Jun, 2023

基于得分的生成模型，利用旋转一致性约束进行光声图像重建

PDF
TL;DR利用概率模型，我们提出了一种旋转一致性约束的基于分数的生成模型（RCC-SGM），通过采样 Langevin 动力学和约束项之间的迭代建立 PAT 图像，可支持不同的测量过程，并达到更好的 PSNR 表现（32.29 比 16 次随机采样的测量下的 PSNR，而监督方法只有 28.50）。
photoacoustic tomographydeep learninggenerative modelinglangevin dynamicssupervised methods
发现论文，激发创造
  • 基于评分的扩散模型在光声断层成像重建中的应用

    使用基于得分的扩散模型解决有限 PAT 测量下的图像重建问题，通过学习模拟血管结构的表达先验，保持对变化的传感器稀疏条件的鲁棒性。

    Mar, 2024

  • 基于评分的 PET 图像重建的生成模型

    基于评分的生成模型在医学图像重建任务中，如磁共振成像或计算机断层扫描，已经展现出极具潜力的结果。然而，它们在正电子发射断层扫描（PET）中的应用尚未被广泛探索。为了应对 PET 图像重建中的多个挑战，包括具有高方差和广泛动态范围的泊松噪声，我们提出了几种针对 PET 的评分生成模型的适应性改进。该提出的框架适用于 2D 和 3D PET，并通过使用磁共振图像进行引导重建的扩展。我们通过广泛的 2D 和 3D$ extit {in-silico}$ 实验，利用在没有病变的患者现实数据上训练的模型进行验证，并对没有病变的数据以及含病变的离群数据进行评估。这证明了所提方法的稳健性和显著的 PET 重建改进潜力。

    Aug, 2023

  • DensePANet: 提高的生成对抗网络用于来自稀疏数据的光声层析成像重建

    通过使用改良版的 UNet 生成器（称为 FD-UNet++），我们提出了一种名为 DensePANet 的端到端方法，以解决从稀疏数据中重建 PAT 图像的问题。在各种体内和模拟数据集上评估的数量和质量结果显示了我们模型相对于其他普遍的深度学习技术的更好性能。

    Apr, 2024

  • 使用基于分数的生成模型解决医学影像中的反问题

    本文提出了一种基于未监督方法的重建医学图像的技术，利用基于得分的生成模型捕捉医学图像的先验分布，通过一种采样方法重建医学图像，能够灵活适应不同的测量过程，相比有监督学习技术在多项医学成像任务中表现更好，并且在未知测量过程下表现显着更好。

    Nov, 2021

  • 基于扫描先验的旋转扫描光声显微镜图像超分辨率

    该研究介绍了一种新颖且性能优越的超分辨率框架，用于基于旋转扫描的光声显微镜成像，实验结果在合成和真实数据集上量化和定性地证明了该框架的有效性和通用性。

    Dec, 2023

  • 用于二维稀疏光声层析成像伪影去除的全密集 UNet

    提出了一种基于修改的 CNN 结构的全密集 UNet (FD-UNet) 来从稀疏数据中重建 2D PAT 图像并比较所提出的 CNN 与标准 UNet 在重建图像质量方面的性能。

    Aug, 2018

  • 稳定的超稀疏视角 CT 重建的数据迭代优化评分模型

    本研究提出了一种数据迭代优化评分模型（DOSM），将创新的数据一致性融入到随机微分方程中，为超稀疏视图 CT 重建提供了有价值的约束，并通过追溯当前迭代结果到理想真实值的推理策略提高了重建的稳定性。实验结果表明，我们的方法在数量和质量上都明显优于其他方法，甚至在只有 10 个视图的情况下，也能取得出色的性能。

    Aug, 2023

  • 快速有限视角光声成像的模型校正学习原始 - 对偶模型

    该研究提出了嵌入模型修正的学习原始 - 对偶框架的方法，为光 - acoustic 成像的快速迭代重建提供了可行的模型，实现了实时的可扩展，具有较快推理时间和优异的重建质量。

    Apr, 2023

  • 使用分阶段优化的基于评分模型的线性逆问题的收敛性质

    我们展示了得分为基础的生成模型可以用于研究优化问题，这解决了常常是非凸且难以解决的问题。我们的实验结果证明了使用该框架在计算机断层扫描图像恢复方面的潜力。

    Apr, 2024

  • 通过生成性潜在优化解决图像反问题

    在稀疏投影 CT 上测试，通过与现有的基于分数的策略相比，使用多个训练数据集大小，cGLO 提供了更好的重建质量以及对于较小的训练数据集和减少的投影角度展现出逐渐增加的性能优势。此外，cGLO 不需要任何反向操作，甚至可以拓展应用于非线性的 IIPs。

    Jul, 2023