在本文中，我们基于扩散模型提出了一种无监督金属伪影减弱方法，利用预训练的扩散模型在图像和正弦图领域内迭代地利用嵌入其中的先验知识，去除由金属伪影引起的退化区域，实验证明我们的方法在综合数据集上优于现有的无监督金属伪影减弱方法，并且在临床数据集上展现出卓越的视觉效果。

Aug, 2023

本研究提出了一种基于 Dual Domain Network 的方法，可以同时恢复正弦图的一致性并增强 X 射线 CT 图像品质，以达到减少金属假象的目的。该方法在单一领域的方法方面实现了显著的改进，并且是目前为止第一个用于金属假象减少的端到端的双域网络。

Jun, 2019

本文提出了一个基于三重领域的技术、对金属成像伪影进行去除的神经网络，采用对比正则化方法，实现了对 CT 图像的优秀去噪和伪影去除效果。

Nov, 2022

计算机断层扫描（CT）中，通过一组获取到的投影图像计算出物体内部结构的图像。为了提高重建图像的质量，常常对这些获取到的投影图像进行多个去伪影步骤的处理。近年来，深度学习方法在 CT 造影图像去伪影方面显示出了很好的结果。然而，大多数现有的 CT 深度学习方法是在重建之后进行后处理的。因此，这些方法可能不能有效去除在重建域中相对难以去除的伪影。作为替代，我们提出了一种多阶段深度学习伪影去除方法，其中神经网络在几个领域中应用，类似于传统的 CT 处理流程。我们展示了这些神经网络可以有效地连续训练，从而实现易用和计算高效。对模拟和真实实验数据集的实验证明，我们的方法在减少伪影方面是有效的，并且优于基于深度学习的后处理方法。

Sep, 2023

本研究提出了一种新颖的牙科锥形束计算机断层扫描重建方法，旨在有效减少常见金属植入物引起的伪影。通过使用隐式神经网络生成两张不同的信息性层面的断层图像，一张图像代表特定能量水平上的单色衰减分布，而另一张图像则捕捉了由多色 X 射线束的非线性光束硬化因素引起的影响。与现有的计算机断层扫描重建方法相比，该方法仅依赖于比尔 - 朗伯定律，在背投影过程中有效地防止了金属引起的伪影的产生。广泛的实验评估表明，该方法有效地减少了金属伪影同时提供了高质量的图像重建结果，凸显了第二张图像在捕捉非线性光束硬化因素方面的重要性。

Jul, 2023

该研究提出了一种基于 Retinex 理论和条件归一化流的图像域模型（RetinexFlow），通过联合分解和完成任务，实现金属伪影的降解，能够较好地消除伪影并提高 CT 图像质量。

Jun, 2023

我们开发了一种高效的金属伪影还原 Transformer (MARformer)，通过基于 CBCT 图像的全局相似结构，在多头自注意力机制中引入了新的降维自注意力模块 (DRSA)，以减少计算复杂性。同时，我们还提出了一种感知局部图像信息的基于块的感知前馈网络 (P2FFN)，用于进行细粒度的修复。实验结果表明，我们的 MARformer 在合成和真实金属伪影的 CBCT 图像上表现出色，且优于以往的 MAR 方法和两种修复 Transformer。

Nov, 2023

通过计算机断层扫描（CT），本研究发现利用初始训练权重所计算的不确定性图像可以有效地突显高频区域（包括金属伪影），从而帮助去除金属伪影，实验结果显示不确定性约束损失进一步优化了网络训练过程并显著提高了去除金属伪影的效果。

Jun, 2024

使用基于深度学习的方法改善锥束计算机断层摄影（CBCT）图像质量的研究中，通过综述各类 CBCT 图像的伪影问题的成功和不足，重点放在伪影类型而非神经网络结构上，以综合评估各类伪影的数据生成、模拟流程和伪影降低技术，并概述了在 3D 和 4D CBCT 中通过投影域和 / 或体域优化以及将神经网络直接引入 CBCT 重建算法而成功降低伪影的深度学习技术，同时指出研究的空白为未来的探索提供了方向，发现使用了生成模型包括 GANs 和基于分数或扩散模型，并呼吁拥有更多多样化和开放的训练数据集和模拟数据。

Mar, 2024

本文提出了一种基于多色谱的神经表示方法 (Polyner)，可在人体内存在金属植入物的情况下应对 CT 成像中的金属伪影，达到与有监督方法相媲美或优于有监督方法的成果。

Jun, 2023