TriDo-Former:三域 Transformer 直接重建低剂量正电子发射断层成像
提出了一种新的 Siamese Dual-Resolution Transformer (SDR-Former) 框架,特别针对不同相数的 3D 多相 CT 和 MR 成像中的肝脏病变分类,利用流体动力学 Siamese Neural Network (SNN) 处理多相成像输入,通过混合的 Dual-Resolution Transformer (DR-Former) 子架构以及新颖的 Adaptive Phase Selection Module (APSM) 实现特征提取和相特定的相互通信,从而提高了病变分类的准确性。
Feb, 2024
采用扩散转换器模型(DTM)和联合紧致先验(JCP)指导的方法,该研究提出了一种改进低剂量 PET 成像的重建质量的方法,它结合了扩散模型的强大分布映射能力和变压器模型捕捉远程相关性的能力,实验证明 DTM 在提高图像质量和保留临床信息方面的有效性。
Jul, 2024
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
SegFormer3D 是一种记忆高效的分层 Transformer,在 3D 医学图像分割中拥有比当前最先进模型更少的参数和更低的 GFLOPS,并在 Synapse、BRaTs 和 ACDC 等广泛使用的数据集上取得竞争性结果。
Apr, 2024
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
我们提出了一种名为 SGDFormer 的单阶段变压器架构,用于交叉光谱立体图像引导去噪,该架构将立体图像的对应建模和特征融合集成到一个统一的网络中,以恢复没有伪影和良好细节结构的图像,并在各种数据集上取得了最先进的性能。
Mar, 2024
本研究提出了一种基于 3D 变换器的双域网络(TIP-Net),用于高质量的 3D 心脏 SPECT 图像重建,该方法使用深度学习方法直接从投影数据中重建 3D 心脏 SPECT 图像,然后通过图像域重建网络进一步改进重建结果。经由心脏导管术图像、核心科技医师的诊断解读和 FDA 510 (k) 认证的临床软件量化的缺陷大小的验证,与基线方法相比,我们的方法在人体研究中产生了具有更高心脏缺陷对比度的图像,从而在使用固定少角度的专用心脏 SPECT 扫描仪上实现了高质量的缺陷可视化。
Jul, 2023
本文提出了一种基于分类引导生成对抗网络和超分辨率细化的方法来提高正电子发射断层扫描成像的质量。通过对低剂量数据的噪声水平特征的更全面理解,改进了图像合成,并在各种剂量减少因素下优于现有的方法。
Apr, 2023
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
本文提出了一种名为 SGFormer 的球面几何转换器,旨在解决 360 深度估计中的全景畸变问题,并通过将球面几何先验引入视觉转换器来增强其性能。在实验中,我们对流行的基准数据集进行了广泛的测试,证明了我们方法优于现有最先进的解决方案。
Apr, 2024