XProspeCT: 从成对 X 射线生成 CT 体积
本文提出了一种名为 XTransCT 的新型 Transformer 架构,可从二维 X 光图像中实时重建 CT 图像,该方法在图像质量、结构可靠性和普适性方面优于其他方法,并且可以在重建 3D 图像的同时实现约 300%的速度提高。
May, 2023
通过使用先前数据分布,我们提出了一种方法,从少量(<5)平面 X 射线观察中生成 CT 体积,并首次评估了该重建算法用于临床应用:放疗计划。
Aug, 2023
使用生成对抗网络(GAN)框架从两个正交 X 射线重构 CT。所提出的特殊设计的生成器网络通过提供从 2D 到 3D 的数据维度增加,从而提高了医学成像技术。该方法不需要完整的旋转扫描并可以在低成本的 X 射线机上实现。在公开的胸部 CT 数据集上进行了广泛的实验评估,并获得较好的成果。
May, 2019
本研究展示了基于深度学习的卷积神经网络可以重构二维 X 光成为三维体积,通过将粗略的,固定分辨率的体积与输入的 X 光融合成高分辨率的体积,以实现更加精细化的成像。同时,研究团队还创建了一个新的数据集,其中包括了将近 50 万个 175 个哺乳动物物种的计算机模拟二维 X 光成像的数据,为以前基于层析成像和数据驱动学习的方法提供了比较和验证,并应用于实际 X 光成像数据的重构和渲染。
Oct, 2017
本文介绍了一种基于变压器架构的新方法,该方法可在仅有的双平面 X 射线的情况下重建计算机断层扫描(CT)图像,进而实现对器官进行大体测量,具有很高的实用价值。该方法可作为一种新型检测手段,并提供了一个基于 GitHub 的公开代码库,以鼓励更深入的研究。
May, 2023
该文介绍了一种基于 CT 投影算法的 X 光图像合成方法,可以在无须地面真值骨标记的情况下从真实的放射性照片中综合出新的视图。
Dec, 2020
本文提出了一种新的自主驱动生成对抗网络模型(SdCT-GAN),通过引入鉴别器中的新型自动编码器结构,以及结合来自 2D X 射线图像的边缘信息的 Sobel 梯度引导器(SGG)思想,能够更好地保留细节并使用 LPIPS 评估度量量化评估重构图像的轮廓和纹理,实验证明了该模型相对于主流最先进基准模型的优势。
Sep, 2023
利用生成的辐射场,本文提出了基于不确定性感知的 MedNeRF 神经网络,通过从 2D X 射线图像中获取内部结构和深度信息,并使用自适应损失权重来学习 CT 投影的连续表达,以确保生成图像的质量。在公开可用的膝盖和胸部数据集上训练,以及利用单个 X 射线进行 CT 投影渲染,并与其他基于生成的辐射场的方法进行比较。
Nov, 2023
本文提出了一种名为 XctDiff 的算法框架,用于从单个放射照片中重建 CT,该算法将重建过程分解为两个易于控制的任务:特征提取和 CT 重建。实验结果表明,我们提出的方法在重建性能方面达到了最先进水平,并克服了模糊问题。此外,我们还将 XctDiff 应用于自监督预训练任务,其有效性表明它在医学图像分析方面具有很大的应用潜力。
Jun, 2024