DPER: 基于扩散先验的限角度和稀疏视图 CT 重建的神经表征
我们提出了一个名为 Deep Radon Prior (DRP) 的全无监督框架,通过将神经网络作为一个隐性先验引入迭代方法中,解决了现有方法中的一些限制。该方法在逐步优化神经网络的多个阶段中,在 Radon 域中缩小了欠约束成像协议的解空间,并讨论了所提方法的收敛性。与常用的预训练方法相比,该提出的框架不需要数据集,同时具有更好的可解释性和泛化能力。实验结果表明,该方法能够生成细节图像并有效抑制图像伪影,同时与有监督方法相比,DRP 的性能相当或更好。
Dec, 2023
提出一种新的无监督密度神经表示(Diner)方法来解决包含金属时 CT 金属伪影问题,通过引入与能量相关的彩色 CT 正演模型和使用密度作为中间变量,Diner 能够准确重建 X 射线测量中的线性衰减系数。实验证实了 Diner 在金属伪影降低性能和鲁棒性方面优于常见的有监督技术。
May, 2024
INFusion 是一种技术,通过使用预训练的扩散模型,为基于学习的隐式神经表示(INRs)的优化提供正则化,以改善图像重建。2D 实验证明了使用我们提出的扩散正则化改进了 INR 训练的效果,而 3D 实验则证明了在 256x256x80 大小的 3D 矩阵上使用扩散正则化进行 INR 训练的可行性。
Jun, 2024
通过结合迭代重建和无监督潜在扩散模型,Latent Diffusion Iterative Reconstruction (LDIR) 方法能够以高效的方式重建高分辨率图像,超过其他无监督方法并接近有监督方法的性能,同时具有更快的执行时间和更低的内存消耗。
Jul, 2023
通过粗略到精细的正电子发射断层扫描重建框架,结合辅助指导策略和对比扩散策略,本文提出了一种优化低剂量 PET 图像的方法,改善了 LPET 图像与重建 PET 图像之间的对应关系,提高了临床可靠性。
Aug, 2023
提出了一种基于投影约束的自我监督稀疏视图计算机断层扫描重建方法 (Anti-Aliasing Projection Representation Field),该方法通过空间约束在相邻的投影视图之间建立连续表示,只需要少量的稀疏采样数据即可获得高质量的重建 CT 图像,并且在实验中表现出优越性能。
Jul, 2023
采用扩散转换器模型(DTM)和联合紧致先验(JCP)指导的方法,该研究提出了一种改进低剂量 PET 成像的重建质量的方法,它结合了扩散模型的强大分布映射能力和变压器模型捕捉远程相关性的能力,实验证明 DTM 在提高图像质量和保留临床信息方面的有效性。
Jul, 2024
通过将消除噪声扩散概率模型(DDPM)与优先数据保真度的重建过程相结合,我们引入了一种迭代重建算法,以减少医患暴露于电离辐射的剂量,从而实现无监督框架中的卓越重建结果。通过融合这两种技术的优点,以及应用 Nesterov 动量加速技术,我们进一步提高了重建过程的效率,为高清晰 CT 图像重建提供了潜在途径。
Oct, 2023
使用分布式隐式神经表示 (DINR) 网络进行 4D 时间空间重建的新方法,通过迭代优化网络参数,以使测量的投影图像最符合 CT 前向测量模型的输出。
Apr, 2024