图像重建

MATLAB编写的CT图像重建程序提供了一种高效的图像处理方案。此程序不仅仅是MATLAB代码，还包含了详细的实验报告模板，帮助用户深入理解和应用。使用这一程序，研究人员和工程师能够快速重建CT扫描图像，以获得精确的医学图像数据。

这个软件包包括多种执行CT图像重建任务的函数，如Radon变换、简单反投影、空间域中的卷积滤波反投影、2D傅立叶变换滤波反投影，以及中心切片定理滤波反投影。其中的myCtReconstruction函数提供即开即用的功能，并使用Matlab的Shepp Logan Phantom进行演示。用户也可以通过参数运行myCtReconstruction函数来执行自定义数据集上的图像重建。

使用Matlab系统函数调用投影算法[R, xp] = radon(I, theta)，实现直接反投影和滤波反投影两种不同插值方法的比较。脚本展示了不同投影数量对重建效果的影响，适合CT重建算法初学者学习调试。该项目源于CMU的课程作业，提供了包括源码和文档在内的完整内容。

在MATLAB中，首先导入图像并进行傅里叶变换。接着，根据图像的相位谱和幅度谱分别重建图像，这一过程主要用于分析和提取这些谱中包含的信息。

生成对抗网络（GAN）在超声CT图像重建中具有重要应用价值。这种模型能够有效学习和重建医学图像，为医疗影像处理领域带来了新的突破。GAN模型的引入，标志着超声CT图像重建技术迈向了一个新的阶段。

DFT的Matlab源代码实现了MRI图像的稀疏优化重建。该实现采用非凸惩罚函数，鼓励稀疏性。所选惩罚函数为最小最大凹惩罚（MCP），用户可以通过直接运行main.m来比较流行方法与此实现之间的效果。Randon变换代码和DFT的反投影由Mark Bangert编写，解算器文件位于解算器文件夹中，用户可根据需求选择相应解算器。GIST_MCP.m使用Barzilai-Borwein步长的近端梯度法，而GIST_MCP_Nesterov.m则使用Nesterov加速的近端梯度法。详细的Nesterov加速近端梯度算法说明可参见Bo Wen等人的研究，该研究展示了在非凸非光滑最小化问题中的线性收敛性，得到了香港研究资助局的支持（PolyU253008/15）。

该Matlab源码涵盖了智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划和无人机等多个领域，实现实时带电粒子图像的重建。

参考：http://www.dspguide.com/ch25/5.htm。使用X射线（或其他穿透辐射）成像时，面对三维物体生成二维图像的基本挑战。这意味着即使物体结构完全分离，它们在最终图像中也可能重叠。在医学诊断中特别复杂，因为多种解剖结构可能干扰医生的观察。上世纪30年代，通过协调运动移动X射线源和探测器来解决这一问题，保持患者体内单个平面在焦点上，而平面外的结构模糊不清。这种运动模糊的几何形状类似于相机对焦于5英尺处的物体，导致1英尺和50英尺距离处的物体变得模糊。这些技术现在称为经典断层扫描。

压缩感知图像MATLAB代码[IEEE计算机视觉和模式识别会议（CVPR），2016]（），第449-458页。项目页面：介绍：ReconNet是一种非迭代且极其快速的算法，可从压缩感测（CS）随机测量中重建图像。在中，我们展示了在各种测量速率下，相对于最新的迭代CS重建算法，重建结果（在PSNR和时间复杂度方面）均得到了显着改善。提供的代码有助于重现中介绍的某些结果。引文（BibTex）：如果您正在使用此代码，请引用以下论文。@InProceedings{Kulkarni_2016_CVPR，作者= {Kulkarni，Kuldeep和Lohit，Suhas和Turaga，Pavan和Kerviche，Ronan和Ashok，Amit}，title = {ReconNet：Non-Iterative Reconstruction of Images From Compressively Sensed Measurements}，booktitle = {The IEEE Conference o

这是MR提出的用于MR图像重建的通用变分网络（循环展开）的实现，通过技术进步引领下的图像重建。MRI数据用于训练网络并描述了应用过程。使用10层7x7滤镜，每层30个滤镜和35节以激活参数，利用三次插值进行激活。训练使用了完全采样的128x128心脏短轴MR图像，并人工生成了平滑相位偏移。通过回顾性地对k空间进行欠采样达到约3的加速因子。与总变异（TV）规范化重构进行了比较。重构网络的每一层学习了过滤器和激活函数。