低剂量计算机断层扫描重建的旋转增益噪声 2 反问题
利用深度卷积神经网络(CNN)开发了一种图像去噪方法:Noise2Inverse,可以应用于线性图像重建算法,无需任何额外的干净或噪声数据,通过利用噪声模型计算多个统计独立的重建来实现训练,该方法在模拟 CT 数据集和现实实验数据集中均显示出优于现有状态下的图像去噪方法和传统重建方法,能够显著降低噪声。
Jan, 2020
这篇论文提出了一种新的方法,用于仅利用低剂量 CT(LDCT)数据进行 LDCT 图像去噪,而无需正常剂量 CT(NDCT)。通过将第二类型噪声添加到 LDCT 图像中,使用自监督的 noise2noise 模型和噪声即洁净策略进行训练,从而实现了提高接收场的模块化 U-Net 结构的选择。通过与最先进的深度学习方法相比,实验结果表明了所提方法的有效性。
Aug, 2023
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
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
提出了一种仅使用 NDCT 数据的自我监督 CT 图像去噪方法 WIA-LD2ND,通过采用波尔兹曼图像对齐和频域感知多尺度损失来解决低剂量计算机断层扫描(LDCT)图像去噪问题。在两个公开的 LDCT 去噪数据集上的广泛实验表明,WIA-LD2ND 优于现有的几种最先进的弱监督和自监督方法。
Mar, 2024
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
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
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。
Sep, 2023
我们提出了一种基于深度学习的计算算法来破解局部径向设定下的圆形 Radon 变换,该变换在光声断层扫描中出现。我们首先证明了截断奇异值分解方法,这是唯一可用于解决此问题的传统算法,会导致严重的伪影从而使重建场景没有用武之地。为了克服这个计算瓶颈,我们训练了一个基于 ResBlock 的 U-Net,以直接通过测量数据恢复推断场景。在噪声全视图和有限视图数据存在的情况下,使用增强 Shepp-Logan 幻影的数值结果,证明了所提出算法的优越性。
Aug, 2023