使用深度学习进行低剂量 CT 图像增强
为了应对 X-ray CT 低剂量扫描中复杂噪声的问题,提出了一种基于方向小波变换和深度卷积网络的去噪算法,实验结果证实该算法能够有效去除噪声并在 CT 重建中取得良好效果。
Oct, 2016
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
评估不同深度学习方法和经典方法在 CT 图像恢复中的鲁棒性,发现深度网络更容易受到未定向攻击的影响,数据一致性不受重建质量影响,需要更好的正则化方法。同时,深度网络和经典方法都容易受到对局部病变产生可见变化的攻击的影响,这些攻击可以用于探索 CT 恢复问题的解空间。
Feb, 2024
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
本文使用 RED-CNN 深度神经网络在模拟和临床低剂量 CT 成像中取得了竞争优势,尤其在噪声抑制、结构保护和病变检测方面表现优异。
Feb, 2017
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
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
使用基于深度学习的方法改善锥束计算机断层摄影(CBCT)图像质量的研究中,通过综述各类 CBCT 图像的伪影问题的成功和不足,重点放在伪影类型而非神经网络结构上,以综合评估各类伪影的数据生成、模拟流程和伪影降低技术,并概述了在 3D 和 4D CBCT 中通过投影域和 / 或体域优化以及将神经网络直接引入 CBCT 重建算法而成功降低伪影的深度学习技术,同时指出研究的空白为未来的探索提供了方向,发现使用了生成模型包括 GANs 和基于分数或扩散模型,并呼吁拥有更多多样化和开放的训练数据集和模拟数据。
Mar, 2024
通过使用卷积神经网络自动分类医学图像,我们研究了在使用低成本扫描仪时,训练 CNN 模型的性能如何。我们发现,我们的模型对于更低的 X 射线管电流和更少的图片被拍摄的角度的图片都有很好的分类效果。然而,在使用受限扫描器获得的显着劣化的图像方面,我们发现训练特定于这种图像的模型可以克服技术限制并保持接近于原始模型的性能。
Mar, 2020
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