Aug, 2023

学习偏径向设置下圆形 Radon 变换的端到端反演

PDF
TL;DR我们提出了一种基于深度学习的计算算法来破解局部径向设定下的圆形 Radon 变换，该变换在光声断层扫描中出现。我们首先证明了截断奇异值分解方法，这是唯一可用于解决此问题的传统算法，会导致严重的伪影从而使重建场景没有用武之地。为了克服这个计算瓶颈，我们训练了一个基于 ResBlock 的 U-Net，以直接通过测量数据恢复推断场景。在噪声全视图和有限视图数据存在的情况下，使用增强 Shepp-Logan 幻影的数值结果，证明了所提出算法的优越性。
deep learninginversionradon transformsphotoacoustic tomographyresblock
发现论文，激发创造
  • 基于深度学习的 Radon 反演

    本文提出了一种基于深度学习的逆 Radon 变换方法，可完成端到端的扫描成像重建，其网络结构包含一个可学习的全连接滤波层和一个可学习的正弦反投影层，通过 ImageNet 数据库的训练获得了较好的病患数据的重建结果。

    Aug, 2018

  • 有限角度层析成像中的数据驱动方法的鲁棒性

    基于深度神经网络的数据驱动方法相较于传统方法，能够更稳定地重建有限角度 Radon 变换中的信息。

    Mar, 2024

  • 深层 Radon 先验：用于稀疏视图 CT 重建的完全无监督框架

    我们提出了一个名为 Deep Radon Prior (DRP) 的全无监督框架，通过将神经网络作为一个隐性先验引入迭代方法中，解决了现有方法中的一些限制。该方法在逐步优化神经网络的多个阶段中，在 Radon 域中缩小了欠约束成像协议的解空间，并讨论了所提方法的收敛性。与常用的预训练方法相比，该提出的框架不需要数据集，同时具有更好的可解释性和泛化能力。实验结果表明，该方法能够生成细节图像并有效抑制图像伪影，同时与有监督方法相比，DRP 的性能相当或更好。

    Dec, 2023

  • 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

  • Radon 累积分布变换及其在图像分类中的应用

    描述了一种组合了 Radon 变换和一维累积分布变换的非线性可逆图像处理变换，并通过理论和实验结果表明其可以将某些问题在变换空间中线性可分。

    Nov, 2015

  • 使用迭代深度神经网络解决不适定的反问题

    本文提出了一种部分学习方法，用于解决具有非线性正演算子的病态反问题。该方法利用经典正则化理论和深度学习的最新进展，通过对反问题的先验信息进行编码的正演算子、噪声模型和正则化函数来进行学习，其中包含每次迭代中的数据差异和正则化器的梯度做为卷积神经网络的输入。实验表明，与 FBP 和 TV 重建相比，所提出的方法在保证速度的同时，能够在 512 x 512 体积内产生 5.4dB 的 PSNR 提升。

    Apr, 2017

  • 基于投影的 K 空间变换网络用于少样本径向 MRI 重建

    使用 Transformer 网络重排径向部分数据以更好地处理非直角 k 空间成像，进而提高 MRI 图像的重建质量

    Jun, 2022

  • 学习无形：有限角度计算机断层成像的混合深度学习 - Shearlet 框架

    本文提出一种将基于模型的稀疏正则化与数据驱动的深度学习相结合的混合重建框架，通过剪切波变换的分解，将可见和不可见分量分别处理，使神经网络只需要学习不可由基于模型方法处理的部分系数，提高了在有限角度计算机断层扫描中的重建性能。

    Nov, 2018

  • 逆问题的深度分解学习

    本文提出一种通过 Range-Nullspace 分解的深度学习框架，为解决逆成像问题提供了一种新的范式。通过对数据空间进行分解，模型获得了更多的物理信息，可以有效提高神经网络的学习性能和实际表现。实验结果表明，该框架在压缩感知医学成像和自然图像超分辨率等任务中均具有优异的性能表现。

    Nov, 2019

  • 利用扩散模型学习加速螺旋 MRI 的领域特定逆 NUFFT

    利用生成扩散模型的重建算法结合条件训练和基于频率的引导实现了高质量的超快速扫描下的重建图像，进而识别出一组优化的变密度螺旋轨迹，与非均匀快速傅里叶变换相比，图像质量大幅提高，这些方法可实现实时三维成像所需的极高加速因子。

    Apr, 2024