Jan, 2024

基于数据驱动的 FBP 滤波器设计：通过可训练傅立叶级数改进 CT 重建

PDF
TL;DR该研究引入一种基于傅里叶级数的可训练滤波器，用于在过滤反投影 (FBP) 框架中进行计算机断层扫描 (CT) 重建。该方法通过优化傅里叶级数系数来构建滤波器，克服了传统 FBP 方法中噪声减少的限制。该方法在不同分辨率尺度下具有稳健的性能，并且与其他深度学习框架相比，对可训练参数的增量极小，保持了计算效率。此外，我们提出了高斯边缘增强 (GEE) 损失函数，该函数优先考虑高频幅度的 $L_1$ 范数，有效对抗了均方误差 (MSE) 方法中普遍存在的模糊问题。该模型基于 FBP 算法，保证了卓越的可解释性，因为它依赖于通过严格的数学程序导出的数据驱动滤波器的所有其他参数。我们的傅里叶级数滤波器设计为即插即用的解决方案，可以轻松集成到现有的 CT 重建模型中，成为广泛实际应用的多功能工具。我们的研究提出了一种强大且可伸缩的方法，扩展了 FBP 在医学和科学成像中的应用价值。
fourier series-based trainable filtercomputed tomographyfiltered backprojectiongaussian edge-enhanced loss functionct reconstruction
发现论文，激发创造
  • 基于 Defrise 和 Clack 算法的深度学习计算机断层扫描

    利用已知的运算符学习方法，以及采用一种新颖的自适应滤波过程的滤波反投影算法，这篇论文提出了一种重建特定轨道的圆锥束计算机断层成像（CBCT）的新方法。通过实验，该方法成功地从圆形轨道投影数据中学习出最佳参数并实现图像重建，提高了重建速度和减少了内存使用。

    Mar, 2024

  • 神经傅立叶滤波器组

    该文提出了一种利用神经场和傅里叶特征编码对信号进行空间和频率分解的方法，并通过多层感知机逐层累积高频部分，以形成最终输出的有效高精度重建方法，试验表明该方法在二维图像拟合、三维形状重建和神经辐射场等多个任务上效果优于现有方法，且模型更加紧凑高效。

    Dec, 2022

  • 基于物理引导的双保真傅里叶特征算子学习框架用于预测阻力和升力系数的时间演化

    通过使用有限的高保真数据集进行训练，我们提出了一种基于深度算子学习的框架，它能够在减少工作量的同时获得准确的实验和计算数据。我们的方法首先使用物理引导的 Fourier 特征深度算子网络通过广泛的数据集学习低保真解决方案的基本模式，然后通过物理引导的 Fourier 特征残差深度算子网络提高低保真网络输出，使用少量的高保真数据集进行训练，从而获得高保真解决方案。结果表明，我们提出的框架中物理引导的 Fourier 特征深度算子网络相比于基于数据驱动的方法在预测升力和阻力系数方面具有更好的预测能力。

    Nov, 2023

  • 扩展视场的多源变换计算机体层摄影分析重建：一项研究

    研究在扩展的视野下，采用两种策略实现多源平移计算机体层摄影的高质量分析重建，分别为无权 D-BPF 和全扫描 mSTCT 引入 BPF 以平衡误差。

    May, 2023

  • 多源翻译计算机断层扫描重建的 BPF 算法

    本文介绍了一种名为 mSTCT 的新的扫描模式和 backprojection-filtration 的新算法，能够有效地提高微 CT 系统的视野和高分辨率重建效率，并且在模拟和实验中验证了该算法的可行性。

    May, 2023

  • 快速的端到端可训练引导滤波器

    本文介绍了一种基于改进 FCN 的新型构建块 —— 引导滤波层，以及结合该层的像素级别图像预测框架 DGF，并在该框架上取得了比现有方法具有更快速度和更高性能的结果。

    Mar, 2018

  • 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

  • 傅里叶全息显微镜的数据驱动设计

    使用物理学基础的神经网络通过优化 LED 发光模式设计来实现超分辨成像，进而压缩原先需要的多次测量，减少时间和成本。

    Apr, 2019

  • 使用在线即插即用算法的正则化傅里叶全息成像

    本文提出一种新的在线优化算法，基于 FISTA 算法，使用只有子集的测量数据实现了可扩展的傅里叶全息显微（FPM）成像，模拟和实验数据结果表明该算法可以显著提高性能。

    Oct, 2018

  • 在频域中高效地学习算子

    本文介绍一种基于单个信号变换的频域学习模型，通过方差保持初始化方法和频率选择技术，可以简化模型设计，从而在各种动态系统的学习中获得更高的测试性能和更少的计算成本。

    Nov, 2022