Oct, 2016

使用定向小波的深度卷积神经网络进行低剂量 X 射线 CT 重建

PDF
TL;DR为了应对 X-ray CT 低剂量扫描中复杂噪声的问题，提出了一种基于方向小波变换和深度卷积网络的去噪算法，实验结果证实该算法能够有效去除噪声并在 CT 重建中取得良好效果。
x-ray ctlow-dosedeep learningdenoisingwavelet transform
发现论文，激发创造
  • 低剂量 X 射线 CT 重建的小波域残差网络 (WavResNet)

    本研究提出了一种基于方向小波域下的直接残差学习方法，用于向低剂量 X 射线 CT 图像中恢复细节纹理，并在实验证明该方法相较于之前的工作具有显著的性能改进。

    Mar, 2017

  • 使用深度学习进行低剂量 CT 图像增强

    通过使用 U-NET 模型，可以成功地改进低剂量 CT 图像的质量，提供了比其全剂量版本更好的诊断图像。

    Oct, 2023

  • 使用残差编码器 - 解码器卷积神经网络（RED-CNN）进行低剂量 CT

    本文使用 RED-CNN 深度神经网络在模拟和临床低剂量 CT 成像中取得了竞争优势，尤其在噪声抑制、结构保护和病变检测方面表现优异。

    Feb, 2017

  • 面向结构的多尺度深度神经网络用于低剂量 CT 去噪

    本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数来训练去噪模型，能够有效保留正常剂量 CT 图像的结构和纹理信息，同时显著抑制噪声和伪影，且优于其他已有方法。

    May, 2018

  • 多帧跨域图像去噪在低剂量计算机断层扫描中的应用

    该研究提出了一种使用多层螺旋 CT 扫描仪的两阶段方法，以更好地利用完整的重建管道进行 LDCT 去噪，在不同领域中实现更精确的低剂量成像。

    Apr, 2023

  • 多尺度小波域残差学习用于有限角度 CT 重建

    利用多尺度小波域残差学习架构结合先前方向性和全局分布性偏差的观察提出的新方法，可以有效消除有限角度下的 CT 图像伪影并保留图像的边缘和全局结构性。

    Mar, 2017

  • 由训练于 2D 网络的模型，基于转移学习实现的用于低剂量 CT 的三维卷积编码解码网络

    本文介绍在 GAN 框架中，基于 CPCE 网络的 2D 和 3D 构型进行低剂量 CT 去噪。通过 2D 到 3D 的迁移学习，将已训练过的 2D CNN 扩展为初始的 3D CPCE 去噪模型，提高了去噪性能和收敛速度，并在实际数据中证明了比其他方法更好的性能。

    Feb, 2018

  • 低剂量 CT 图像恢复的对抗鲁棒性评估

    评估不同深度学习方法和经典方法在 CT 图像恢复中的鲁棒性，发现深度网络更容易受到未定向攻击的影响，数据一致性不受重建质量影响，需要更好的正则化方法。同时，深度网络和经典方法都容易受到对局部病变产生可见变化的攻击的影响，这些攻击可以用于探索 CT 恢复问题的解空间。

    Feb, 2024

  • 通过对预训练的用于高斯降噪的 UNet 进行微调，用于低剂量 CT 图像重建与图像增强的下游任务

    这篇论文提出了一种计算机断层扫描（CT）图像增强方法，采用低剂量 CT 图像重建和神经网络预训练技术，取得了与当前最先进方法相媲美的结果。

    Mar, 2024

  • 评估对噪声的稳健性：低成本头部 CT 分流

    通过使用卷积神经网络自动分类医学图像，我们研究了在使用低成本扫描仪时，训练 CNN 模型的性能如何。我们发现，我们的模型对于更低的 X 射线管电流和更少的图片被拍摄的角度的图片都有很好的分类效果。然而，在使用受限扫描器获得的显着劣化的图像方面，我们发现训练特定于这种图像的模型可以克服技术限制并保持接近于原始模型的性能。

    Mar, 2020