Nov, 2023

融合监督和无监督学习提升低剂量 CT 图像重构

PDF
TL;DR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。
model-based image reconstructiondeep learninghybrid supervised-unsupervised learningx-ray computed tomographylow-dose ct reconstruction
发现论文，激发创造
  • SUPER Learning: 一种用于低剂量 CT 图像重建的监督 / 无监督框架

    本文介绍了一个新的低剂量 X 射线 CT 成像重建方法 SUPER，该方法结合了深度学习的监督学习方法和基于 PWLS-ULTRA 的非监督转换学习方法，取得了比传统的监督、非监督方法更好的重建效果，并在迭代重建模块中使用更少的迭代次数。

    Oct, 2019

  • 无监督自适应隐式神经表示学习用于特定扫描的 MRI 重建

    我们提出了一种无监督的自适应粗到细框架，通过学习从多维坐标到相应信号强度的映射，有效调整监督信号的比例，从而改善过拟合问题并提高 MRI 重建的整体质量。

    Dec, 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

  • 通过对预训练的用于高斯降噪的 UNet 进行微调，用于低剂量 CT 图像重建与图像增强的下游任务

    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

  • 图像重建：从稀疏性到数据自适应方法和机器学习

    本文介绍了医学图像重建方法中的四种类型，并聚焦于近期发展起来的基于稀疏性或低秩模型、以及基于机器学习技术的数据驱动方法。

    Apr, 2019

  • 基于协作模型的 MRI 重建网络

    通过深度学习和模型驱动网络，使用注意力模块和修正模块来实现磁共振图像重建，并在多个序列上取得显著改善的结果，同时减少了计算复杂度。

    Feb, 2024

  • 鲁棒联合稀疏视图 CT 重建的隐式神经表示

    通过联合表示以及贝叶斯框架，改进了计算机断层扫描（Computed Tomography）重建质量，实验表明明显提高了重建方法。

    May, 2024

  • CT 超分辨率 GAN，由相同、残差和循环学习组合限制（GAN-CIRCLE）

    本研究提出一种半监督深度学习方法，利用生成式对抗网络等技术实现从低分辨率 CT 图像到高分辨率 CT 图像的精确恢复，并在三个大规模 CT 数据集上进行了有效的定量和定性评价。

    Aug, 2018

  • 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

  • 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