Apr, 2023

多帧跨域图像去噪在低剂量计算机断层扫描中的应用

PDF
TL;DR该研究提出了一种使用多层螺旋 CT 扫描仪的两阶段方法，以更好地利用完整的重建管道进行 LDCT 去噪，在不同领域中实现更精确的低剂量成像。
computed tomographylow-dosedenoisingimage reconstructionmulti-slice
发现论文，激发创造
  • 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

  • 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

  • 使用定向小波的深度卷积神经网络进行低剂量 X 射线 CT 重建

    为了应对 X-ray CT 低剂量扫描中复杂噪声的问题，提出了一种基于方向小波变换和深度卷积网络的去噪算法，实验结果证实该算法能够有效去除噪声并在 CT 重建中取得良好效果。

    Oct, 2016

  • 使用深度学习进行低剂量 CT 图像增强

    通过使用 U-NET 模型，可以成功地改进低剂量 CT 图像的质量，提供了比其全剂量版本更好的诊断图像。

    Oct, 2023

  • 计算机断层扫描的多阶段深度学习伪影抑制

    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

  • 低剂量 CT 图像去噪的扩散概率先验

    本研究提出了一种基于扩散概率模型的全无监督低剂量 CT 图像去噪方法，该方法无需训练数据集，并且能够在保持图像内容一致的同时生成高质量的正常剂量 CT 图像，评估结果显示其性能比多个监督学习方法更优。

    May, 2023

  • WIA-LD2ND：基于小波的自监督低剂量 CT 图像对齐去噪

    提出了一种仅使用 NDCT 数据的自我监督 CT 图像去噪方法 WIA-LD2ND，通过采用波尔兹曼图像对齐和频域感知多尺度损失来解决低剂量计算机断层扫描（LDCT）图像去噪问题。在两个公开的 LDCT 去噪数据集上的广泛实验表明，WIA-LD2ND 优于现有的几种最先进的弱监督和自监督方法。

    Mar, 2024

  • 基于 GAN 与局部一致性的低剂量 CT 重建解决方案

    通过使用改进的生成对抗网络（GANs）和局部一致性技术，该研究提出了一种新的低剂量 CT 重建方法，能够在以往的技术基础上显著提高图像构建的准确度和稳定性。

    Sep, 2023

  • 扩散先验正则化迭代重建低剂量 CT

    通过将消除噪声扩散概率模型（DDPM）与优先数据保真度的重建过程相结合，我们引入了一种迭代重建算法，以减少医患暴露于电离辐射的剂量，从而实现无监督框架中的卓越重建结果。通过融合这两种技术的优点，以及应用 Nesterov 动量加速技术，我们进一步提高了重建过程的效率，为高清晰 CT 图像重建提供了潜在途径。

    Oct, 2023

  • 低剂量计算机断层扫描重建的旋转增益噪声 2 反问题

    本研究提出一种新颖的自监督方法，用于低剂量计算机断层扫描（LDCT）重构，结果表明该方法在降低剂量的情况下能够在 CT 图像质量方面取得更好的效果。

    Dec, 2023