在本文中，我们基于扩散模型提出了一种无监督金属伪影减弱方法，利用预训练的扩散模型在图像和正弦图领域内迭代地利用嵌入其中的先验知识，去除由金属伪影引起的退化区域，实验证明我们的方法在综合数据集上优于现有的无监督金属伪影减弱方法，并且在临床数据集上展现出卓越的视觉效果。

Aug, 2023

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

我们开发了一种高效的金属伪影还原 Transformer (MARformer)，通过基于 CBCT 图像的全局相似结构，在多头自注意力机制中引入了新的降维自注意力模块 (DRSA)，以减少计算复杂性。同时，我们还提出了一种感知局部图像信息的基于块的感知前馈网络 (P2FFN)，用于进行细粒度的修复。实验结果表明，我们的 MARformer 在合成和真实金属伪影的 CBCT 图像上表现出色，且优于以往的 MAR 方法和两种修复 Transformer。

Nov, 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

本研究提出了一种基于 Dual Domain Network 的方法，可以同时恢复正弦图的一致性并增强 X 射线 CT 图像品质，以达到减少金属假象的目的。该方法在单一领域的方法方面实现了显著的改进，并且是目前为止第一个用于金属假象减少的端到端的双域网络。

Jun, 2019

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

在临床决策支持环境中，为了开发更加可靠的人工智能（AI）模型，量化预测的不确定性被视为一种方法，使模型超越传统的性能指标报告。本研究评估了三种新颖的不确定性感知训练策略，并与两种先进方法进行比较，分析了在心脏再同步治疗反应预测和冠状动脉疾病诊断等临床应用中的性能。在考虑了多个校准测量指标后，得出了需要在医疗保健的复杂高风险应用中进行仔细考虑性能指标的结论。

Aug, 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