• 1990 (Том 4)
  • 1989 (Том 3)
  • 1988 (Том 2)
  • 1987 (Том 1)

ТОМОГРАФИЧЕСКАЯ РЕКОНСТРУКЦИЯ ПРИ ОГРАНИЧЕННОМ ПОЛЕ ЗРЕНИЯ ДЕТЕКТОРА

© 2020 г. А. В. Бузмаков1,4, Д. А. Золотов1, М. В. Чукалина1,4, А. С. Ингачёва2,4, А. В. Шешкус3,4, В. Е. Асадчиков1

1ФНИЦ “Кристаллография и фотоника” РАН, 111933 Москва, Ленинский просп., 59, Россия
buzmakov@gmail.com
2Институт проблем передачи информации им. А.А. Харкевича РАН, 127051 Москва, Большой Каретный переулок, 9, Россия
3ФИЦ “Информатика и управление” РАН 119333, Москва, ул. Вавилова, д. 44, кор. 2, Россия
4Смарт Энджинс Сервис ООО, 117312 Москва, Проспект 60-летия Октября 9, Россия

Поступила в редакцию 03.04.2020 г.

В данной работе мы предлагаем метод томографической реконструкции для случая ограниченного поля зрения детектора, когда изображение исследуемого образца не помещается на детекторе целиком. Предлагаемый метод основан на итеративной процедуре томографической реконструкции, в которой на каждой итерации проводится коррекция в пространстве синограмм и пространстве реконструкций. На модельных и экспериментальных данных показано, что предлагаемая методика позволяет не только улучшить качество томографической реконструкции, но и расширить поле зрения.

Ключевые слова: рентгеновская микротомография, ограниченное поле зрения, итеративная реконструкция

DOI: 10.31857/S0235009220030038

Цитирование для раздела "Список литературы": Бузмаков А. В., Золотов Д. А., Чукалина М. В., Ингачёва А. С., Шешкус А. В., Асадчиков В. Е. Томографическая реконструкция при ограниченном поле зрения детектора. Сенсорные системы. 2020. Т. 34. № 3. С. 210-216. doi: 10.31857/S0235009220030038
Цитирование для раздела "References": Buzmakov A. V., Zolotov D. A., Chukalina M. V., Ingacheva A. S., Sheshkus A. V., Asadchikov V. E. Tomograficheskaya rekonstruktsiya pri ogranichennom pole zreniya detektora [Method of iterative tomography reconstruction of cropped sinograms]. Sensornye sistemy [Sensory systems]. 2020. V. 34(3). P. 210-216 (in Russian). doi: 10.31857/S0235009220030038

Список литературы:

  • Ингачева А.С., Шешкус А.В., Чернов Т.С. Рентгеновский компьютерный томографновый инструмент в распознавании. Труды Института системного анализа Российской академии наук. 2018. Т. 68. № S1. С. 90–99. https://doi.org/10.14357/20790279180510
  • Azencott R., Bodmann B.G., Chowdhury T. ROI reconstruction from truncated cone-beam projections. Inverse Problems & Imaging 2018 V. 12 (1). P. 29–57. https://doi.org/10.3934/ipi.2018002
  • Buzmakov A., Zolotov D., Chukalina M. Overview of machine vision methods in x-ray imaging and microtomography. Tenth International Conference on Machine Vision (ICMV 2017). International Society for Optics and Photonics, 2018. V. 10696. P. 1069622. https://doi.org/10.1117/12.2309762
  • Buzmakov A.V., Asadchikov V.E., Zolotov D.A. Laboratory microtomographs: Design and data processing algorithms. Crystallography Reports. 2018. V. 63 (6). P. 1057–1061. https://doi.org/10.1134/S106377451806007X
  • Chityala R.N., Hoffmann K.R., Bednarek D.R., Rudin S. Region of interest (ROI) computed tomography. Medical Imaging 2004: Physics of Medical Imaging. International Society for Optics and Photonics, 2004. V. 5368. P. 534–541. https://doi.org/10.1117/12.534568
  • Clackdoyle R., Defrise M. Tomographic reconstruction in the 21st century. IEEE Signal Processing Magazine. 2010. V. 27 (4). P. 60–80. https://doi.org/10.1109/MSP.2010.936743
  • Du M., Vescovi R., Fezzaa K., Jacobsen C., Gürsoy D. X-ray tomography of extended objects: a comparison of data acquisition approaches. JOSA A. 2018. V. 35 (11). P. 1871–1879. https://doi.org/10.1364/JOSAA.35.001871
  • Ershov E., Terekhin A., Nikolaev D., Postnikov V., Karpenko S. Fast Hough transform analysis: pattern deviation from line segment. Eighth International Conference on Machine Vision (ICMV 2015). International Society for Optics and Photonics. 2015. V. 9875. P. 987509. https://doi.org/10.1117/12.2228852
  • Hamelin B., Goussard Y., Dussault J.P., Cloutier G., Beaudoin G., Soulez G. Design of iterative ROI transmission tomography reconstruction procedures and image quality analysis. Medical physics. 2010. V. 37 (9). P. 4577–4589. https://doi.org/10.1118/1.3447722
  • Han Y., Gu J., Ye J.C. Deep learning interior tomography for region-of-interest reconstruction. arXiv preprint arXiv:1712.10248. 2017. URL: https://arxiv.org/abs/1712.10248
  • Limonova E., Ilin D., Nikolaev D. Improving neural network performance on SIMD architectures. Eighth International Conference on Machine Vision (ICMV 2015). International Society for Optics and Photonics. 2015. V. 9875. P. 98750L. https://doi.org/10.1117/12.2228594
  • Shepp L.A., Logan B.F. The Fourier reconstruction of a head section. IEEE Transactions on nuclear science. 1974. V. 21 (3). P. 21–43. https://doi.org/10.1109/TNS.1974.6499235
  • Van Aarle W., Palenstijn W.J., Cant J. Fast and f lexible X-ray tomography using the ASTRA toolbox. Optics express. 2016. V. 24 (22). P. 25129-25147. https://doi.org/10.1364/OE.24.025129
  • Wiegert J., Bertram M., Wulff J. 3D ROI imaging for conebeam computed tomography. International Congress Series. Elsevier. 2004. V. 1268. P. 7–12. https://doi.org/10.1016/j.ics.2004.03.233