Jun, 2024

基于端到端模型的深度学习用于双能量计算机断层扫描材料分解

PDF
TL;DR该研究论文提出了一种名为 End-to-End Material Decomposition（E2E-DEcomp）的深度学习方法，可将 CT 投影数据直接转换为材料图像，无需基于能量的图像进行训练。该方法在 AAPM 光谱 CT 数据集上展示了其与现有监督深度学习网络相比的有效性。
发现论文，激发创造
  • 使用卷积神经网络将单能量计算机断层摄影转换为双能量计算机断层摄影的参数图

    我们提出了一种使用卷积神经网络的深度学习多任务学习框架，将单能 CT 直接转换为双能 CT 的三种不同参数图：虚拟单色图像、有效原子序数和相对电子密度。

    Sep, 2023

  • CT 材料分解使用光谱扩散后验抽样

    提出了一种基于扩散后验抽样（DPS）的新型深度学习方法，用于从光谱 CT 测量中进行物质分解，结合无监督训练的复杂先验知识和严格的测量物理模型，通过减少反向过程中所需的时间步数和减少计算成本来提出一个更快、更稳定的变体，性能研究表明，JSDPS 相对于传统 DPS 和基于模型的物质分解方法（MBMD）具有更高的准确性、更低的不确定性和更低的计算成本，可以相对较快和准确地基于光谱 CT 数据进行物质分解。

    Feb, 2024

  • 2DeteCT -- 一份用于机器学习的大型二维可扩展、可训练、实验性计算机断层扫描数据集

    提供一个适用于开发机器学习技术的、用于 X 射线计算机体层扫描的二维测角 CT 数据集，通过高分辨率的光线，扫描了具有形状和密度自然变异的样本共计​​5000 个切片，并提供原始投影数据、参考重建和基于开源数据处理管道的分段。

    Jun, 2023

  • 通过合成数据上的深度端到端学习实现有限角度层析重建

    基于深度神经网络，本论文提出了一个训练于大量精心制作的合成数据上的模型，可以进行受限角度的断层投影重建，即便仅有 30° 或 40° 的正弦图像，取得了 2022 年赫尔辛基断层成像挑战赛的第一名。

    Sep, 2023

  • 基于密集变压器的增强编码网络用于无监督金属伪影消除

    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

  • 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

  • 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

  • 学习将骨分段计算机断层投影分解为普通 X 射线图像中的骨密度估计

    本文提出了一种有效的骨密度估计方法，通过对限定数据集进行骨分割 QCT 的分解投影学习，实现了高准确性的骨密度估计，适用于机会性筛查和早期诊断。

    Jul, 2023

  • 使用残差编码器 - 解码器卷积神经网络（RED-CNN）进行低剂量 CT

    本文使用 RED-CNN 深度神经网络在模拟和临床低剂量 CT 成像中取得了竞争优势，尤其在噪声抑制、结构保护和病变检测方面表现优异。

    Feb, 2017

  • 双能 X 射线安检图像异常检测中的联合子部件级别分割和分类

    使用深度卷积神经网络架构，引入联合物体子组件级分割和分类策略，对笼统的双能 X 射线图像数据集上的异常检测任务进行评估，该方法取得最高 99% 的真正例率和 5% 的假正例率。

    Oct, 2022