CT重建笔记(三)——三维重建

人如果不思考不学习,天天刷短视频,跟咸鱼有什么区别?

平行的线积分数据(X射线变换)

平行光束图像重建的理论基础是中心切片定理(二维情形见我的博客https://leslielee.blog.csdn.net/article/details/134722426)。
三维平行光束的中心切片定理:
中心切片定理表示为:位于 Π ( θ ) \Pi(\theta) Π(θ) F ( w x , w y , w z ) F(w_x,w_y,w_z) F(wx,wy,wz) 等于 P ( w u , w v ) P(w_u,w_v) P(wu,wv)
其中,
三维重建体 f ( x , y , z ) f(x,y,z) f(x,y,z)在投影角度为 θ \theta θ的投影 p ( u , v ) p(u,v) p(u,v)的傅里叶变换为 P ( w u , w v ) P(w_u,w_v) P(wu,wv)
三维重建体 f ( x , y , z ) f(x,y,z) f(x,y,z)的傅里叶变换为 F ( w x , w y , w z ) F(w_x,w_y,w_z) F(wx,wy,wz)
过原点且与探测器平面平行的平面为 Π ( θ ) \Pi(\theta) Π(θ)

基于中心切片定理,可以确定出哪些 θ \theta θ轨迹可以满足 F ( w x , w y , w z ) F(w_x,w_y,w_z) F(wx,wy,wz)的每一点都被测到。
比如圆轨迹,扫描过程中平行束始终与探测器法向量平行,与x-y平面的法向量垂直。但由于对称性,扫180度圆轨迹便可得到完整数据。

Orlov’s condition:如果单位球上的每个大圆都与 Ω \Omega Ω有交点,则扫描数据完整。
其中,平行束的方向为单位向量 θ \theta θ θ \theta θ的轨迹为 Ω \Omega Ω,大圆(great circle)是单位球上最大的圆周。
紧集(compact set)、完备集(perfect set)和完全集(complete set)的对比分析h. ttps://www.cnblogs.com/readalps/p/16671249.html

投影/反投影PSF 是指 将Dirac Delta函数先投影再反投影得到的响应。该PSF是空间移不变的。

b = f ∗ ∗ ∗ h b=f***h b=fh
其中, h h h为投影/反投影PSF, b b b为反投影, f f f为重建体, ∗ ∗ ∗ *** 为三维卷积。

2D情形下,360度扇束与360度平行束的 h h h相同, h = 1 / x 2 + y 2 h=1/\sqrt{x^2 + y^2} h=1/x2+y2
3D情形下,若 Ω \Omega Ω是整个单位球面,则平行束 h = 1 / ( x 2 + y 2 + z 2 ) h=1 / (x^2+y^2+z^2) h=1/(x2+y2+z2)
疑问:两个脉冲响应相比,其中一个更快趋于0表明什么?

F { 1 / x 2 + y 2 } = 1 / w x 2 + w y 2 F\{ 1/\sqrt{x^2 + y^2} \} = 1/\sqrt{w_x^2+w_y^2} F{1/x2+y2 }=1/wx2+wy2
F { 1 / ( x 2 + y 2 + z 2 ) } = π / w x 2 + w y 2 + w z 2 F\{ 1/(x^2 + y^2 + z^2) \} = \pi/\sqrt{w_x^2+w_y^2 + w_z^2} F{1/(x2+y2+z2)}=π/wx2+wy2+wz2
推导这个推荐用deepseek,很方便

若已知三维斜坡滤波器 G G G,则对投影进行反投影再用 G G G进行三维滤波。
若想先滤波再反投影,二维滤波器可通过用 Π ( θ ) \Pi(\theta) Π(θ)对三维滤波器截取得到。

平行的面积分数据(Radon变换)

射线源发出等间隔平行的平面束,被一维探测器所接收,探测器单元采集到的物体的面积分。其实面积分数据在实际中不常见。

三维平行面束的中心切片定理:
位于 L ( θ ) L(\theta) L(θ) F ( w x , w y , w z ) F(w_x,w_y,w_z) F(wx,wy,wz) 等于 P ( w , θ ˉ ) P(w,\bar{\theta}) P(w,θˉ)
其中,
一维探测器的方向向量为 θ ˉ \bar{\theta} θˉ
与探测器平行且过原点的直线为 L ( θ ˉ ) L(\bar{\theta}) L(θˉ)
三维重建体 f ( x , y , z ) f(x,y,z) f(x,y,z)的投影为 p ( s , θ ˉ ) p(s,\bar{\theta}) p(s,θˉ),其傅里叶变换为 P ( w , θ ˉ ) P(w,\bar{\theta}) P(w,θˉ)
三维重建体 f ( x , y , z ) f(x,y,z) f(x,y,z)的傅里叶变换为 F ( w x , w y , w z ) F(w_x,w_y,w_z) F(wx,wy,wz)

三维Radon反演公式:先求解投影二阶导数 d 2 p ( s , θ ˉ ) d s 2 \frac{d^2 p(s,\bar{\theta})}{ds^2} ds2d2p(s,θˉ),再进行反投影。
这里的反投影是将一维探测器上探元的导数值反投影至该探元对应的平面。即一个点扩展成一个面,而X射线变换中的反投影是将一个点扩展为一条线。
Radon变换反投影也可以分两步,先扩展出一条直线,再由直线上的每一点再扩展出一条直线。

锥形束数据

1983年Tuy发表的论文中有一个引理,几乎等同于锥形束的中心切片定理。

Tuy发表的论文还给出了锥形束数据足量条件,Tuy条件表述为:每一个与物体相交的平面都必须包含至少一个锥形束的焦点位置。
圆轨迹CBCT不满足Tuy条件,圆圈加直线或螺旋CBCT满足Tuy条件。

Feldkamp算法

将锥形束重建转化为扇形束重建。

Feldkamp算法:由Feldkamp,Davis,和 Kress 三人共同发表,用于重建圆轨迹CBCT。
远离圆轨道平面的区域伪影更严重,伪影表现为:图像数值较低,层间图像互串,物体边缘出现负值。
疑问:物体沿轴向是一个常数,则Feldkamp算法可精确重建,但如果沿轴向物体内部有不同缺陷呢?

锥形张角:焦点与中心列两端点形成的角度

Feldkamp算法
1、将投影乘以 c o s α cos\alpha cosα α \alpha α为射线与中心射线的夹角
2、将处理后的投影逐行进行斜坡滤波
3、对滤波数据进行加权反投影,权重为射线长度

Grangeat算法

用三维Radon反演公式重建锥形束。

对投影进行线积分来构造物体的面积分投影。但这样得到是加权的Radon投影,权重为 1 / r 1/r 1/r
∫ L c o n e b e a m t r a n s f o r m = 1 r R a d o n t r a n s f o r m \int_L conebeam \space transform = \frac{1}{r} Radon \space transform Lconebeam transform=r1Radon transform
r d α = d t r d\alpha = dt rdα=dt
联立两式得到:
∫ L c o n e b e a m t r a n s f o r m = d α d t R a d o n t r a n s f o r m \int_L conebeam \space transform = \frac{d\alpha}{dt} Radon \space transform Lconebeam transform=dtdαRadon transform
∂ ( ∫ L c o n e b e a m t r a n s f o r m ) ∂ α = ∂ ( R a d o n t r a n s f o r m ) ∂ t \frac{\partial (\int_L conebeam \space transform)}{\partial \alpha} = \frac{\partial (Radon \space transform)}{\partial t} α(Lconebeam transform)=t(Radon transform) 式1

三维Radon反演公式是对Radon投影进行二阶导再进行Radon反投影。由式1得到的结果相当于对Radon投影求了一阶导数,只需再求一阶导数便可进行反投影。

不早了,晚安,有空继续更新本文,(●'◡'●)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/34607.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

Ollama+OpenWebUI本地部署大模型

OllamaOpenWebUI本地部署大模型 前言Ollama使用Ollama安装Ollama修改配置Ollama 拉取远程大模型Ollama 构建本地大模型Ollama 运行本地模型:命令行交互Api调用Web 端调用 总结 前言 Ollama是一个开源项目,用于在本地计算机上运行大型语言模型&#xff0…

【NeurIPS 2024】LLM-ESR:用大语言模型破解序列推荐的长尾难题

标题期刊年份关键词LLM-ESR: Large Language Models Enhancement for Long-tailed Sequential RecommendationNeurIPS2024Large Language Models, Sequential Recommendation, Long-tailed 📚研究背景 在电商和社交媒体的世界里,序列推荐系统&#xff…

C语言_数据结构总结9:树的基础知识介绍

1. 树的基本术语 - 祖先:考虑结点K,从根A到结点K的唯一路径上的所有其它结点,称为结点K的祖先。 - 子孙:结点B是结点K的祖先,结点K是B的子孙。结点B的子孙包括:E,F,K,L。 - 双亲:路径上…

Android 14 Telephony 网络选择功能介绍

一、总体介绍 (一)功能 手动搜网的流程:用户通过UI触发,调用TelephonyManager的API,比如startNetworkScan,然后这个请求会传递到RIL层,通过AT命令与基带通信,进行网络扫描。结果返回后,经过TelephonyRegistry通知应用层。中间可能涉及IPC,比如Binder通信,因为应用和…

系统思考全球化落地

感谢加密货币公司Bybit的再次邀请,为全球团队分享系统思考课程!虽然大家来自不同国家,线上学习的形式依然让大家充满热情与互动,思维的碰撞不断激发新的灵感。 尽管时间存在挑战,但我看到大家的讨论异常积极&#xff…

位运算(基础算法)

按位与AND( & ) 只有当两个位都为1时,结果才为1,否则为0。结果不会变大 按位或 OR( | ) 只有当两个位中有一个为1时,结果才为1,否则为0。结果不会变小 按位异或 XOR ( ^ ) 只…

规模效应的三重边界:大白话解读-deepseek为例

前言:当Scaling Laws遇见边际递减效应 在人工智能的狂飙突进中,大语言模型如同不断膨胀的星体,吞噬着海量算力与数据。OpenAI于2020年揭开的Scaling Laws,曾为这场盛宴指明方向:模型性能随参数规模(N&…

力扣143重排链表

143. 重排链表 给定一个单链表 L 的头节点 head ,单链表 L 表示为: L0 → L1 → … → Ln - 1 → Ln 请将其重新排列后变为: L0 → Ln → L1 → Ln - 1 → L2 → Ln - 2 → … 不能只是单纯的改变节点内部的值,而是需要实际的…

wow-rag:task3-初步体验问答引擎

做RAG需要自己准备一个txt文档,新建一个docs文件夹,放进去。例如,这里放了一个./docs/问答手册.txt # 从指定文件读取,输入为List from llama_index.core import SimpleDirectoryReader,Document documents SimpleDirectoryRead…

bgp服务器是什么意思

一、基础概念 ‌BGP服务器‌(Border Gateway Protocol Server)指通过 ‌边界网关协议(BGP)‌ 实现 ‌多运营商线路智能调度‌ 的服务器,能够自动选择最优路径连接不同网络(如电信、联通、移动)…

AtCoder Beginner Contest 397(ABCDE)

目录 A - Thermometer 翻译: 思路: 实现: B - Ticket Gate Log 翻译: 思路: 实现: C - Variety Split Easy 翻译: 思路: 实现: D - Cubes 翻译&#xff1a…

unserialize3 [有难度,序列化反序列化知识点]

详情: 地址:https://adworld.xctf.org.cn/challenges/list (unserialize3) 看到题目名称是反序列化 代码审计 <?php class xctf{// 定义一个公有属性$flag&#xff0c;通常CTF题目中需要获取该属性值public $flag 111; // 此处为示例值&#xff0c;实际可能为真实flag/*…

【Linux-传输层协议TCP】TCP协议段格式+确认应答+超时重传+连接管理机制(三次握手、四次挥手、理解TIME_WAIT + CLOSE_WAIT)

TCP协议 TCP全称为“传输控制协议&#xff08;Transmission Control Protocol&#xff09;”人如其名&#xff0c;要对数据的传输进行一个详细的控制。 1.TCP协议段格式 下面是TCP报头各个字段的表格形式&#xff1a; 字段名称字段大小描述源端口16位发送端TCP端口号。目的端…

《AI大模型趣味实战》No2 : 快速搭建一个漂亮的AI家庭网站-相册/时间线/日历/多用户/个性化配色(中)

快速搭建一个漂亮的AI家庭网站-相册/时间线/日历/多用户/个性化配色(中) 摘要 在上一篇文章中&#xff0c;我们介绍了如何搭建一个基础的家庭网站&#xff08;V1.0版本&#xff09;&#xff0c;包含了用户管理、相册管理、时间线和日历等功能。本文将继续深入&#xff0c;详细…

React(二):JSX语法解析+综合案例

事件绑定 this绑定方式 问题&#xff1a;在事件执行后&#xff0c;需获取当前类的对象中相关属性&#xff0c;此时需要this——当打印时&#xff0c;发现this为undefined,这又是为啥&#xff1f; 假设有一个btnClick函数&#xff0c;但它并不是我们主动调用的&#xff0c;而是…

One of the configured repositories failed (未知), and yum doesn‘t have enough cached data to continue

centos操作系统运行yum命令是出现如下报错&#xff1a; 解决办法&#xff1a; 由于CentOS的源地址内容已移除&#xff0c;CentOS 操作系统结束了生命周期&#xff0c;源地址内容已移除。 只需要将它的base源换成其他可用源&#xff0c;我这里将它换成了阿里的base源 备份原来…

【蓝图使用】绘制mesh顶点的法线

文章目录 绘制法线Normal准备工作UE5资源制作蓝图制作 参考 绘制法线Normal 参考[1]打算用蓝图走一遍渲染管线&#xff0c;还是可以的 准备工作 Blender制作一个三个顶点的模型 要不要材质无所谓&#xff0c;就一个三个顶点的mesh即可&#xff0c;参考[2] 找到一个法线贴…

202503执行jmeter压测数据库(ScyllaDB,redis,lindorm,Mysql)

一、Mysql 1 、 准备MySQL 连接内容 2 、 下载连接jar包 准备 mysql-connector-java-5.1.49.jar 放到 D:\apache-jmeter-5.6.3\lib\ext 目录下面; 3 、 启动jmeter ,配置脚本 添加线程组---》JDBC Connection Configuration---》JDBC Request---》查看结果树。 1)测…

f-string高级字符串格式化与string Template()

f-string 高级字符串格式化 f-string无法替换带有${name}的字符串&#xff0c;会保留\$ def test_fstring():"""f-string&#xff0c;高级字符串格式化的方式"""s "my name is {name}".format(name李白)print(s)# 无法替换$s &quo…

【Java 优选算法】分治-归并排序

欢迎关注个人主页&#xff1a;逸狼 创造不易&#xff0c;可以点点赞吗~ 如有错误&#xff0c;欢迎指出~ 数组分块如二叉树的前序遍历, 而归并排序就如二叉树的后序遍历 912. 排序数组 解法 使用归并算法 根据中间点划分区间, mid (right left ) / 2将左右区间排序合并两个有…