May, 2019

X2CT-GAN: 用生成对抗网络从二平面 X 光线重建 CT

PDF
TL;DR使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。
发现论文，激发创造
  • SdCT-GAN：使用自主驱动生成对抗网络由双平面 X 射线重建 CT

    本文提出了一种新的自主驱动生成对抗网络模型（SdCT-GAN），通过引入鉴别器中的新型自动编码器结构，以及结合来自 2D X 射线图像的边缘信息的 Sobel 梯度引导器（SGG）思想，能够更好地保留细节并使用 LPIPS 评估度量量化评估重构图像的轮廓和纹理，实验证明了该模型相对于主流最先进基准模型的优势。

    Sep, 2023

  • 具有上下文感知的生成对抗网络医学图像合成

    本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系，进而生成与之对应的 CT 图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

    Dec, 2016

  • 单层和双层放射照片 CT 重建的变压器

    本文介绍了一种基于变压器架构的新方法，该方法可在仅有的双平面 X 射线的情况下重建计算机断层扫描（CT）图像，进而实现对器官进行大体测量，具有很高的实用价值。该方法可作为一种新型检测手段，并提供了一个基于 GitHub 的公开代码库，以鼓励更深入的研究。

    May, 2023

  • 基于双视角拓扑图的解剖学导向 CT 重建方法用于前瞻性风险缩减

    基于生成对抗网络（GAN）的优化 CT 重建模型能够重建 CT 体积，增强解剖结构并进行器官分割，从而提供了前瞻性估计 CT 有效剂量和风险最小化的过程。

    Jan, 2024

  • CT 扫描中的多视角 X 射线图像合成与多域解缠

    通过引入内容和风格的解耦技术以及姿态注意力模块，利用 CT2X-GAN 方法，该研究提出了一种学习式的端到端合成 X 射线图像的方法，从而改善合成质量并使其更接近真实的 X 射线图像。

    Apr, 2024

  • XTransCT：使用转换网络通过两个正交 X 射线投影进行超快速体积 CT 重建

    本文提出了一种名为 XTransCT 的新型 Transformer 架构，可从二维 X 光图像中实时重建 CT 图像，该方法在图像质量、结构可靠性和普适性方面优于其他方法，并且可以在重建 3D 图像的同时实现约 300％的速度提高。

    May, 2023

  • 生成对抗网络三维骨骼图像合成

    利用三维生成对抗网络（GANs）能够高效地生成高分辨率的医学体积，实现模型可解释性和应用，包括图像变形、属性编辑和样式混合，并在三维 HR-pQCT 示例数据库上进行了广泛验证。

    Oct, 2023

  • 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

  • 使用 3D 条件生成对抗网络生成合成 CT 体积

    利用条件生成对抗网络可以从噪声和 / 或像素化的近似中生成三维计算机体层扫描，该方法在 COVID19 CT 方面表现出色，可用于图像降噪和复原任务。

    Apr, 2021

  • XProspeCT: 从成对 X 射线生成 CT 体积

    该研究论文通过使用更大的数据集和不同的模型结构，探索将正交 X 射线图像转换成模拟 CT 体积的方法，以解决 CT 扫描在辐射剂量和成本方面相对于 X 射线成像的问题。关键模型变化包括 UNet 架构、自定义连接、激活函数、损失函数、优化器和一种新颖的反投影方法。

    Feb, 2024