Nov, 2023

面向特征的肺部锥束 CT（CBCT）增强多任务定制感知损失的深度学习框架

PDF
TL;DR通过多任务深度学习模型，以特征为导向的深度学习框架提供了一种新的方法，用于将低质量的锥形束计算机断层成像（CBCT）图像转换成高质量的类似于 CT 的成像，从而在压制伪影的同时保留了解剖细节。
cone-beam computed tomographycbct enhancementdeep learninganatomical details preservationfeature-oriented deep learning framework
发现论文，激发创造
  • 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

  • 多通道循环生成对抗网络在 CBCT 到 CT 的合成中的应用

    用于改善图像质量并实现精确剂量计算的图像合成技术，通过多通道输入强调特定图像特征，有效应对 CBCT 成像中的挑战，并引入辅助融合网络以进一步提高生成 sCT 图像的保真度。

    Dec, 2023

  • 深度学习中的 3D 和 4D 锥束计算机断层扫描图像中的伪影抑制 — 评述

    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

  • ToothSegNet: CBCT 图像中图像退化与牙齿分割的相遇

    本研究提出了一种新的 ToothSegNet 框架，通过训练中使用生成的降质图像来提高 CBCT 图像的牙齿分割精度，该方法在计算机辅助正畸和医学治疗中有广泛应用。

    Jul, 2023

  • 基于能量引导的扩散模型用于 CBCT 合成 CT

    通过能量引导扩散模型（EGDiff），从 Cone Beam CT（CBCT）中生成合成 CT（sCT），在准确提供放射治疗、改善 CBCT 图像质量和 Hounsfield Unit（HU）准确性的同时，保留解剖结构，实验结果表明该方法在准确性和视觉质量上优于现有的非监督合成方法，产生了出色的 sCT 图像。

    Aug, 2023

  • 基于双视角拓扑图的解剖学导向 CT 重建方法用于前瞻性风险缩减

    基于生成对抗网络（GAN）的优化 CT 重建模型能够重建 CT 体积，增强解剖结构并进行器官分割，从而提供了前瞻性估计 CT 有效剂量和风险最小化的过程。

    Jan, 2024

  • 医学图像标准化和增强的潜在扩散模型

    使用 DiffusionCT 模型，通过对不同患者的潜在属性进行转换，实现了 CT 影像的标准化，提供了更一致的基础用于下游分析，并进一步减少了 SPAD 影像中的噪声。

    Oct, 2023

  • 多任务学习以改善使用图像重建的 CBCT 扫描的语义分割

    通过多任务学习改进 CBCT 的自动分割，探索了基于整体和基于块状的方法，发现多任务学习在大多数情况下改善了分割效果，并且我们的去噪方法进一步提高了这些结果。

    Dec, 2023

  • 使用卷积神经网络提高稀疏视图肺癌 CT 图像的图像质量

    通过使用 U-Net 来改善稀疏视图计算机断层扫描图像的质量以进行肺癌检测，并确定视图数量、图像质量和诊断信心之间的最佳平衡。

    Jul, 2023

  • 基于在线样本过滤和混合损失残差学习的 3D ConvNets 自动肺结节检测

    本文提出了一种基于 3D 卷积神经网络的新型框架，用于自动检测低剂量 CT 扫描中的肺结节，旨在解决医学数据集中严重的艰难 / 易样本不平衡问题，并探索局部注释对学习的利益，从而提高性能，实现更准确的检测。我们的框架包括两个阶段：一是候选筛选，二是假阳性降低。在公共大规模 LUNA16 数据集上进行的实验结果表明，我们提出的方法与最先进的肺结节检测方法相比具有卓越的性能。

    Aug, 2017