Aug, 2023

基于模块化网络的利用受损图像的自监督噪声去除方法用于低剂量 CT 图像去噪

PDF
TL;DR这篇论文提出了一种新的方法，用于仅利用低剂量 CT（LDCT）数据进行 LDCT 图像去噪，而无需正常剂量 CT（NDCT）。通过将第二类型噪声添加到 LDCT 图像中，使用自监督的 noise2noise 模型和噪声即洁净策略进行训练，从而实现了提高接收场的模块化 U-Net 结构的选择。通过与最先进的深度学习方法相比，实验结果表明了所提方法的有效性。
deep learninglow-dose computed tomographyldct image denoisingself-supervised noise2noise modelnoisy-as-clean strategy
发现论文，激发创造
  • 低剂量计算机断层扫描重建的旋转增益噪声 2 反问题

    本研究提出一种新颖的自监督方法，用于低剂量计算机断层扫描（LDCT）重构，结果表明该方法在降低剂量的情况下能够在 CT 图像质量方面取得更好的效果。

    Dec, 2023

  • 通过对预训练的用于高斯降噪的 UNet 进行微调，用于低剂量 CT 图像重建与图像增强的下游任务

    这篇论文提出了一种计算机断层扫描（CT）图像增强方法，采用低剂量 CT 图像重建和神经网络预训练技术，取得了与当前最先进方法相媲美的结果。

    Mar, 2024

  • Noise2Inverse：用于断层 tomography 的自监督深度卷积去噪

    利用深度卷积神经网络（CNN）开发了一种图像去噪方法：Noise2Inverse，可以应用于线性图像重建算法，无需任何额外的干净或噪声数据，通过利用噪声模型计算多个统计独立的重建来实现训练，该方法在模拟 CT 数据集和现实实验数据集中均显示出优于现有状态下的图像去噪方法和传统重建方法，能够显著降低噪声。

    Jan, 2020

  • WIA-LD2ND：基于小波的自监督低剂量 CT 图像对齐去噪

    提出了一种仅使用 NDCT 数据的自我监督 CT 图像去噪方法 WIA-LD2ND，通过采用波尔兹曼图像对齐和频域感知多尺度损失来解决低剂量计算机断层扫描（LDCT）图像去噪问题。在两个公开的 LDCT 去噪数据集上的广泛实验表明，WIA-LD2ND 优于现有的几种最先进的弱监督和自监督方法。

    Mar, 2024

  • 从受损图像学习自监督去噪技术：噪声即干净

    本文提出了一种用于培训自我监督去噪网络的新策略，即 “Noisy-As-Clean”(NAC) 策略，该策略可绕过训练和测试图像之间存在的领域差距问题，并展示了该策略能够达到比原始网络更好的去噪性能。

    Jun, 2019

  • 面向结构的多尺度深度神经网络用于低剂量 CT 去噪

    本文提出了一种新的低剂量 CT 图像质量改善方法 —— 结构敏感多尺度生成对抗网络（SMGAN），通过加入三维体积信息和采用不同损失函数来训练去噪模型，能够有效保留正常剂量 CT 图像的结构和纹理信息，同时显著抑制噪声和伪影，且优于其他已有方法。

    May, 2018

  • 高质量自监督深度图像去噪

    利用一种新颖的训练方法，基于有噪声图像的非组织集合来培训高质量的图像去噪模型，通过采用具有感受野盲区的网络来消除对参考数据的需要，提高了图像质量和训练效率，最终结果质量与最先进的神经网络去噪器相当。

    Jan, 2019

  • Self2Self+: 自监督学习与图像质量评估损失的单图像降噪

    利用单一图像进行自监督学习的提出方法利用门控卷积进行特征提取及无参考图像质量评估引导训练过程，采用伯努利采样从输入图像数据集中选择样本进行训练，并通过平均来自训练网络具有中断的各个实例的生成预测来产生相应结果，实验结果表明所提出的方法在合成和真实世界数据集上实现了最先进的去噪性能，突显了该方法作为各种噪声去除任务的有效性和实用性。

    Jul, 2023

  • 多帧跨域图像去噪在低剂量计算机断层扫描中的应用

    该研究提出了一种使用多层螺旋 CT 扫描仪的两阶段方法，以更好地利用完整的重建管道进行 LDCT 去噪，在不同领域中实现更精确的低剂量成像。

    Apr, 2023

  • 使用离散余弦变换的深度卷积神经网络进行失真鲁棒图像分类

    本文提出一种基于离散余弦变换的 DCT-Net 模块，可用于改善卷积神经网络 (CNN) 在面对包括高噪音、模糊等多种苟且不净的图像质量下的分类表现。通过丢弃高频信息，DCT-Net 能够在训练和测试过程中自适应地适应各种扭曲情况，仅需盲目一次训练即可用于未知的图像失真情况，结果表明 DCT-Net 在 CIFAR-10/100 和 ImageNet 测试数据集上具有更好的分类准确性。

    Nov, 2018