Jun, 2023

DEMIST：适用于心肌灌注 SPECT 的基于深度学习的特定任务去噪方法

PDF
TL;DR通过基于深度学习的、对 MPI SPECT 进行去噪的特定检测任务方法（DEMIST）的客观评估，本研究提出的方法在检测心肌灌注缺损方面的表现显著优于对应的低剂量图像和普通的基于深度学习的去噪方法，并且该方法还在保持特定检测任务特征的同时改善了噪声特性。
deep learningdenoisingmyocardial perfusion imagingdetectionclinical evaluation
发现论文，激发创造
  • 一种用于氘代谢成像（DMI）的深度学习增敏方法

    通过使用卷积神经网络和 MRI 边缘保持正则化方法，提出了一种用于增强 Deuterium 代谢成像（DMI）灵敏度的处理方法（PRECISE-DMI），该方法能够在保持能够检测局部信号变化的能力的同时，将 DMI 的灵敏度提高了 3 倍。

    Sep, 2023

  • 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

  • 一种利用深度学习预测心脏再同步治疗响应的新方法

    使用深度学习模型将临床参数、心电图特征、心脏功能评估参数和 SPECT MPI 的极地图相结合，预测心脏重同步治疗的患者反应，对于预测预后具有较高准确性。

    May, 2023

  • 使用扩散概率模型进行深超声波降噪

    本研究提出了一种基于 DDPM 的无监督去噪方法，可改善超声图像的质量并保留散斑纹理特征，在泛化对比噪声比和噪声峰值信噪比方面优于以往方法。

    Jun, 2023

  • 利用时间序列图像的深度学习对低剂量图像进行去噪

    数字图像设备广泛应用于许多领域，但当观察不能使用足够剂量时会出现图像噪声问题。机器学习去噪技术被期望解决此问题，然而存在以下问题。本文以电子显微镜的原位观察视频为例，报告了机器学习去噪在超低剂量观察中产生的伪影问题，并提出了一种将时间序列图像分解为空间轴和时间的二维图像的方法进行机器学习去噪，从而实现了在科学、工业和生活中从低剂量成像中准确稳定地重建连续高分辨率图像的新途径。

    Mar, 2024

  • 用于心脏 SPECT 图像的双域粗到细的逐步估计网络，用于同时去噪，有限视角重建和衰减校正

    我们提出了一种用于同时进行低剂量去噪、有限视图重建和无 CT 的心脏 SPECT 的 μ 图生成的多任务学习方法 DuDoCFNet，通过联级式融合机制实现跨域和交叉模态特征融合，应用两阶段渐进学习策略来获得 SPECT 投影和 CT 导出的 μ 图的粗到细估计。我们的实验结果表明，在各种迭代和低剂量水平下，DuDoCFNet 在估计投影、生成 μ 图和 AC 重建方面的准确性优于现有的单一或多任务学习方法。

    Jan, 2024

  • 基于自监督深度降噪方法的单幅图像压缩感知磁共振成像

    本文提出了一种单图像自监督压缩感知磁共振成像框架，能够实现压缩感知估计的深度与稀疏正则化，有效降低结构化压缩感知伪影，提高图像质量。通过对大脑和膝盖数据集使用 Cartesian 1D 掩码进行度量评估，平均峰值信噪比 (PSNR) 提高了 2-4dB。

    Nov, 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

  • 无需训练集的两阶段深度学习用于光谱数据去噪

    在这篇研究论文中，我们提出了一种无需训练集的两阶段深度学习方法，用于解决去噪问题，并通过引入自适应先验改进了以往方法中的模糊输入。我们的方法结合了更先进的优化技术，相比以往工作实现了五倍的加速。此外，我们还理论上研究了对应的非凸线性问题的形态，结果表明这个问题在一阶算法中具有良好的几何收敛性。

    Feb, 2024

  • 深度去噪在科学发现中的应用：以电子显微镜为例

    本文提出了一种基于模拟图像的去噪方法，即模拟图像去噪 (SBD) 框架，该框架使用卷积神经网络 (CNNs) 在虚拟样本上进行训练并在以无噪声图像为基础的科学成像中表现出色，同时也分析了 SBD 的泛化能力和 CNNs 的视野对其性能的影响。

    Oct, 2020