Mar, 2024

低剂量CT噪声降低与语言双空间对齐

HTML
PDF
TL;DR提出了一种基于大型语言模型的方案以减轻常见的CT图像低剂量去噪方法中的模糊、模糊和可解释性问题。该方案包括两个步骤：首先是对CT图像进行编码并将其量化为语义标记，然后通过最小化高级特征和量化标记之间的差异来优化去噪模型。实验证明该方案在定量指标和定性评估方面都能提高现有的去噪模型，并且通过语言级别的图像理解提供解释性。
发现论文，激发创造
  • 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

  • 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

  • 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去噪中配对和非配对图像质量评估的比较研究

    本文系统地分析了15种匹配和不匹配的图像质量评估分数，以研究它们之间及其内部的相关性，旨在为深度学习低剂量CT降噪的应用提供有用的指导。

    Apr, 2023

  • 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

  • ASCON：一种用于低剂量CT去噪的解剖感知监督对比学习框架

    本文提出了一种新颖的解剖感知监督对比学习框架，名为ASCON，它在低剂量CT去噪中探索解剖语义并提供解剖学可解释性，该框架由两个新设计组成：高效的自注意力U-Net（ESAU-Net）和多尺度解剖对比网络（MAC-Net）。实验结果表明ASCON在两个公共低剂量CT去噪数据集上具有优越的性能，第一次为低剂量CT去噪提供解剖学可解释性。

    Jul, 2023

  • 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

  • WIA-LD2ND：基于小波的自监督低剂量CT图像对齐去噪

    提出了一种仅使用NDCT数据的自我监督CT图像去噪方法WIA-LD2ND，通过采用波尔兹曼图像对齐和频域感知多尺度损失来解决低剂量计算机断层扫描（LDCT）图像去噪问题。在两个公开的LDCT去噪数据集上的广泛实验表明，WIA-LD2ND优于现有的几种最先进的弱监督和自监督方法。

    Mar, 2024

  • 基于模拟和实验低剂量CT数据的学习去噪

    本研究解决了计算成像中特定的噪声减少挑战，重点关注机器学习方法在CT成像去噪中的应用。通过首次比较基于模拟噪声数据和实际实验噪声数据训练的CNN算法的性能，发现尽管模拟数据在某些指标上表现优越，但在重建领域实验数据的训练效果更佳。这一发现强调了高质量CT重建与原始测量数据匹配的重要性，并提出了改进噪声模拟方法的必要性，以更好地应用于实际CT图像去噪。

    Aug, 2024

  • 低剂量CT去噪的融合状态空间模型DenoMamba

    本研究旨在解决低剂量CT（LDCT）图像中因剂量减少而引起的噪声与组织信号的分离问题。提出的DenoMamba方法基于状态空间建模，有效捕捉短程和长程的上下文特征，以提高去噪质量。实验证明，DenoMamba在低剂量CT图像恢复中显著优于现有的去噪技术，提升了图像的恢复质量。

    Sep, 2024