稀疏表示和深度学习两个方面，介绍一些国内外应用于改善CT成像质量的相关技术，包括CT成像技术的发展趋势，特征学习相关算法的研究现状，提高低剂量CT扫描成像质量的相关方案等。本文对近年来在低剂量CT成像及特种学习算法等领域的研究成果进行了介绍，并进行相关总结和分析。
- CT成像 /
- 图像重建 /
- 稀疏表示 /
- 字典学习 /
- 深度学习
Abstract: The continuous development and extensive use of CT in modern medical practice has raised a public concern over the associated radiation dose to the patient. Hence, extensive efforts have been made to design better image reconstruction or image processing methods for low-dose CT over the past years. The recent explosive development of learning type algorithm suggests new thinking and huge potential for the CT imaging field under the imaging big data environment. This paper summarizes the development and implementation of low dose CT scans from the following aspects: sparse learning and deep learning. The research status of low dose CT technology and feature learning models are also summarized. Finally, both the current research focus and the future research prospect are discussed and analyzed.
- CT imaging /
- image reconstruction /
- sparse representation /
- dictionary learning /
- deep learning

HTML全文

参考文献(0)

施引文献(7)

期刊类型引用(2)

1.	方姝，陈琳钰，陈勇，董海鹏，王兰，闵佶华. CT机型与管电压对图像质量影响的体模研究. CT理论与应用研究. 2022(03): 345-350 . 本站查看
2.	吴凡，刘进，张意，陈阳，陆志凯. 面向CT成像的深度重建算法研究进展. 中国体视学与图像分析. 2022(04): 387-404 . 百度学术

其他类型引用(5)

资源附件(0)

计量

文章访问数: 566
HTML全文浏览量: 16
PDF下载量: 72
被引次数: 7

基于特征学习的低剂量CT成像算法研究进展

计量

出版历程

Research Progress of Low Dose CT Imaging Based on Feature Learning

期刊类型引用(2)

其他类型引用(5)

计量

出版历程

目录