该文提出了一个通用的金属伪影减少框架，将图像域和正弦图域的优点结合，通过训练神经网络恢复受金属影响的正弦图像以及生成一个先验图像来引导正弦学习，以有效地减少金属伪影。经过对真实和模拟数据的广泛实验，该方法在保留解剖结构的同时，能够产生优越的减少金属伪影的结果，并胜过其他方法。

Sep, 2020

本文研究了遮蔽图像建模技术在医学三维图像分析中的应用，发现其相比基于对比学习的方法能够更快地进行监督学习并达到更高的精度，使用高遮蔽率和相对较小的块大小预测原始像素值是医学图像建模的一项重要自监督预训练任务，轻量级的解码器或投影头设计能够加快训练速度并降低成本，而MIM方法在不同的图像分辨率和标签数据比例下都具有良好的效果。

Apr, 2022

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

本文提出了一种多视图目标检测框架，通过使用一个新颖的多视图数据集训练目标检测模型，并开发了多视图推理方法，可以在检测尺寸从0.5到27.0mm的元件方面提高15％性能，大大节约地面真实数据标注的资源。

Apr, 2023

该研究提出了一种基于Retinex理论和条件归一化流的图像域模型（RetinexFlow），通过联合分解和完成任务，实现金属伪影的降解，能够较好地消除伪影并提高CT图像质量。

Jun, 2023

本文提出了一种基于多色谱的神经表示方法(Polyner)，可在人体内存在金属植入物的情况下应对 CT 成像中的金属伪影，达到与有监督方法相媲美或优于有监督方法的成果。

Jun, 2023

我们提出了一种基于紧密变换增强编码网络（DTEC-Net）的无监督金属伪影削减方法，通过引入层次化解缠编码器、高阶紧密过程和变换器来处理 CT 图像中的非局部特征和保留结构信息。广泛的实验证明了 DTEC-Net 的有效性，在基准数据集上优于之前最先进的方法，并极大减少金属伪影同时还原丰富的纹理细节。

Jul, 2023

本研究提出了一种新颖的牙科锥形束计算机断层扫描重建方法，旨在有效减少常见金属植入物引起的伪影。通过使用隐式神经网络生成两张不同的信息性层面的断层图像，一张图像代表特定能量水平上的单色衰减分布，而另一张图像则捕捉了由多色X射线束的非线性光束硬化因素引起的影响。与现有的计算机断层扫描重建方法相比，该方法仅依赖于比尔-朗伯定律，在背投影过程中有效地防止了金属引起的伪影的产生。广泛的实验评估表明，该方法有效地减少了金属伪影同时提供了高质量的图像重建结果，凸显了第二张图像在捕捉非线性光束硬化因素方面的重要性。

Jul, 2023

使用印刷电路板制造中的焊膏检测与自动光学检测机器自动检测缺陷可以提高运营效率并显著减少人工干预的需求。本文使用提取的600万个引脚的焊膏检测特征，展示了一种基于数据的方法来训练机器学习模型，以便在印刷电路板制造的三个阶段检测缺陷。这些600万个PCB引脚对应着15387个PCB中的200万个元件。我们使用基于梯度提升的机器学习模型迭代数据预处理步骤以提高检测性能。通过使用元件和PCB ID的引脚级焊膏检测特征，我们还在元件和PCB级别上开发了培训实例。这使得机器学习模型能够捕捉到可能在引脚级别不明显的引脚间、元件间或空间效应。我们在引脚、元件和PCB级别上训练模型，并将来自不同模型的检测结果组合起来识别有缺陷的元件。

Sep, 2023

该论文介绍了深度学习在计算机断层成像领域的应用，提出了一种基于三步深度学习算法的综合缺陷检测方法，包括缺陷分割、蒙版分离和缺陷分析。使用U-Net架构进行缺陷分割，在模拟数据上达到92.02％的IoU，并在512像素宽的探测器上实现了1.3像素的平均位置误差。

Jan, 2024