Dec, 2020

使用特定领域感知网络的两步稀疏视角 CT 重建

PDF
TL;DR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。
computed tomographysparse-view tomographysuper-resolution networkstreak-artifactsperceptual-loss
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 稀疏视角下的 CT 重建与 3D 高斯体积表示

    稀疏视图 CT 重建研究中，3D 高斯模型的应用表现出更好的收敛性和新视图渲染，其通过启发来自滤波反投影重建图像的先验信息去初始化高斯模型，并通过在投影空间中比较差异来更新其参数，自适应密度控制进一步提高了性能，相比隐式神经表示方法 (INR) 3D 高斯模型更能从先验信息中受益，将性能更高效地分配在空白区域，加速了收敛速度，同时也能高效地学习高频细节。在自监督学习的方式下进行训练，3D 高斯模型避免了大规模配对数据的需求。对 AAPM-Mayo 数据集的实验证明，相比基于 INR 的方法，3D 高斯模型能够提供更优异的性能。

    Dec, 2023

  • 基于领域自适应的深度学习加速投影重建 MR

    本文提出了一种结合深度学习和领域自适应的新方法，使用大量计算机断层扫描或合成径向磁共振数据预先训练网络，通过少量径向磁共振数据进行微调，成功地从欠采样的 k 空间数据中还原高分辨率的磁共振图像。使用该方法能够优于现有的压缩感知算法，并且计算时间比总变差和 PR-FOCUSS 方法快几个数量级。同时，本研究还发现，使用来自相似器官数据的 CT 或 MR 数据进行预训练比使用来自不同器官的相同模态的数据进行预训练更重要。

    Mar, 2017

  • 适应性数据一致性双域迭代网络联合降噪和少角度重建用于低剂量心脏 SPECT

    提出了一种双域迭代网络方法，可从心脏 SPECT 的低剂量和少角度投影中进行端到端联合降噪和重建，且使用临床 MPI 数据实验表明，所提出的方法优于现有的图像域、投影域和双域技术，可生成更准确的投影和重建结果。

    May, 2023

  • 通过深度学习实现对于层析成像逆问题的几乎精确恢复

    本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。

    Jun, 2022

  • 鲁棒联合稀疏视图 CT 重建的隐式神经表示

    通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。

    May, 2024