摘要：本发明涉及一种检测器的校正方法和使用该校正方法的装置及设备，该校正方法包括以下两个步骤：步骤1是通过测量栅格片倾斜角度或者利用CT机的不同焦点计算，而得到探测器的遮挡比例，步骤2是利用遮挡比例进行散焦校正。该方法可以有效避免因栅格片倾斜导致的图像产生弧状或条状伪影而引起的重新拆解和安装，从而快速、便捷地检测栅格片的倾斜角度并实现图像校正，避免伪影的产生。

摘要：本发明公开了一种用于扫描系统校正的模体组件，包括一个或多个隔离装置，每个隔离装置放置在每两个模体之间，每两个模体之间都有一个或多个隔离装置。避免了由于模体组合而导致的杂散射线的增加，从而提高校正效果的准确性，且这种模体组件构造简单，方便实用，便于拆装。

摘要：本发明公开了一种数据降噪方法及系统，将医学影像系统中的投影数据输入训练好的神经网络模型中，提取相应的降噪参数，基于降噪参数对投影数据进行降噪处理。采用训练好的神经网络模型避免了人工提取降噪参数的时间和成本，降低了分析难度、提高了降噪处理效率。

摘要：本发明公开了一种伪影校正方法及系统，所述方法包括：扫描模体，通过探测器获取所述模体的第一投影数据；对所述模体的第一投影数据进行处理或通过模拟得到所述模体的第二投影数据；构建神经网络模型，利用所述模体的第一投影数据和第二投影数据对所述神经网络模型进行训练，得到校正系数；以及利用所述校正系数对待校正的检测目标的第三投影数据进行校正，并利用校正后的投影数据重建所述检测目标的医学图像。本发明基于神经网络深度学习的方法，利用大数据的训练，提高校正的精确性，获得较好的环状伪影校正效果。

摘要：本发明公开了一种对CT扫描数据进行校正的方法及CT扫描系统，所述方法包括：确定第一扫描参数；至少部分基于所述第一扫描参数，获取特征值；获取经训练的神经网络模型；以及将所述特征值输入到所述经训练的神经网络模型中，得到所述第一扫描参数对应的校正系数。

摘要：本发明实施例公开了一种震动信息确定方法、装置、医疗影像设备及存储介质。该方法包括：获取扫描模体所产生的扫描数据；根据所述扫描数据，确定所述模体在不同采样角度下的实际质心坐标；根据各所述实际质心坐标，确定承载所述模体的扫描床的震动信息。本发明实施例的技术方案基于医疗影像设备扫描模体所产生的扫描数据，进行医疗影像设备中扫描床的震动信息的确定，无需额外引入其他硬件设备进行震动信息的辅助检测，减少了人力物力成本；同时，由于无需硬件设备的引入以及震动信息对应的软件方法的迁移，减少了误差来源和误差传递，进而提高了震动信息的测量精度。

摘要：本申请实施例公开了一种图像校正方法和系统。所述图像校正方法包括：获取至少一组不同目标部位的标准长宽比和对应的标准卷积核；获取扫描部位的扫描图像；基于所述扫描图像，计算所述扫描部位的长宽比；基于所述扫描部位的长宽比、不同目标部位的标准长宽比和对应的标准卷积核，确定对应的校正卷积核；以及基于所述校正卷积核和所述扫描图像，校正图像的散焦伪影。本申请可以通过制作或模拟标准模体得到各个目标部位的标准核卷积，并根据扫描部位横截面的长宽比获取对应的校正卷积核，从而可以实时校正扫描图像中的散焦伪影。

摘要：本申请实施例公开了一种图像伪影自动校正方法、系统、装置及存储介质。所述方法实现于医学成像设备。所述方法包括：获取目标对象的第一重建图像；确定所述第一重建图像中是否包含伪影；响应于所述第一重建图像中包含伪影，通过至少一次迭代确定所述目标对象的目标重建图像。每一次迭代包括：通过执行去伪影操作，获取所述目标对象在当前迭代轮次中的第二重建图像；确定所述第二重建图像中是否包含伪影；响应于所述第二重建图像中不包含伪影或包含的伪影满足预设容忍条件，获取所述目标对象的原始扫描数据，并基于所述原始扫描数据，通过去伪影操作确定所述目标重建图像；响应于所述第二重建图像包含的伪影不满足预设容忍条件，执行下一轮次迭代。

摘要：本发明提出了一种校正伪影的方法和系统。所述方法包括：获取与成像对象相关的实体投影数据和变换投影数据，所述变换投影数据包括与探测器组件产生的像素遮挡相关的第一投影数据；将所述实体投影数据、所述变换投影数据输入训练好的校正模型，得到校正投影数据。通过训练得到的校正模型实现对多能谱射线伪影的高效和准确校正，令得到的校正投影数据更符合实际系统的复杂性，校正效果更好。

摘要：本说明书实施例提供了一种校正串扰的方法和系统。包括获取第一投影数据和第二投影数据，第一投影数据包括待校正设备的串扰，第二投影数据为校正了待校正设备的串扰的投影数据；以第一投影数据和第二投影数据作为训练样本对，对初始辅助模型进行训练得到辅助模型，初始辅助模型包括至少一个卷积层；基于辅助模型确定至少一个卷积层对应的目标卷积核；基于目标卷积核确定待校正设备的串扰信息，待校正设备的串扰信息用于校正待校正设备的串扰。