Jul, 2023

FreeSeed：稀疏视角下的频带感知和自引导 CT 重建网络

PDF
TL;DR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。
sparse-view computed tomographydeep learning-based image post-processingartifact modelingfrequency-band-awareself-guided network
发现论文，激发创造
  • 使用特定领域感知网络的两步稀疏视角 CT 重建

    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。

    Dec, 2020

  • 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

  • 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

  • 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

  • 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

  • 学习稀疏视角 CT 的全局表征蒸馏

    本研究提出了一种用于稀疏视图计算机断层扫描的全局表示蒸馏（GloReDi）框架，通过傅里叶卷积学习 GloRe，从中间视图重建图像中蒸馏 GloRe，实验结果表明 GloReDi 在改善图像质量方面优于现有的方法。

    Aug, 2023

  • 逐阶层小波优化细化扩散模型在稀疏视角 CT 重建中的应用

    一项名为 SWORD（Stage-by-stage Wavelet Optimization Refinement Diffusion）模型的创新性方法被提出，用于稀疏视图 CT 重建。该方法结合了低频和高频生成模型，通过优化过程实现解决方案。实验证明，该方法在定量和定性方面均优于现有的先进方法。

    Aug, 2023

  • 基于条件生成对抗神经网络的频率感知光学相干层析图像超分辨率重建

    光学相干断层扫描（OCT）通过提高形态结构解析能力，利用深度学习技术实现了基于医学图像的诊断与治疗。为了克服现有深度学习方法在图像重建中的频率偏差问题，本文提出了一种结合频率感知超分辨率框架，通过集成三个关键的基于频率的模块（频率变换、频率跳跃连接和频率对齐）及频率损失函数到条件生成对抗网络（cGAN）的方法。通过对一个现有的冠状动脉 OCT 数据集进行大规模定量研究，证明了我们提出的框架优于现有的深度学习框架。此外，我们还将该框架应用于鱼角膜图像和大鼠视网膜图像，证明了它在眼科成像中对解析形态细节的能力。

    Jul, 2023

  • 使用卷积神经网络提高稀疏视图肺癌 CT 图像的图像质量

    通过使用 U-Net 来改善稀疏视图计算机断层扫描图像的质量以进行肺癌检测，并确定视图数量、图像质量和诊断信心之间的最佳平衡。

    Jul, 2023

  • MEPNet: CT 影像联合稀疏视图重建和金属伪影去除的模型驱动等变近端网络

    本研究中，我们构建了一个双域重建模型，并提出了一种称为 MEPNet 的模型驱动等变近端网络，从而实现了稀疏视图重建和金属伪影降低任务，相较于传统的基于卷积的接近算法，这种旋转等变的机制可以利用更少的网络参数实现更好的重建性能。

    Jun, 2023