Apr, 2024

DensePANet: 提高的生成对抗网络用于来自稀疏数据的光声层析成像重建

PDF
TL;DR通过使用改良版的 UNet 生成器（称为 FD-UNet++），我们提出了一种名为 DensePANet 的端到端方法，以解决从稀疏数据中重建 PAT 图像的问题。在各种体内和模拟数据集上评估的数量和质量结果显示了我们模型相对于其他普遍的深度学习技术的更好性能。
image reconstructionmedical imagingphotoacoustic tomographygenerative adversarial networksdensepanet
发现论文，激发创造
  • 用于二维稀疏光声层析成像伪影去除的全密集 UNet

    提出了一种基于修改的 CNN 结构的全密集 UNet (FD-UNet) 来从稀疏数据中重建 2D PAT 图像并比较所提出的 CNN 与标准 UNet 在重建图像质量方面的性能。

    Aug, 2018

  • 3DGAUnet: 基于 3D U-Net 的 3D 生成对抗网络生成器，在胰腺癌的临床肿瘤图像数据中实现准确和有效的合成

    通过使用生成对抗网络（GAN）技术，我们开发了一个名为 3DGAUnet 的新型 GAN 模型，用于合成胰腺导管腺癌（PDAC）肿瘤和胰腺组织的逼真的三维 CT 图像，以提高 PDAC 的形状和纹理学习，从而增强了 PDAC 肿瘤的准确性和早期检测的能力。

    Nov, 2023

  • 基于稀疏约束的生成对抗网络在视网膜 OCT 图像异常检测中的应用

    该论文提出了使用 Sparsity-constrained Generative Adversarial Network 的异常检测框架进行疾病筛查，该框架在只有健康数据的情况下进行监督学习，并通过稀疏性正则化网络进行限制。实验表明，该方法在疾病筛查方面优于现有的方法。

    Nov, 2019

  • 基于评分的扩散模型在光声断层成像重建中的应用

    使用基于得分的扩散模型解决有限 PAT 测量下的图像重建问题，通过学习模拟血管结构的表达先验，保持对变化的传感器稀疏条件的鲁棒性。

    Mar, 2024

  • PSGAN：一种用于遥感图像全色增强的生成对抗网络

    本文提出 PSGAN，一种基于深度神经网络的遥感图像全色增强方法，旨在生成高质量的全色增强图像。通过试验和分析，它优于目前的主要解决方案，并且可以很好地推广到全尺寸图像。

    May, 2018

  • 基于得分的生成模型，利用旋转一致性约束进行光声图像重建

    利用概率模型，我们提出了一种旋转一致性约束的基于分数的生成模型（RCC-SGM），通过采样 Langevin 动力学和约束项之间的迭代建立 PAT 图像，可支持不同的测量过程，并达到更好的 PSNR 表现（32.29 比 16 次随机采样的测量下的 PSNR，而监督方法只有 28.50）。

    Jun, 2023

  • 图像细粒度修复

    本文提出了一种利用扩张卷积密集组合，通过设计自主回归损失、几何对齐约束项和具有局部和全局分支的判别器等方法改进图像修复的 GAN 模型。实验表明，该方法在多个公共数据集上都优于现有的最先进方法。

    Feb, 2020

  • 超声图像重建的快速采样生成模型

    利用新型采样框架和先进的扩散模型，我们提出了一种从射频数据中重建图像的方法，以加速高质量图像的生成过程。通过实验评估，我们的方法在单平面波条件下胜过了具有 75 个平面波空间相干合成的传统延迟和求和 (DAS) 技术。

    Dec, 2023

  • 用于高加速肝脏 4D 磁共振成像的配对条件生成对抗网络

    提出了一种具有生成对抗网络的重建方法（Re-Con-GAN），在内部数据集上展示了令人满意和高效的重建结果，快速、优质的重建 4D 肝脏磁共振成像有助于肝癌在线自适应磁共振引导放射治疗。

    May, 2024

  • 使用生成对抗神经网络重建三维多孔介质

    通过神经网络生成的隐式描述概率分布的三维图像数据集，我们成功地比较了不同尺度多孔介质的特性，并发现对比传统的图像重建随机方法，此隐式表示的数据分布可以快速存储并重复生成多个孔隙结构的实现。

    Apr, 2017