Feb, 2024

多模型推理的导向专家混合去噪 OCT 图像

PDF
TL;DR本研究引入了一种新型降噪算法，Block-Matching Steered-Mixture of Experts with Multi-Model Inference and Autoencoder (BM-SMoE-AE)，通过将 SMoE 算法的分块匹配实现与增强型自编码器架构相结合，实现了高效的斑点噪声降噪并保留了关键图像细节。与现有的降噪技术相比，BM-SMoE-AE 算法在维持图像完整性和提高医学诊断的 OCT 图像可用性方面表现出卓越的性能。
optical coherence tomographyspeckle noisedenoising algorithmblock-matching steered-mixture of expertsautoencoder
发现论文，激发创造
  • 利用片对片配准和重建的自监督 OCT 图像降噪

    通过综合切片训练和注册模块的自监督学习框架进行的实验研究，旨在改善光学相干断层扫描成像中存在的强散斑噪声，从而提高定量分析的性能。

    Nov, 2023

  • 面向域感知少样本学习的光学相干断层扫描噪声降低

    本文提出了一种针对光学相干断层扫描（OCT）噪声降低的 few-shot 监督学习框架，该框架在训练速度和培训内容方面都有巨大的提高，此外，我们还为 OCT 不同成像系统的域偏移问题提出了可能的解决方法。

    Jun, 2023

  • 利用带有跳跃连接的去噪自编码器进行超声图像中的斑点噪声降低

    通过对七种不同的减噪方法进行比较，本文提出了一种使用深度学习方法的自动编码器来降噪超声图像的方法，并将其与传统的图像增强方法进行了对比，结果发现该方法更为有效。

    Mar, 2024

  • MoCaE: 混合校准专家显著改进目标检测

    通过将不同目标检测器合理结合，在不同任务上证明了 MoCaE 方法的有效性，并在 COCO、LVIS 和 DOTA 数据集上取得了显著的结果提升。

    Sep, 2023

  • 使用卷积去噪自编码器进行医学图像去噪

    本文介绍一种使用卷积层构建的去噪自编码器进行医学图像去噪的方法，通过少量样本的训练，可以高效地去除医学图像噪声。同时，本文提出了将异构图像进行合并来提高训练样本的可行性，并成功地实现了最简单的网络重构高噪声医学图像的效果。

    Aug, 2016

  • LoMAE：低剂量 CT 去噪的低层次视觉遮蔽自编码器

    通过引入一种名为 LoMAE 的低水平视觉 MAE 模型，本研究展示了一种提高 transformer 去噪性能的方法，极大地减少了对干净数据的依赖，并在不同噪声水平下展现了显著的鲁棒性和普适性。

    Oct, 2023

  • 遮盖图像建模以理解视网膜 OCT

    本研究探讨了使用遮罩图像建模来学习视网膜 OCT 图像的表示的有效性。我们利用遮罩自编码器（MAE）这一简单且可扩展的自监督学习方法，在真实世界的临床环境中使用来自 41K 患者的 700K OCT 图像进行训练，得出了有力且通用的 OCT 图像表示。我们还对 OCT 模型进行了首次广泛评估，通过六个具有挑战性的下游任务，完全微调后的模型表现出了良好的性能，并可以作为轻量级适配器的多功能冻结特征提取器。此外，我们提出了一种扩展的 MAE 预训练方法，将 OCT 与辅助模态 —— 即红外眼底图像相结合，并为两者学习一个联合模型。我们通过多模态下游应用的实验证明了我们的方法提高了性能。我们的实验利用了大多数公开可用的 OCT 数据集，从而为未来的比较工作提供了可能。我们的代码和模型权重公开可用于此 https URL。

    May, 2024

  • 多维图像去噪方法的全面比较

    本研究比较了超过 60 种图像去噪方法，其中 BM3D 方法在各种去噪任务中展现出了有效性和高效性，同时发现多种 DNN 模型能够在对抗真实数据的去噪任务中展现出最优的性能。该研究还引入了一个新的彩色图像和视频数据集用于基准测试。

    Nov, 2020

  • Sub2Full: 利用分散光谱提高 OCT 去斑点技术，无需干净数据

    提出了一种名为 Sub2Full (S2F) 的创新自监督策略用于光学相干断层扫描 (OCT) 去噪，无需干净数据，该方法在视觉光 OCT 视网膜图像上验证并展示了优于常规的 Noise2Noise 和 Noise2Void 方案的性能。

    Jan, 2024

  • 动态专家混合：高效 Transformer 模型的自动调优方法

    通过引入动态的专家混合技术（DynMoE），我们的方法在视觉、语言和视觉 - 语言任务中取得了竞争性能，同时通过激活更少的参数来保持效率。

    May, 2024