Sep, 2023

通过合成数据上的深度端到端学习实现有限角度层析重建

PDF
TL;DR基于深度神经网络，本论文提出了一个训练于大量精心制作的合成数据上的模型，可以进行受限角度的断层投影重建，即便仅有 30° 或 40° 的正弦图像，取得了 2022 年赫尔辛基断层成像挑战赛的第一名。
computed tomographyct scannerreconstructionlimited-angle tomographydeep neural network
发现论文，激发创造
  • 限视角 CT 隐式正弦图重建

    本文提出一种基于卷积神经网络的系统，通过隐式正演补偿完全角度之外的有限角度 CT sinogram，再进行分析和迭代重建技术，最终得到优于竞争模型的三维重建结果，并提出新的重建可信度评估方法以及通过分割实验证明了该方法有效性。

    Nov, 2017

  • 基于卷积神经网络的有限角度层析成像深度学习图像预测

    本文提出了一种基于深度卷积神经网络的数据驱动学习方法，用于在限角摄影术下提取和抑制 FBP 重建的特定伪影。 实验结果的定性和定量评估表明，该方法在伪影抑制和细节恢复方面表现出稳定和有前途的性能，为从有限投影数据中重构出的图像质量的提高提供了简单和高效的途径。

    Jul, 2016

  • 利用共识平衡将数据和图像域深度学习集成于有限角度层析成像

    本文采用基于共识均衡框架的两步法，结合使用条件生成对抗网络 (cGANs) 处理数据和图像领域，解决安全领域的 90 度局部角度问题，并能应用于其他数据有限的领域，例如电子显微镜、无损评估和医学成像。

    Aug, 2019

  • 通过深度学习实现对于层析成像逆问题的几乎精确恢复

    本文旨在探讨科学机器学习中的一个基本问题，即基于深度学习的方法是否能够将无噪声的反问题精确解决。作者通过提供证据证明了这一问题。本文着重研究了一个典型的计算机断层扫描（CT）问题，并且通过迭代的端到端网络方案以及数据驱动的校准步骤，展示了该方案能够使 CT 重建达到数值精度，与基于压缩感知策略的方法相当。作者同时也在本文中展示了方法的优越表现。

    Jun, 2022

  • 使用深度强化学习进行 X 射线 CT 的序列实验设计

    采用深度强化学习方法解决了优化实验设计问题，以选择最具信息量的扫描角度，从而在 CT 中实现少角度成像。

    Jul, 2023

  • 单张图像断层摄影：2D 头颅 X 光获取 3D 图像体积

    本研究展示了基于深度学习的卷积神经网络可以重构二维 X 光成为三维体积，通过将粗略的，固定分辨率的体积与输入的 X 光融合成高分辨率的体积，以实现更加精细化的成像。同时，研究团队还创建了一个新的数据集，其中包括了将近 50 万个 175 个哺乳动物物种的计算机模拟二维 X 光成像的数据，为以前基于层析成像和数据驱动学习的方法提供了比较和验证，并应用于实际 X 光成像数据的重构和渲染。

    Oct, 2017

  • X2CT-GAN: 用生成对抗网络从二平面 X 光线重建 CT

    使用生成对抗网络（GAN）框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加，从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估，并获得较好的成果。

    May, 2019

  • SdCT-GAN：使用自主驱动生成对抗网络由双平面 X 射线重建 CT

    本文提出了一种新的自主驱动生成对抗网络模型（SdCT-GAN），通过引入鉴别器中的新型自动编码器结构，以及结合来自 2D X 射线图像的边缘信息的 Sobel 梯度引导器（SGG）思想，能够更好地保留细节并使用 LPIPS 评估度量量化评估重构图像的轮廓和纹理，实验证明了该模型相对于主流最先进基准模型的优势。

    Sep, 2023

  • 使用深度图像先验和学习重建方法的计算机断层扫描重建

    本文探究了深度学习方法在低数据条件下应用于计算机断层扫描的可能性，并提出了一种深度图像先验方法与经典规则相结合的方法，提高了低数据条件下的重建质量和数据效率。

    Mar, 2020

  • 监督式轮廓层析成像重建

    本文介绍了轮廓层析成像，一种新颖的 X 射线计算机断层扫描方法，该方法仅依赖于成像系统的几何形状。我们对轮廓层析成像进行了数学建模，并提供了一种简单的方法来获取该问题的特定解，同时假设解存在。接着，我们提出了一种使用深度神经网络解决轮廓层析成像问题的监督重建方法。我们在合成数据集上进行了实验，证明了该方法的有效性。

    Feb, 2024