CT图像

简介: CT图像是由一定数目由黑到白不同灰度的象素按矩阵排列所构成。这些象素反映的是相应体素的X线吸收系数。不同CT装置所得图像的象素大小及数目不同。大小可以是1.0×1.0mm,0.5×0.5mm不等;数目可以是256×256,即65536个,或512×512,即262144个不等。
CT图像是由一定数目由黑到白不同灰度的象素按矩阵排列所构成。这些象素反映的是相应体素的X线吸收系数。不同CT装置所得图像的象素大小及数目不同。大小可以是1.0×1.0mm,0.5×0.5mm不等;数目可以是256×256,即65536个,或512×512,即262144个不等。显然,象素越小,数目越多,构成图像越细致,即空间分辨力(spatial resolution)高。CT图像的空间分辨力不如X线图像高。

  CT图像是以不同的灰度来表示,反映器官和组织对X线的吸收程度。因此,与X线图像所示的黑白影像一样,黑影表示低吸收区,即低密度区,如肺部;白影表示高吸收区,即高密度区,如骨骼。但是CT与X线图像相比,CT的密度分辨力高,即有高的密度分辨力(density resolutiln)。因此,人体软组织的密度差别虽小,吸收系数虽多接近于水,也能形成对比而成像。这是CT的突出优点。所以,CT可以更好地显示由软组织构成的器官,如脑、脊髓、纵隔、肺、肝、胆、胰以及盆部器官等,并在良好的解剖图像背景上显示出病变的影像。

  x 线图像可反映正常与病变组织的密度,如高密度和低密度,但没有量的概念。CT图像不仅以不同灰度显示其密度的高低,还可用组织对X线的吸收系数说明其密度高低的程度,具有一个量的概念。实际工作中,不用吸收系数,而换算成CT值,用CT值说明密度。单位为Hu(Hounsfield unit)。

  水的吸收系数为10,CT值定为0Hu,人体中密度最高的骨皮质吸收系数最高,CT值定为+1000Hu,而空气密度最低,定为-1000Hu。人体中密度不同和各种组织的CT值则居于-1000Hu到+1000Hu的2000个分度之间(表1-2-1)。

 

表1-2-1 人体组织CT值(Hu)

  由表1-2-1可见人体软组织的CT值多与水相近,但由于CT有高的密度分辨力,所以密度差别虽小,也可形成对比而显影。

  CT值的使用,使在描述某一组织影像的密度时,不仅可用高密度或低密度形容,且可用它们的CT值平说明密度高低的程度。

  CT图像是层面图像,常用的是横断面。为了显示整个器官,需要多个连续的层面图像。通过CT设备上图像的重建程序的使用,还可重建冠状面和矢状面的层面图像。

目录
相关文章
|
编解码 自然语言处理 数据挖掘
Recognize Anything:一个强大的图像标记模型
Recognize Anything是一种新的图像标记基础模型,与传统模型不同,它不依赖于手动注释进行训练
184 2
|
7月前
|
机器学习/深度学习 编解码 数据可视化
图像恢复SwinIR: Image Restoration Using Swin Transformer
图像恢复SwinIR: Image Restoration Using Swin Transformer
336 2
|
机器学习/深度学习 自然语言处理 文字识别
【计算机视觉】CLIP:连接文本和图像(关于CLIP的一些补充说明)
我们推出了一个名为CLIP的神经网络,它可以有效地从自然语言监督中学习视觉概念。CLIP可以应用于任何视觉分类基准,只需提供要识别的视觉类别名称,类似于GPT-2和GPT-3的“零样本”功能。
|
机器学习/深度学习 存储 编解码
Open3d系列 | 3. Open3d实现点云上采样、点云聚类、点云分割以及点云重建
Open3d系列 | 3. Open3d实现点云上采样、点云聚类、点云分割以及点云重建
10477 1
Open3d系列 | 3. Open3d实现点云上采样、点云聚类、点云分割以及点云重建
|
6月前
|
计算机视觉
【CV大模型SAM(Segment-Anything)】如何保存分割后的对象mask?并提取mask对应的图片区域?
【CV大模型SAM(Segment-Anything)】如何保存分割后的对象mask?并提取mask对应的图片区域?
【CV大模型SAM(Segment-Anything)】如何保存分割后的对象mask?并提取mask对应的图片区域?
|
6月前
|
UED
ct123
该文讨论了过度依赖数据驱动决策可能导致的问题,以Google为例,指出这会限制创新、降低员工满意度、减缓决策效率并损害用户体验。建议保持数据与直觉的平衡,提倡灵活性,重视用户反馈,并重新评估公司价值观,以促进创新和团队协作。
|
7月前
|
存储 数据采集 数据可视化
支持CT、MR三维后处理的医学PACS源码
支持CT、MR三维后处理的医学PACS源码
92 0
|
传感器 机器学习/深度学习 Ubuntu
【论文解读】F-PointNet 使用RGB图像和Depth点云深度 数据的3D目标检测
​F-PointNet 提出了直接处理点云数据的方案,但这种方式面临着挑战,比如:如何有效地在三维空间中定位目标的可能位置,即如何产生 3D 候选框,假如全局搜索将会耗费大量算力与时间。 F-PointNet是在进行点云处理之前,先使用图像信息得到一些先验搜索范围,这样既能提高效率,又能增加准确率。 论文地址:Frustum PointNets for 3D Object Detection from RGB-D Data  开源代码:https://github.com/charlesq34/frustum-pointnets
761 0
|
机器学习/深度学习 编解码 算法
【图像重建】基于OMP,CoSaMP,IHT,IRLS,GBP,SP和ROMP实现图像感知重建附matlab代码
【图像重建】基于OMP,CoSaMP,IHT,IRLS,GBP,SP和ROMP实现图像感知重建附matlab代码
|
存储 数据采集 数据可视化
影像医学PACS源码带CT三维重建
医学影像归档与通信系统(picture archiving and communication systems,PACS)是应用于医院的数字医疗设备,如CT、MR(磁共振)、US(超声成像)、X线、DSA(数字减影)、CR(计算机成像)、ECT等设备所产生的数字化医学图像信息的采集、存储、管理、诊断、信息处理的综合应用系统。它集医学图像获取、大容量数据存储、图像显示和处理、数据库管理及用于传输影像的局域或广域网络等技术为一体,大大降低了医生对传统硬拷贝技术的依赖,达到更高效低价的观察存储管理回溯和传送医学影像的效果。PACS 技术是进行全数字化影像诊断及管理的重要基础。
124 0