这是本人跑Meshroom时自己拍摄的数据集，一共34张图片，也是原帖所使用的数据集。

步骤超详细，亲测，成功！

3D重建：基于ElasticFusion的双目实时重建 ，内含代码和模型可以直接使用

正电子发射断层扫描仪(Positron Emission Tomography, PET)是当前医学界公认的肿瘤、心脏、脑等疾病诊断与病理生理研究的重要方法。随着核医学影像设备的广泛应用和计算机技术的迅速发展，图像重建方法作为PET成像的一个关键环节，其研究工作也越发受到重视。 PET探测器检测注入人体的示踪剂在湮灭辐射过程中产生的射线，经过符合采集系统处理形成投影线，以SINO的方式存放于计算机硬盘中[1]。计算机调用图像重建模块，生成人体断层图像。目前，PET图像基础重建算法主要包括解析法和迭代法。 1. 解析法 解析法是以中心切片定理为基础的反投影方法，常用的是滤波反投影法(Filtered Back-Projection, FBP)。在FBP中，图像重建主要包含两个步骤：反投影和滤波。 我们在初中就已经学过投影与反投影的概念，从不同角度观察物体可以得到不同的信息，当我们从多种不同角度获取物体的投影，可以反向推出这个物体真实的形态。 图1 光线将物体的形状投射到一个平面称为投影 在成像原理上，PET和CT略有差异。CT是投射成像，X射线旋转360°，采集被扫描物体不

稀疏角度CT生成python脚本（astra工具包）（可直接运行） 相对于MR，CT在参数及扫描方面并不是太难，但是CT的图像重建及各种算法则是非常难的，也是比较抽象的。这篇文章介绍CT图像重建算法等相关内容。 CT技术是CT诊断的基础，帮助医务工作者充分掌握CT技术是我们的责任和义务！ CT基础知识 Image Reconstruction Method 图像重建算法 在上一期内容CT原理1中,我们主要介绍了X线与物质的作用,也就是X线的衰减是如何发生的,正是由于这种衰减的存在,X线才可以被用于CT成像,那么探测器获得的衰减信号最终是如何被转换成CT图像的呢?这就涉及到图像的重建算法了,所以今天我们接着X线的衰减,继续介绍CT图像重建的原理。 1 重建算法的分类 CT重建算法共有3类,如下图。 (1)反投影法 (2)迭代重建算法 (3)解析法:包括滤波反投影法和傅里叶变换法 其中(3)解析法中的A滤波反投影法是在(1)反投影法的基础上发展起来的,通过加入滤波函数解决了图像锐利度的问题,如下图,没有加入滤波函数(Filter Function)时重建的图

ML-EM算法  EM算法（Expectation Maximization Algorithm，期望极大算法）是一种解决优化问题的迭代算法，用于求解含有隐变量的概率模型参数的极大似然估计（MLE）或极大后验概率估计（MAP）。EM算法是一种比较通用的参数估计算法，被广泛用于支持向量机（SMO算法）、朴素贝叶斯、GMM（高斯混合模型）、K-means（K均值聚类）和HMM（隐马尔可夫模型）的参数估计。 理解EM算法（例子）   在统计学中，概率用于在已知一些参数的情况下，预测接下来的所得到的结果；而似然性则是用于在已知某些观测所得到的结果时，对有关事物的性质的参数进行估计。   EM算法和极大似然估计的前提是一样的，都要假设数据总体的分布，如果不知道数据分布，是无法使用EM算法的。 三硬币模型   假设有3枚硬币A，B，C，这些硬币正面出现的概率分别是π \piπ，p pp和q qq。进行如下掷硬币试验：先掷硬币A，根据其结果选出硬币B或硬币C，正面选硬币B，反面选硬币C；然后掷选出的硬币，掷硬币的结果，正面记作1，反面记作0；独立重复n此试验，观测结果： 1 , 1 , 0 ,

深度学习CT重建算法技术文档 深度学习CT重建技术文档 目录 深度学习CT重建技术文档 1 一． 稀疏角度U-net+传统重建算法去伪影 1 1.1 U-net+FBP 2 1.2 U-net+ART 3 1.3 U-net+SART 4 1.4 U-net+ML-EM 4 1.5 U-net+OSEM 4 二． 稀疏角度U-net+mSTCT去伪影 4 三． U-net替代STCT逆希尔伯特变换 5 3.1五段直线扫描分别训练模型 5 3.1.1 STCT相关算法 5 3.1.2 U-net替代五段直线扫描分别训练模型 6 3.2 五段直线扫描合并训练模型 12 3.3 两种方法结果对比 15 四． 算法改进与提升 16 4.1 增加掩膜 16 五． 附件 17 稀疏角度U-net+传统重建算法去伪影 本小节前三种算法是代数类重建算法，后两种是统计迭代类算法，所有算法均已用matlab复现，但由于需结合U-net（python环境）进行伪影去除，所以这里在前三种方法上利用的是ASTRA工具包的python版本产生稀疏角度数据，后两种由于ASTRA包中没有，所以采用

论文Deep_Convolutional_Neural_Network_for_Inverse_Problems_in_Imagin

CT重建过程中的各种工具类算法（包括产生稀疏视角图像、各种格式数据变换）

关于CT重建，如今已经有许多可用的开源工具箱来实现，这避免了花大量时间研究算法并重现，在实际应用中非常便捷。比如ASTRA工具箱，不仅涵盖二维、三维重建，可GPU加速，而且兼容MATLAB、Python以及Windows、Linux系统，适合各类应用场景。然而，网上关于该工具箱的介绍很少，所以在此做一些简单介绍，以便参考和回顾。 一、官网与下载 工具箱的官网为： The ASTRA Toolbox ​www.astra-toolbox.com/ 在Downloads模块即可下载最新版本的工具箱： 下载之后，还需注意在不同环境下的配置不同，比如我安装的Windows下的Matlab环境，就至少需要配置Visual Studio 2015，且做GPU加速需要CUDA8.0，等等。这些都可以在Documentation-Installation instructions部分了解。 二、工具箱学习 ASTRA工具箱提供大量案例，而且官网Documentation部分详细讲解了所有的调用方式。 分别针对投影对象、投影光束、算法等，都有不同的工具来初始化、重建图像等，大概看懂案例即可熟