Feb, 2024

低剂量 CT 图像恢复的对抗鲁棒性评估

PDF
TL;DR评估不同深度学习方法和经典方法在 CT 图像恢复中的鲁棒性，发现深度网络更容易受到未定向攻击的影响，数据一致性不受重建质量影响，需要更好的正则化方法。同时，深度网络和经典方法都容易受到对局部病变产生可见变化的攻击的影响，这些攻击可以用于探索 CT 恢复问题的解空间。
发现论文，激发创造
  • 使用深度学习进行低剂量 CT 图像增强

    通过使用 U-NET 模型，可以成功地改进低剂量 CT 图像的质量，提供了比其全剂量版本更好的诊断图像。

    Oct, 2023

  • 基于深度学习的压缩感知鲁棒性评估

    对比深度神经网络和传统的稀疏方法，本文分析了图像重建的鲁棒性，并发现深度神经网络方法比传统方法在保持稳健性的前提下，提供更高的重建质量。

    Feb, 2021

  • 使用定向小波的深度卷积神经网络进行低剂量 X 射线 CT 重建

    为了应对 X-ray CT 低剂量扫描中复杂噪声的问题，提出了一种基于方向小波变换和深度卷积网络的去噪算法，实验结果证实该算法能够有效去除噪声并在 CT 重建中取得良好效果。

    Oct, 2016

  • 评估对噪声的稳健性：低成本头部 CT 分流

    通过使用卷积神经网络自动分类医学图像，我们研究了在使用低成本扫描仪时，训练 CNN 模型的性能如何。我们发现，我们的模型对于更低的 X 射线管电流和更少的图片被拍摄的角度的图片都有很好的分类效果。然而，在使用受限扫描器获得的显着劣化的图像方面，我们发现训练特定于这种图像的模型可以克服技术限制并保持接近于原始模型的性能。

    Mar, 2020

  • 基于 GAN 与局部一致性的低剂量 CT 重建解决方案

    通过使用改进的生成对抗网络（GANs）和局部一致性技术，该研究提出了一种新的低剂量 CT 重建方法，能够在以往的技术基础上显著提高图像构建的准确度和稳定性。

    Sep, 2023

  • 通过深度学习实现对于层析成像逆问题的几乎精确恢复

    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

  • 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

  • 基于模拟观察函数的损失函数提升学习型 CT 重建中的信号检测能力

    通过引入受模型观察者框架启发的新型训练损失函数，我们改善了重建合成稀疏视野乳腺 CT 数据中弱信号的可检测性。

    Feb, 2024

  • 具有上下文感知的生成对抗网络医学图像合成

    本文提出了一种数据驱动的全卷积神经网络，利用对抗训练和图像梯度差异损失函数来更好地建模 MRI 到 CT 的非线性关系，进而生成与之对应的 CT 图像，实验证明其准确性和稳健性，并且表现优于已有的三种方法。

    Dec, 2016

  • 利用深度卷积框架形成 U-Net：应用于稀疏视角 CT

    本文旨在揭示 U-Net 的局限性并提出新的多分辨率深度学习方案，具体而言，我们通过实验表明，新的网络架构可以提供更好的重建性能，并且我们探讨了 U-Net 替代方案，如双框架和紧框架 U-Net 满足所谓的框条件，使其更好地实现高频边缘的有效恢复。

    Aug, 2017