Mar, 2024

X 光 CT 环形伪影去除的双域正则化方法

PDF
TL;DR提出了一种双域正则化模型来有效地消除计算机断层扫描图像中的环形伪影，并保持原始 CT 图像的完整性。该方法通过创新地更新探测器单元的响应不一致性补偿系数，以解决正弦图中的垂直条纹伪影，通过对条纹伪影应用组稀疏约束和投影视图方向稀疏约束。同时，对重建图像施加稀疏约束，进一步纠正图像域中的环形伪影。实验证明，该方法不仅在消除环形伪影方面超越了现有方法，而且在保持结构细节和图像保真度方面也表现出色。
ring artifactscomputed tomographyct imageregularization modeldetector units
发现论文，激发创造
  • 通过机器学习辅助方法提高 X 射线微 CT 系统的能力

    通过使用基于卷积神经网络（CNN）的深度学习模型，本文介绍了一种受到 UNet 启发的架构，其中包括一系列的编码器、解码器单元以及跳跃连接，用于去除 X 射线微 CT 图像中的环形伪影。结果表明，与传统的基于滤波器的非机器学习技术相比，所提出的架构在消除环形伪影方面取得了更好的效果。

    Feb, 2024

  • 使用特定领域感知网络的两步稀疏视角 CT 重建

    本文提出了一种用于稀疏视图计算机体层摄影的新框架，通过使用超分辨率网络（SIN）和细化网络（PRN）进行重建，以减少条纹伪影和提高恢复精度。

    Dec, 2020

  • DuDoNet：CT 金属伪影降噪的双域网络

    本研究提出了一种基于 Dual Domain Network 的方法，可以同时恢复正弦图的一致性并增强 X 射线 CT 图像品质，以达到减少金属假象的目的。该方法在单一领域的方法方面实现了显著的改进，并且是目前为止第一个用于金属假象减少的端到端的双域网络。

    Jun, 2019

  • 多尺度小波域残差学习用于有限角度 CT 重建

    利用多尺度小波域残差学习架构结合先前方向性和全局分布性偏差的观察提出的新方法，可以有效消除有限角度下的 CT 图像伪影并保留图像的边缘和全局结构性。

    Mar, 2017

  • 基于领域自适应的深度学习加速投影重建 MR

    本文提出了一种结合深度学习和领域自适应的新方法，使用大量计算机断层扫描或合成径向磁共振数据预先训练网络，通过少量径向磁共振数据进行微调，成功地从欠采样的 k 空间数据中还原高分辨率的磁共振图像。使用该方法能够优于现有的压缩感知算法，并且计算时间比总变差和 PR-FOCUSS 方法快几个数量级。同时，本研究还发现，使用来自相似器官数据的 CT 或 MR 数据进行预训练比使用来自不同器官的相同模态的数据进行预训练更重要。

    Mar, 2017

  • 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

  • 计算机断层扫描的多阶段深度学习伪影抑制

    计算机断层扫描（CT）中，通过一组获取到的投影图像计算出物体内部结构的图像。为了提高重建图像的质量，常常对这些获取到的投影图像进行多个去伪影步骤的处理。近年来，深度学习方法在 CT 造影图像去伪影方面显示出了很好的结果。然而，大多数现有的 CT 深度学习方法是在重建之后进行后处理的。因此，这些方法可能不能有效去除在重建域中相对难以去除的伪影。作为替代，我们提出了一种多阶段深度学习伪影去除方法，其中神经网络在几个领域中应用，类似于传统的 CT 处理流程。我们展示了这些神经网络可以有效地连续训练，从而实现易用和计算高效。对模拟和真实实验数据集的实验证明，我们的方法在减少伪影方面是有效的，并且优于基于深度学习的后处理方法。

    Sep, 2023

  • MVMS-RCN: 多稀疏视角与多尺度精化校正的双域展开 CT 重建

    使用数学理论设计优化的深度学习算法，提出了一种新颖的双域深度展开统一框架，结合了基于模型的方法的理论优势和深度学习方法的卓越重建性能，为多稀疏视图 CT 重建提供了更大的灵活性和广泛应用的深度学习方法。

    May, 2024

  • TriDoNet：一种基于三重领域模型的 CT 金属伪影降噪网络

    本文提出了一个基于三重领域的技术、对金属成像伪影进行去除的神经网络，采用对比正则化方法，实现了对 CT 图像的优秀去噪和伪影去除效果。

    Nov, 2022

  • 适应性数据一致性双域迭代网络联合降噪和少角度重建用于低剂量心脏 SPECT

    提出了一种双域迭代网络方法，可从心脏 SPECT 的低剂量和少角度投影中进行端到端联合降噪和重建，且使用临床 MPI 数据实验表明，所提出的方法优于现有的图像域、投影域和双域技术，可生成更准确的投影和重建结果。

    May, 2023