Feb, 2024

通过机器学习辅助方法提高 X 射线微 CT 系统的能力

PDF
TL;DR通过使用基于卷积神经网络（CNN）的深度学习模型，本文介绍了一种受到 UNet 启发的架构，其中包括一系列的编码器、解码器单元以及跳跃连接，用于去除 X 射线微 CT 图像中的环形伪影。结果表明，与传统的基于滤波器的非机器学习技术相比，所提出的架构在消除环形伪影方面取得了更好的效果。
ring artifactsx-ray micro-ct imagesquantitative analysisconvolution neural networkdeep learning
发现论文，激发创造
  • X 光 CT 环形伪影去除的双域正则化方法

    提出了一种双域正则化模型来有效地消除计算机断层扫描图像中的环形伪影，并保持原始 CT 图像的完整性。该方法通过创新地更新探测器单元的响应不一致性补偿系数，以解决正弦图中的垂直条纹伪影，通过对条纹伪影应用组稀疏约束和投影视图方向稀疏约束。同时，对重建图像施加稀疏约束，进一步纠正图像域中的环形伪影。实验证明，该方法不仅在消除环形伪影方面超越了现有方法，而且在保持结构细节和图像保真度方面也表现出色。

    Mar, 2024

  • 计算机断层扫描的多阶段深度学习伪影抑制

    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

  • 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

  • 基于 U-Net 架构的粉末 X 射线衍射图像分割

    通过使用深度学习卷积神经网络架构（如可调整的 U-Net），我们提出了一种在实验 XRD 图像中识别伪迹的方法，结果表明 U-Net 在测试数据集上能够一致地产生 92.4% 的召回率，与传统方法相比平均错误率降低了 34%，同时减少了 50% 以上的识别和排除伪迹的时间，进一步分析了后处理 XRD 数据的集成 1D XRD 图案。

    Oct, 2023

  • 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

  • μ-Net: μ-CT 分割的基于深度学习的架构

    我们提出了一个使用卷积神经网络对鲫鱼心脏进行自动分割的新框架，该框架可以推断出样本的三维分割，从而避免了三维卷积神经网络的高计算成本，并且可以显著减少新样本分割所需的时间，实现对高分辨率鲫鱼心脏形状的快速微增强分析。

    Jun, 2024

  • 基于深度学习与可解释人工智能的脑部 MR 图像动态伪影自动检测

    MRI 数据获取中的质量评估是确保数据质量和下游分析或解释成功的关键步骤。本研究演示了一种深度学习模型，用于检测 T1 加权脑图像中的刚体运动。该模型是 ArtifactID 工具的一部分，旨在在线自动检测 Gibbs 环绕、穿越和运动伪影。该工具自动化了耗时的质量评估过程，并增强了现场的专业知识，尤其适用于本地磁共振知识匮乏的资源匮乏环境。

    Feb, 2024

  • 基于神经表示的方法用于牙科 CBCT 影像中金属引起的伪影降低

    本研究提出了一种新颖的牙科锥形束计算机断层扫描重建方法，旨在有效减少常见金属植入物引起的伪影。通过使用隐式神经网络生成两张不同的信息性层面的断层图像，一张图像代表特定能量水平上的单色衰减分布，而另一张图像则捕捉了由多色 X 射线束的非线性光束硬化因素引起的影响。与现有的计算机断层扫描重建方法相比，该方法仅依赖于比尔 - 朗伯定律，在背投影过程中有效地防止了金属引起的伪影的产生。广泛的实验评估表明，该方法有效地减少了金属伪影同时提供了高质量的图像重建结果，凸显了第二张图像在捕捉非线性光束硬化因素方面的重要性。

    Jul, 2023

  • 通过合成数据上的深度端到端学习实现有限角度层析重建

    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

  • CT 图像金属伪影深度补全和图像先验去除

    该文提出了一个通用的金属伪影减少框架，将图像域和正弦图域的优点结合，通过训练神经网络恢复受金属影响的正弦图像以及生成一个先验图像来引导正弦学习，以有效地减少金属伪影。经过对真实和模拟数据的广泛实验，该方法在保留解剖结构的同时，能够产生优越的减少金属伪影的结果，并胜过其他方法。

    Sep, 2020