- 综合排序
- 最热优先
- 最新优先
- 来自专栏测试GO材料测试
无损探伤检测方法：计算机断层扫描（工业CT）
常用的无损探伤方法：工业CT检测工业CT检测技术是一种先进的无损探伤方法，广泛应用于航空航天、军工、汽车、电子、材料科学等领域。 一、原理工业CT（Computed Tomography，计算机断层扫描）检测技术是基于射线穿透物体后，通过探测器接收衰减后的射线强度信息，再利用计算机图像重建算法，获得被检测物体内部结构信息的无损检测方法 定量分析：工业CT检测可对物体内部缺陷进行定量分析，如缺陷大小、位置、形状等。5. 检测速度快：相较于传统无损检测方法，工业CT检测速度快，提高生产效率。6. 电子行业：工业CT检测可用于BGA、CSP等封装器件的内部结构分析，确保产品质量。5. 材料科学领域：工业CT检测可对材料内部的微观结构进行观察，为材料研发和性能优化提供依据。6. 小型化：研发便携式工业CT设备，满足现场检测需求。
1.4K10编辑于 2024-10-22 - 来自专栏DeepHub IMBA
用于3D MRI和CT扫描的深度学习模型总结
医学成像数据与其他我们日常图像的最大区别之一是它们很多都是3D的，比如在处理DICOM系列数据时尤其如此。DICOM图像由很多的2D切片组成了一个扫描或身体的特定部分。 总结 本文中，我们介绍了医学成像行业在处理3D MRI和CT扫描时使用的一些深度学习模型。这些神经网络被设计用来接收3D数据作为输入，以学习DICOM系列身体特定部位的复杂性。 1606.04797.pdf https://github.com/Flaick/VNet [3] Deep learning-based metal artifact reduction in PET/CT
70940编辑于 2023-08-30 CT机伺服控制精准扫描的“幕后功臣”
CT机伺服控制精准扫描的“幕后功臣” 在医疗器械CT机中，实现伺服电机的精密运动控制是保障设备精准扫描的关键。 而伺服电机常通过CAN总线实现高效、稳定的控制，CAN总线具备强抗干扰能力和高实时性，能满足CT机精密运动控制的严苛要求。 在CT机实际运行中，网关确保了PLC与伺服电机之间高效、稳定的通信。 它能够精准解析和转换不同协议的数据，使PLC可对伺服电机进行精确的位置控制和速度调节，满足CT机扫描时对机械运动高精度、高稳定性的要求。 凭借其高效的数据转换能力，保障了伺服电机的精密运动控制，为CT机实现精准扫描提供了可靠的技术支撑，在医疗设备自动化控制领域展现出重要价值与应用潜力 。
16600编辑于 2025-07-04- 来自专栏测试GO材料测试
MicroCT扫描成像的样本处理与要求技术指南
Micro-CT扫描成像的样本处理与样本要求技术指南-测试GOMicro-CT（微计算机断层扫描）是一种高分辨率的三维成像技术，广泛应用于材料科学、生物医学、地质学等领域。 为了获得高质量的扫描结果，样本的制备和处理至关重要。Micro-CT通过X射线透射样本并重建三维结构，其分辨率可达微米甚至亚微米级别。然而，样本的物理特性（如密度、尺寸）和制备方式直接影响成像效果。 Micro-CT的样本要求2.1 样本尺寸最佳尺寸范围：通常建议样本直径不超过扫描仪的视场（FOV），一般在1–50 mm之间，具体取决于设备型号。 脱水：梯度乙醇（70%→100%）或临界点干燥（用于高分辨率扫描）。染色增强对比度（可选）：碘化钾（Lugol溶液）用于软组织对比度提升。磷酸钨酸（PTA）或奥斯米酸适用于细胞结构成像。 5.总结：Micro-CT成像的质量高度依赖样本的合理制备。通过优化样本尺寸、密度、固定方式和扫描参数，研究人员可显著提升数据可靠性。
57510编辑于 2025-05-27 - 来自专栏测试GO材料测试
微计算机断层扫描(micro-ct)在微观科研领域的应用及其优势
微计算机断层扫描(micro-ct)在微观科研领域的应用及其优势微计算机断层扫描（micro-CT）是一种基于计算机断层扫描（CT）技术的微观成像方法，不同于传统CT，微CT采用更小的探测器和高分辨率的光学系统 医学领域在医学领域，微CT技术可以用于诊断和治疗疾病，如肿瘤、心脏病等；通过对病人进行微CT扫描，医生可以获得高分辨率的影像资料，从而更好地了解病情和制定治疗方案，同时，微CT还可以应用于医学教育和临床培训 高分辨率：微CT技术具有高分辨率，可以实现对微观世界的精细成像，为科研工作者提供更为精确的数据。2. 无损检测：微CT扫描过程无损于样品，可以保持样品的原始状态，有利于后续的实验和研究。3. 快速成像：微CT技术具有较快的成像速度，大大缩短了实验周期，提高了研究效率。4. 自动化程度高：微CT设备操作简便，可实现自动化的成像流程，降低了实验成本。5. 多模态成像：微CT技术可以实现多种成像模式，如灰度、伪彩、三维重建等，为科研工作者提供丰富的影像信息。6.
82410编辑于 2024-08-07 - 来自专栏FreeBuf
ct-exposer：通过搜索CT日志发现子域
什么是证书透明度（简称CT）？ 证书透明度（Certificate Transparency）是谷歌力推的一项拟在确保证书系统安全的透明审查技术。 CT为TLS证书信任提供了额外的安全保障：即公司可以监控谁为他们拥有的域创建了证书。此外，它还允许浏览器验证给定域的证书是否在公共日志记录中。 ct-exposer能为我们做什么？ ct-exposer将查询给定域的CT日志，然后尝试对域进行DNS查找以获取DNS中存在的域。 根据我的经验，到目前为止ct-exposer为我查找到了许多使用“site:domain.com”谷歌搜索找不到的子域。 并将IP导入一个文件用于masscan扫描。
1.4K20发布于 2018-11-08 - 来自专栏智能生信
利用领域知识进行鲁棒和可泛化深度学习的无CT的PET衰减和散射校正
简读分享 | 王宇哲 编辑 | 王宇哲 论文题目 Using domain knowledge for robust and generalizable deep learning-based CT-free PET attenuation and scatter correction 论文摘要 尽管深度学习的方法有潜力取代基于CT的PET衰减和散射校正方法，得到无CT的PET成像，但一个关键的瓶颈是它们在处理 PET成像的示踪剂和扫描仪的异质性方面的能力有限。 本研究采用一种简单的方法将领域知识整合到深度学习中，用于无CT的PET成像。 即使使用一种示踪剂在一台扫描仪上进行训练，我们提出的方法的有效性和鲁棒性在不同扫描仪上的不同外部成像示踪剂测试中得到了证实。鲁棒的、可泛化的和透明的深度学习发展可能提高临床转译的潜力。
33520编辑于 2022-12-29 - 来自专栏新智元
给NeRF开透视眼！稀疏视角下用X光进行三维重建，9类算法工具包全开源 | CVPR 2024
新视角合成，即从一个被扫描物体的一些已拍摄的视角来合成出新的没有被拍摄过的视角下该物体的投影。 2. 提出了一套全新的能够同时做 X 光新视角合成与 CT 成像的 NeRF 框架，名为 SAX-NeRF。该框架的训练不需要用的 CT 作为监督信号，只使用 X 光片即可。 2. 空间坐标系的转换 我们在圆形扫描轨迹锥形 X 光束扫描（circular cone-beam X-ray scanning）场景下研究三维重建问题。空间坐标系的变换关系如图 3 所示。 被扫描物体的中心 O 为世界坐标系的原点。扫描仪的中心 S 为相机坐标系的中心。探测器 D 的左上角为图像坐标系的原点。整个空间坐标系的变换遵循 OpenCV 三维视觉的标准。 如此采样得到的射线首先全都穿透被扫描物体，捕获到被扫描物体的辐射密度信息。同时成块的区域还有着丰富的语义上下文信息以帮助三维重建。
44310编辑于 2024-06-27 - 来自专栏CV学习史
医学图像了解
这些成像序列能够产生各具特点的MRI图像，不仅能够反映人体解剖形态，而且能够反映人体血流和细胞代谢等生理功能信息 MRI扫描方式可以简单的划分为常规扫描和功能扫描两大类。 常规扫描主要反映解剖形态；功能扫描则以不同方式反映人体新陈代谢、血液流动等功能信息。常规扫描包括T1加权、T2加权成像，血管造影成像，以及动态增强成像等。 此外，也会选用动态增强扫描，弥散加权成像（DWI）和磁共振波谱成像（MRS） 对于肝脏，通常使用T1、T2扫描，以及动态增强扫描。 每个病人的一次扫描CT(scan)可能有几十到一百多个dcm数据文件(slices)。 (slices)，可以从不同轴切割 其次，CT扫描图是包含了所有组织的，如果直接去看，看不到任何有用信息。
2.6K31发布于 2019-09-10 - 来自专栏新智元
快10倍！Facebook、纽约大学利用机器学习5分钟搞定核磁共振检查
或能代替X光和CT扫描 与其他形式的医学成像相比，MRI 扫描提供的图像通常能显示更多与软组织（如器官和血管）相关的细节。 但 MRI 扫描所需时间更长，从 15 分钟到一个多小时不等，相比之下，拍 X 光片不到 1 秒就能结束，CT 扫描至多一分钟。 MRI 扫描时，患者需要一动不动地躺在一台巨大的圆筒状扫描舱里。 加速的 MRI 设备还可以减少病人在心脏、肝脏或腹部和其他器官成像时必须屏住呼吸的时间。提高速度可以让 MRI 机器在某些应用中充当 X 光机和 CT 机的角色，让病人避免与这些扫描相关的电离辐射。 虽然这个项目将主要集中在核磁共振成像技术，但它的长期影响可能扩展到其他医学成像应用。例如，AI 提供的改进也可能彻底改变 CT 扫描。 先进的图像重建可以实现超低剂量 CT 扫描，从而适合于体弱人群，例如儿科患者。
73910发布于 2018-09-25 - 来自专栏我爱计算机视觉
CVPR 2024 | 如何给 NeRF 开透视眼？
这主要包含了两个子任务： 新视角合成，即从一个被扫描物体的一些已拍摄的视角来合成出新的没有被拍摄过的视角下该物体的投影。 CT 重建。 本文针对 X 光的三维重建问题展开研究，做出了以下四点贡献： 本文提出了一套全新的能够同时做 X 光新视角合成与 CT 成像的 NeRF 框架，名为 SAX-NeRF。 空间坐标系的转换 我们在圆形扫描轨迹锥形 X 光束扫描（circular cone-beam X-ray scanning）场景下研究三维重建问题。空间坐标系的变换关系如图 3 所示。 被扫描物体的中心 O 为世界坐标系的原点。扫描仪的中心 S 为相机坐标系的中心。探测器 D 的左上角为图像坐标系的原点。整个空间坐标系的变换遵循 OpenCV 三维视觉的标准。 如此采样得到的射线首先全都穿透被扫描物体，捕获到被扫描物体的辐射密度信息。同时成块的区域还有着丰富的语义上下文信息以帮助三维重建。
68710编辑于 2024-06-17 - 来自专栏最新医学影像技术
AutoPET2024——多示踪剂多中心全身 PET/CT 中的自动病灶分割
一、AutoPET2024介绍 第三届 autoPET 挑战赛是在多示踪剂多中心环境中进一步完善正电子发射断层扫描/计算机断层扫描 (PET/CT) 扫描中肿瘤病变的自动分割。 此外，FDG 图宾根和 PSMA 慕尼黑队列之间的成像条件存在差异，特别是在用于采集的 PET/CT 扫描仪的类型和数量方面。 成像方案主要包括使用以下扫描参数从颅底到大腿中部进行诊断性 CT 扫描：参考管电流曝光时间乘积 143 mAs（平均值）；大多数情况下管电压为 100kV 或 120 kV，Biograph 64 和 UKT 的 FDG PET/CT 训练和测试数据由一位拥有 10 年混合成像经验和机器学习研究经验的放射科医生注释。 来自 LMU 的 FDG PET/CT 测试数据由一位拥有 8 年混合成像经验的放射科医生注释。
1.1K10编辑于 2024-07-01 - 来自专栏AI掘金志
《柳叶刀》：人工智能可识别九类急性脑 CT 异常
研究人员从印度20家医院门诊放射中心，收集了超过313000张匿名患者的头部CT扫描影像来训练其算法，并随机选择9000多名患者的21000个扫描样本验证算法。 结果显示算法能够准确识别头部CT扫描中9种不同的严重异常。 AI识别九类头部创伤 由印度Qure.ai 公司、印度那格浦尔CT和MRI中心、美国梅奥诊所放射科、印度新德里成像，神经科学和基因组学高级研究中心组成的研究小组，在2011年到2017年六月之间，进行了一场 算法数据来自印度约20个中心，超过313000张匿名患者头部CT扫描影像（排除了7岁以下患者的术后扫描）。研究还随机选择了9000多名患者的21000个扫描样本验证算法。 人工智能应用脑CT诊断 人工智能技术已经应用于胸部X光、胸部CT、脑CT等多种成像结果异常的检测中。据雷锋网了解，在脑CT检测领域，早已有诸多玩家入局。
77320发布于 2019-08-29 - 来自专栏最新医学影像技术
SynthRAD2023——放射治疗的CT合成
一、SynthRAD2023介绍 医学成像在肿瘤患者的诊断和治疗中变得越来越重要，特别是在放射治疗中。 传统上，基于 X 射线的成像在 RT 中被广泛采用，用于在剂量输送之前、期间或之后进行患者定位和监测。 计算机断层扫描 (CT) 被认为是 RT 中的主要成像模式，可提供准确和高分辨率的患者几何形状，并实现剂量计算所需的直接电子密度转换。 此外，锥束计算机断层扫描 (CBCT) 在用于光子和质子治疗的图像引导自适应放射治疗 (IGART) 中起着至关重要的作用。 为了受益于不同成像模式提供的互补优势，MRI 通常与CT对齐。这样的工作流程需要获得 CT、增加工作量并向患者引入额外的辐射。
98320编辑于 2023-08-17 - 来自专栏我爱计算机视觉
Fellow观点：AI框架下的医疗影像教学
断层成像方法包括了X射线计算机断层成像（CT），核断层成像，磁共振成像（MRI），超声成像和光学成像。 比如说，X射线CT在医学中占据重要的地位，其往往作为在对大多数病理状况进行明确治疗干预之前所使用的首要和唯一的成像手段。 目前全球每年会完成超过1亿次CT扫描检查。 此外要强调的是，基于深度学习的重建软件已经应用在了医学断层成像扫描机器上。 正如引自GE官网的图2所呈现的那样，基于深度学习的CT重建方法在性能上明显地超过了传统解析滤波反投影（FBP）重建方法和当代基于模型的迭代重建方法（ASiR V）。 随后，我们选择代表性的成像模态CT和MRI，会讲解它们的成像原理以及基于深度学习的CT和MRI重建网络。 此外，我们还以深度学习重建作为重点介绍其它医学成像模态和多模态成像。
71720发布于 2020-02-21 - 来自专栏影像PACS源码
带CT三维重建技术的医院影像PACS系统
1、MPR MPR(Multi-Planar Reformatting)，多平面重建，是将扫描范围内所有的轴位图像叠加起来再对某些标线标定的重组线所指定的组织进行冠状、矢状位、任意角度斜位图像重组。 能任意产生新的断层图像，而无需重复扫描b. 原图像的密度值被忠实保持到了结果图像上c. 曲面重组能在一幅图像里展开显示弯曲物体的全长。图片缺点:a. 难以表达复杂的空间结构b. 曲面重组易造成假阳性。 4、SSD SSD(Surface Shaded Display)，表面阴影遮盖，是将操作者的眼睛作为假设光源方向，投射到CT值在设定阈值以上的体素上则不再透过继续成像，仅呈现所有表面体素的集合立体图形 ，适用于显示CT值与其他结构相差较大的组织结构成像。 图片6、VRT VRT(Volume Rendering Technology)，这种三维成像功能非常强大，形态及色彩逼真，绝对是CT三维重建中的“高富帅”，可以对动静脉血管、软组织及骨结构等进行立体塑形成像
1.8K20编辑于 2023-05-02 - 来自专栏气象学家
GPM双波段雷达对深对流云的“CT扫描”：微物理反演最新研究
今天我们就将利用全球首颗星载双波段降水雷达（DPR）对深对流做一个CT扫描，来回答这些问题。 在这个例子中，可以看见Ku和Ka波段对深对流的成像具有很大的差异。Ku波段的波长更长，能够在深对流中穿透更深的距离，Ka波段波长短，在深对流的上层快速地衰减。 图3 利用DPR观测到的全球范围内深对流的分布 （2014年3月至2017年2月） DPR成像信息的提取 前文提到，Ku波段和Ka波段遇到粒子的时候散射特征有差异（DFR）。 平均直径、冰粒子的数目和冰水含量中值的分布 类似图5，可以观察到10 km、11 km、13 km等不同高度上这些参数的全球分布，从而得到深对流的微物理参数三维特征，这样我们就完成了利用DPR对深对流的CT 扫描。
1.6K11发布于 2020-07-15 - 来自专栏最新医学影像技术
AutoPet2022——全身PET/CT病灶分割挑战赛
一、AutoPet2022介绍 正电子发射断层扫描/计算机断层扫描 (PET/CT) 是各种恶性实体肿瘤诊断检查的一部分。 CT 和 PET 数据以 3D 体积的形式提供，由轴向切片堆叠组成。通常，这些检查的扫描范围从颅底延伸到大腿中部，如果临床相关，扫描可以扩展到覆盖整个身体，包括整个头部和腿/脚。 CT 和 PET 是在一个 PET/CT 扫描仪上同时采集的；因此 PET 和 CT 在解剖学上是对齐的，可因生理运动而产生微小的变化。 数据预处理和结构——在预处理步骤中，TCIA DICOM 文件被重新采样（CT 到 PET 成像分辨率，即相同的矩阵大小）和标准化（PET 转换为标准化更新值；SUV）。 在慕尼黑 LMU 大学医院，一位拥有 5 年混合成像经验和机器学习研究经验的放射科医生对所有数据进行了注释。
3K40编辑于 2022-12-19 - 来自专栏思影科技
影像学纹理分析：放射科医生需要知道的事项
使用商用CT扫描仪和扫描协议进行的体模研究评估了扫描仪间和扫描仪内影像学指标的差异。 CT在影像组学特征测量中的扫描间可变性意味着影像组学研究的质量和重复性在很大程度上取决于图像采集和重建的一致性。 在另一项使用扇形CT的研究中，Fave等人表明，只要使用一致的成像协议，选定的影像组学测量指标对扇形CT图像的噪声和图像质量具有鲁棒性。 在一项肿瘤研究中，使用不同成像协议获取的肿瘤图像数据库来研究CT扫描中影像组学特征测量的重复性和稳健性。 该研究仅限于一台CT扫描仪，因此未评估影像组学特征测量的再现性。此外，还未评估改变CT采集参数（如管电压、管电流和螺距）对图像质量的影响，从而可能影响测量性能。
1.9K10编辑于 2022-06-13 - 来自专栏拓端tecdat
MATLAB基于深度学习U-net神经网络模型的能谱CT的基物质分解技术研究
因此，如何在保证成像质量的前提下尽可能地降低 CT 辐射剂量一直是科学家们 研究的热点目标之一。此外，传统的CT扫描技术只能显示患者体内病灶的形态， 无法显示目标结构的化学成分信息。 由于不同化学组分的生物组织经过 X 射线扫描后可能会具有相近甚至相同的衰减系数，从而导致成像不准确进而造成误诊。 解决方案本文利用杜克大学所提供的 XCAT 软件，构建人体模型，然后使用 MATLAB 仿真出所构建模型基于能谱 CT 的投影域物质分解数据，再利用深度学习技术对 所得到的 CT 成像数据进行学习，构建可以识别人体骨骼和软组织的 这种最新的 CT 成像技术，将为医生提供患者更加准确的组织、病例信息，为医生做出准确高效 的诊断提供强大的信息基础。 具体为利用 MATLAB 仿真出 基物质分解模型，将原始的能谱 CT 成像结果分解为骨骼和软组织，作为对应影 像的标签。利用所得到的高、低能谱成像数据作为输入。
57800编辑于 2023-01-13
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号