Aug, 2018

用于二维稀疏光声层析成像伪影去除的全密集 UNet

PDF
TL;DR提出了一种基于修改的 CNN 结构的全密集 UNet (FD-UNet) 来从稀疏数据中重建 2D PAT 图像并比较所提出的 CNN 与标准 UNet 在重建图像质量方面的性能。
photoacoustic imagingphotoacoustic tomographyconvolutional neural networksparse dataimage quality
发现论文，激发创造
  • DensePANet: 提高的生成对抗网络用于来自稀疏数据的光声层析成像重建

    通过使用改良版的 UNet 生成器（称为 FD-UNet++），我们提出了一种名为 DensePANet 的端到端方法，以解决从稀疏数据中重建 PAT 图像的问题。在各种体内和模拟数据集上评估的数量和质量结果显示了我们模型相对于其他普遍的深度学习技术的更好性能。

    Apr, 2024

  • 基于评分的扩散模型在光声断层成像重建中的应用

    使用基于得分的扩散模型解决有限 PAT 测量下的图像重建问题，通过学习模拟血管结构的表达先验，保持对变化的传感器稀疏条件的鲁棒性。

    Mar, 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

  • 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

  • 利用深度卷积框架形成 U-Net：应用于稀疏视角 CT

    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。

    Aug, 2017

  • 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

  • 稀疏张量神经网络修剪用于 3D 超声定位显微镜的深度学习

    用稀疏张量神经网络可以减少超声局部显微镜在三维成像中的存储需求，并在高浓度情况下明显优于传统的 ULM 方法。

    Feb, 2024

  • 超声图像重建的快速采样生成模型

    利用新型采样框架和先进的扩散模型，我们提出了一种从射频数据中重建图像的方法，以加速高质量图像的生成过程。通过实验评估，我们的方法在单平面波条件下胜过了具有 75 个平面波空间相干合成的传统延迟和求和 (DAS) 技术。

    Dec, 2023

  • 基于得分的生成模型，利用旋转一致性约束进行光声图像重建

    利用概率模型，我们提出了一种旋转一致性约束的基于分数的生成模型（RCC-SGM），通过采样 Langevin 动力学和约束项之间的迭代建立 PAT 图像，可支持不同的测量过程，并达到更好的 PSNR 表现（32.29 比 16 次随机采样的测量下的 PSNR，而监督方法只有 28.50）。

    Jun, 2023

  • 数字相机纹理锐度的混合训练去噪网络改进

    通过使用自然图像和合成图像的混合训练程序，本研究提出了一种对于图像修复神经网络的训练方法，从而在不损害保真度的前提下显著改善纹理清晰度度量标准，证实了这种方法在消噪 RGB 图像和完全开发 RAW 图像方面的可行性，为实际成像设备的纹理清晰度系统改进开辟了道路。

    Feb, 2024