Mar, 2024

通过对预训练的用于高斯降噪的 UNet 进行微调，用于低剂量 CT 图像重建与图像增强的下游任务

PDF
TL;DR这篇论文提出了一种计算机断层扫描（CT）图像增强方法，采用低剂量 CT 图像重建和神经网络预训练技术，取得了与当前最先进方法相媲美的结果。
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

  • 多帧跨域图像去噪在低剂量计算机断层扫描中的应用

    该研究提出了一种使用多层螺旋 CT 扫描仪的两阶段方法，以更好地利用完整的重建管道进行 LDCT 去噪，在不同领域中实现更精确的低剂量成像。

    Apr, 2023

  • WiTUnet：一种融合 CNN 和 Transformer 的 U 形架构，用于改善特征对齐和本地信息融合

    本文介绍了一种名为 WiTUnet 的新型 LDCT 图像去噪方法，该方法利用嵌套的密集跳跃路径代替传统的跳跃连接来改进特征整合，同时在编码器和解码器中增加了局部图像感知增强 (LiPe) 模块以提高局部特征捕获和表示能力；通过广泛的实验比较，WiTUnet 在峰值信噪比 (PSNR)、结构相似度 (SSIM) 和均方根误差 (RMSE) 等关键指标上表现出优越的性能，显著提高了去噪和图像质量。

    Apr, 2024

  • 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

  • 低剂量 CT 图像去噪的扩散概率先验

    本研究提出了一种基于扩散概率模型的全无监督低剂量 CT 图像去噪方法，该方法无需训练数据集，并且能够在保持图像内容一致的同时生成高质量的正常剂量 CT 图像，评估结果显示其性能比多个监督学习方法更优。

    May, 2023

  • 基于模块化网络的利用受损图像的自监督噪声去除方法用于低剂量 CT 图像去噪

    这篇论文提出了一种新的方法，用于仅利用低剂量 CT（LDCT）数据进行 LDCT 图像去噪，而无需正常剂量 CT（NDCT）。通过将第二类型噪声添加到 LDCT 图像中，使用自监督的 noise2noise 模型和噪声即洁净策略进行训练，从而实现了提高接收场的模块化 U-Net 结构的选择。通过与最先进的深度学习方法相比，实验结果表明了所提方法的有效性。

    Aug, 2023

  • 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

  • 融合监督和无监督学习提升低剂量 CT 图像重构

    我们提出了一种混合的监督 - 无监督学习框架，用于 X 射线计算机断层扫描（CT）图像重构。该学习方法利用了稀疏或无监督学习为先验条件以及神经网络重构器来模拟迭代过程，通过级联多个这样的模块组成重构流水线。实验证明，与最近的低剂量 CT 重建方法相比，该框架表现出很高的性能。

    Nov, 2023

  • 使用残差编码器 - 解码器卷积神经网络（RED-CNN）进行低剂量 CT

    本文使用 RED-CNN 深度神经网络在模拟和临床低剂量 CT 成像中取得了竞争优势，尤其在噪声抑制、结构保护和病变检测方面表现优异。

    Feb, 2017

  • 由训练于 2D 网络的模型，基于转移学习实现的用于低剂量 CT 的三维卷积编码解码网络

    本文介绍在 GAN 框架中，基于 CPCE 网络的 2D 和 3D 构型进行低剂量 CT 去噪。通过 2D 到 3D 的迁移学习，将已训练过的 2D CNN 扩展为初始的 3D CPCE 去噪模型，提高了去噪性能和收敛速度，并在实际数据中证明了比其他方法更好的性能。

    Feb, 2018