Jul, 2023

基于密集变压器的增强编码网络用于无监督金属伪影消除

PDF
TL;DR我们提出了一种基于紧密变换增强编码网络（DTEC-Net）的无监督金属伪影削减方法，通过引入层次化解缠编码器、高阶紧密过程和变换器来处理 CT 图像中的非局部特征和保留结构信息。广泛的实验证明了 DTEC-Net 的有效性，在基准数据集上优于之前最先进的方法，并极大减少金属伪影同时还原丰富的纹理细节。
发现论文，激发创造
  • 无监督密度神经表征用于 CT 金属伪影抑制

    提出一种新的无监督密度神经表示（Diner）方法来解决包含金属时 CT 金属伪影问题，通过引入与能量相关的彩色 CT 正演模型和使用密度作为中间变量，Diner 能够准确重建 X 射线测量中的线性衰减系数。实验证实了 Diner 在金属伪影降低性能和鲁棒性方面优于常见的有监督技术。

    May, 2024

  • 释放早期时期的潜力：不确定性感知的 CT 金属伪影减少

    通过计算机断层扫描（CT），本研究发现利用初始训练权重所计算的不确定性图像可以有效地突显高频区域（包括金属伪影），从而帮助去除金属伪影，实验结果显示不确定性约束损失进一步优化了网络训练过程并显著提高了去除金属伪影的效果。

    Jun, 2024

  • TriDoNet：一种基于三重领域模型的 CT 金属伪影降噪网络

    本文提出了一个基于三重领域的技术、对金属成像伪影进行去除的神经网络，采用对比正则化方法，实现了对 CT 图像的优秀去噪和伪影去除效果。

    Nov, 2022

  • 双域插值扩散先验无监督 CT 金属伪影去除

    在本文中，我们基于扩散模型提出了一种无监督金属伪影减弱方法，利用预训练的扩散模型在图像和正弦图领域内迭代地利用嵌入其中的先验知识，去除由金属伪影引起的退化区域，实验证明我们的方法在综合数据集上优于现有的无监督金属伪影减弱方法，并且在临床数据集上展现出卓越的视觉效果。

    Aug, 2023

  • RetinexFlow 用于 CT 金属伪影减少

    该研究提出了一种基于 Retinex 理论和条件归一化流的图像域模型（RetinexFlow），通过联合分解和完成任务，实现金属伪影的降解，能够较好地消除伪影并提高 CT 图像质量。

    Jun, 2023

  • 释放 Transformer 在图形任务中的能力

    本研究提出了一种名为 DET 的新型 Transformer 架构，采用结构编码器聚合连接邻居的信息和语义编码器聚焦于远距离节点，通过自监督训练寻找所需的远距离邻居，比使用多跳邻居的方法更为优越。实验结果表明，DET 在处理分子、网络和各种规模的知识图谱方面比对应的最新方法具有更优越的性能表现。

    Feb, 2022

  • 基于 Transformer 的分离模态交叉注意力 3D 人体网格恢复

    本文研究了 Transformer Encoder 在 3D 人类网格重建上的应用。提出了一种名为 FastMETRO 的新型 Transformer Encoder-Decoder 结构，对输入标记的复杂性进行了解耦，并通过注意掩码和网格上采样操作引入人体形态学关系的先验知识来提高其收敛速度和准确性。在 Human3.6M 和 3DPW 数据集上，和基于图像的方法相比明显更有效。

    Jul, 2022

  • 多分辨率时空增强变压器去噪与功能扩散 GAN 构建 MCI 分析脑有效连接

    本论文提出了一种新型的多分辨率时空增强变压器去噪网络，利用一个条件扩散过程将噪声和功能磁共振成像（fMRI）转换为对轻度认知障碍（MCI）进行分析的有效连接，该模型不仅预测性能卓越，而且能够识别与临床研究一致的 MCI 相关因果连接。

    May, 2023

  • 医学物体检测中的检测变形器的应用

    本研究探讨了使用 DEtection TRansformer（DETR）检测医学成像中可疑区域的可行性，研究表明这种方法能够与甚至优于当前方法进行匹配，且无需依赖锚点或手动启发式设计等方式来检测对象。

    Jun, 2023

  • 基于端到端模型的深度学习用于双能量计算机断层扫描材料分解

    该研究论文提出了一种名为 End-to-End Material Decomposition（E2E-DEcomp）的深度学习方法，可将 CT 投影数据直接转换为材料图像，无需基于能量的图像进行训练。该方法在 AAPM 光谱 CT 数据集上展示了其与现有监督深度学习网络相比的有效性。

    Jun, 2024