双域插值扩散先验无监督 CT 金属伪影去除

Aug, 2023

双域插值扩散先验无监督 CT 金属伪影去除

Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains

Xuan Liu, Yaoqin Xie, Songhui Diao, Shan Tan, Xiaokun Liang

TL;DR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。

Abstract

During the process of computed tomography (CT), metallic implants often cause disruptive artifacts in the reconstructed images, impeding accurate diagnosis. Several supervised deep learning-based approaches have

computed tomography metal artifacts supervised deep learning unsupervised methods diffusion model

发现论文，激发创造

CT 图像金属伪影深度补全和图像先验去除

该文提出了一个通用的金属伪影减少框架，将图像域和正弦图域的优点结合，通过训练神经网络恢复受金属影响的正弦图像以及生成一个先验图像来引导正弦学习，以有效地减少金属伪影。经过对真实和模拟数据的广泛实验，该方法在保留解剖结构的同时，能够产生优越的减少金属伪影的结果，并胜过其他方法。

Sep, 2020

DuDoNet：CT 金属伪影降噪的双域网络

本研究提出了一种基于 Dual Domain Network 的方法，可以同时恢复正弦图的一致性并增强 X 射线 CT 图像品质，以达到减少金属假象的目的。该方法在单一领域的方法方面实现了显著的改进，并且是目前为止第一个用于金属假象减少的端到端的双域网络。

Jun, 2019

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

InDuDoNet：用于 CT 金属伪影去除的可解释双域网络

提出了一个新的可解释双域网络 InDuDoNet，它将模型驱动和数据驱动方法的优势结合起来。基于联合空间和 Radon 重构模型，利用近端梯度技术设计了一个迭代算法。通过将迭代步骤展开成网络模块来提高框架的可解释性，并在合成和临床数据上进行了广泛的实验，证明了我们的 InDuDoNet 在金属伪影还原和下游多类骨盆骨折分割任务上的卓越性能。

Sep, 2021

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

MARformer：一种用于牙科 CBCT 图像的高效金属伪影降噪 Transformer

我们开发了一种高效的金属伪影还原 Transformer (MARformer)，通过基于 CBCT 图像的全局相似结构，在多头自注意力机制中引入了新的降维自注意力模块 (DRSA)，以减少计算复杂性。同时，我们还提出了一种感知局部图像信息的基于块的感知前馈网络 (P2FFN)，用于进行细粒度的修复。实验结果表明，我们的 MARformer 在合成和真实金属伪影的 CBCT 图像上表现出色，且优于以往的 MAR 方法和两种修复 Transformer。

Nov, 2023

融合监督和无监督学习提升低剂量 CT 图像重构

我们提出了一种混合的监督 - 无监督学习框架，用于 X 射线计算机断层扫描（CT）图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程，通过级联多个这样的模块组成重构流水线。实验证明，与最近的低剂量 CT 重建方法相比，该框架表现出很高的性能。

Nov, 2023

计算机断层扫描的多阶段深度学习伪影抑制

计算机断层扫描（CT）中，通过一组获取到的投影图像计算出物体内部结构的图像。为了提高重建图像的质量，常常对这些获取到的投影图像进行多个去伪影步骤的处理。近年来，深度学习方法在 CT 造影图像去伪影方面显示出了很好的结果。然而，大多数现有的 CT 深度学习方法是在重建之后进行后处理的。因此，这些方法可能不能有效去除在重建域中相对难以去除的伪影。作为替代，我们提出了一种多阶段深度学习伪影去除方法，其中神经网络在几个领域中应用，类似于传统的 CT 处理流程。我们展示了这些神经网络可以有效地连续训练，从而实现易用和计算高效。对模拟和真实实验数据集的实验证明，我们的方法在减少伪影方面是有效的，并且优于基于深度学习的后处理方法。

Sep, 2023

无监督多色彩神经表示在 CT 金属伪影降低中的应用

本文提出了一种基于多色谱的神经表示方法 (Polyner)，可在人体内存在金属植入物的情况下应对 CT 成像中的金属伪影，达到与有监督方法相媲美或优于有监督方法的成果。

Jun, 2023