May, 2024

MVMS-RCN: 多稀疏视角与多尺度精化校正的双域展开 CT 重建

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 利用深度卷积框架形成 U-Net：应用于稀疏视角 CT

    本文旨在揭示 U-Net 的局限性并提出新的多分辨率深度学习方案，具体而言，我们通过实验表明，新的网络架构可以提供更好的重建性能，并且我们探讨了 U-Net 替代方案，如双框架和紧框架 U-Net 满足所谓的框条件，使其更好地实现高频边缘的有效恢复。

    Aug, 2017

  • 基于深度神经网络的稀疏采样 CT 成像正规化合成

    介绍了一种利用深度神经网络技术的正弦图像合成方法，用于稀疏视图 CT 成像，相比于现有的插值方法和迭代重建方法，具有更好的成像效果。

    Mar, 2018

  • MSDiff：用于超稀疏视角 CT 重建的多尺度扩散模型

    提出了一种利用多尺度扩散模型的超稀疏视角 CT 重建方法，通过对图像信息的全局分布和局部特征进行重新构建，大大改善了超稀疏角度下图像重建质量，并在各种数据集中具有良好的泛化性能。

    May, 2024

  • C^2RV：稀疏视图 CBCT 重建的跨地域和跨视图学习

    通过利用显式多尺度体素表示来实现三维空间中的区域间学习，并引入比例 - 视图交叉注意模块以自适应地聚合多尺度和多视图特征，我们提出了 C^2RV 方法，通过广泛实验证明其在具有多样化解剖结构的数据集上相比先前的领先方法实现了一致并显著的改进。

    Jun, 2024

  • 使用卷积神经网络提高稀疏视图肺癌 CT 图像的图像质量

    通过使用 U-Net 来改善稀疏视图计算机断层扫描图像的质量以进行肺癌检测，并确定视图数量、图像质量和诊断信心之间的最佳平衡。

    Jul, 2023

  • TD-Net：用于稀疏视图 CT 重建的三域网络

    通过结合正弦图、图像和频率域优化，引入了一种三域方法 TD-Net，它通过引入频率监督模块（FSM）有效地解决了稀疏观测 CT 重建中的图像质量降低问题，实现了对精细细节的保留，从而提高了医学成像的能力。

    Nov, 2023

  • AAPM 深度学习稀疏视图 CT（DL 稀疏视图 CT）大挑战报告

    该研究旨在通过稀疏采样计算机断层扫描图像的深度学习技术，以使在理想条件下最小化均方误差，从而解决成像中的逆问题；研究采用 2D 乳腺 CT 模拟，参加算法超过 60 组，并且测试结果使得重建精度比之前的基于 CNN 的研究有了两个数量级的提升。

    Sep, 2021

  • 学习稀疏视角 CT 的全局表征蒸馏

    本研究提出了一种用于稀疏视图计算机断层扫描的全局表示蒸馏（GloReDi）框架，通过傅里叶卷积学习 GloRe，从中间视图重建图像中蒸馏 GloRe，实验结果表明 GloReDi 在改善图像质量方面优于现有的方法。

    Aug, 2023

  • CT 扫描中的多视角 X 射线图像合成与多域解缠

    通过引入内容和风格的解耦技术以及姿态注意力模块，利用 CT2X-GAN 方法，该研究提出了一种学习式的端到端合成 X 射线图像的方法，从而改善合成质量并使其更接近真实的 X 射线图像。

    Apr, 2024