Aug, 2017

利用深度卷积框架形成 U-Net：应用于稀疏视角 CT

PDF
TL;DR本文旨在揭示 U-Net 的局限性并提出新的多分辨率深度学习方案，具体而言，我们通过实验表明，新的网络架构可以提供更好的重建性能，并且我们探讨了 U-Net 替代方案，如双框架和紧框架 U-Net 满足所谓的框条件，使其更好地实现高频边缘的有效恢复。
x-ray computed tomographysparse- view ct reconstructiondeep convolutional frameletsmulti-resolution deep learningreconstruction performance
发现论文，激发创造
  • 使用卷积神经网络提高稀疏视图肺癌 CT 图像的图像质量

    通过使用 U-Net 来改善稀疏视图计算机断层扫描图像的质量以进行肺癌检测，并确定视图数量、图像质量和诊断信心之间的最佳平衡。

    Jul, 2023

  • 基于深度神经网络的稀疏采样 CT 成像正规化合成

    介绍了一种利用深度神经网络技术的正弦图像合成方法，用于稀疏视图 CT 成像，相比于现有的插值方法和迭代重建方法，具有更好的成像效果。

    Mar, 2018

  • 使用特定领域感知网络的两步稀疏视角 CT 重建

    本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

    Dec, 2020

  • MVMS-RCN: 多稀疏视角与多尺度精化校正的双域展开 CT 重建

    使用数学理论设计优化的深度学习算法，提出了一种新颖的双域深度展开统一框架，结合了基于模型的方法的理论优势和深度学习方法的卓越重建性能，为多稀疏视图 CT 重建提供了更大的灵活性和广泛应用的深度学习方法。

    May, 2024

  • FreeSeed：稀疏视角下的频带感知和自引导 CT 重建网络

    提出了一种基于深度学习和自适应模型的方法，名为 FreeSeed，该方法可以弥补片段图像的缺失和伪造，并显示出优于现有技术的表现。

    Jul, 2023

  • 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

  • 基于卷积神经网络的有限角度层析成像深度学习图像预测

    本文提出了一种基于深度卷积神经网络的数据驱动学习方法，用于在限角摄影术下提取和抑制 FBP 重建的特定伪影。 实验结果的定性和定量评估表明，该方法在伪影抑制和细节恢复方面表现出稳定和有前途的性能，为从有限投影数据中重构出的图像质量的提高提供了简单和高效的途径。

    Jul, 2016

  • TD-Net：用于稀疏视图 CT 重建的三域网络

    通过结合正弦图、图像和频率域优化，引入了一种三域方法 TD-Net，它通过引入频率监督模块（FSM）有效地解决了稀疏观测 CT 重建中的图像质量降低问题，实现了对精细细节的保留，从而提高了医学成像的能力。

    Nov, 2023

  • 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

  • 面向特征的肺部锥束 CT（CBCT）增强多任务定制感知损失的深度学习框架

    通过多任务深度学习模型，以特征为导向的深度学习框架提供了一种新的方法，用于将低质量的锥形束计算机断层成像（CBCT）图像转换成高质量的类似于 CT 的成像，从而在压制伪影的同时保留了解剖细节。

    Nov, 2023