CN110223255A - 一种用于低剂量ct图像去噪的浅层残差编解码递归网络 - Google Patents
一种用于低剂量ct图像去噪的浅层残差编解码递归网络 Download PDFInfo
- Publication number
- CN110223255A CN110223255A CN201910499262.XA CN201910499262A CN110223255A CN 110223255 A CN110223255 A CN 110223255A CN 201910499262 A CN201910499262 A CN 201910499262A CN 110223255 A CN110223255 A CN 110223255A
- Authority
- CN
- China
- Prior art keywords
- image
- network
- dose
- low
- residual error
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000000605 extraction Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000013527 convolutional neural network Methods 0.000 description 10
- 238000010276 construction Methods 0.000 description 4
- 238000002059 diagnostic imaging Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000018199 S phase Effects 0.000 description 1
- 230000003187 abdominal effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/003—Reconstruction from projections, e.g. tomography
- G06T11/008—Specific post-processing after tomographic reconstruction, e.g. voxelisation, metal artifact correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像处理技术领域，具体涉及一种基于残差编解码网络的低剂量CT图像去噪递归算法；具体技术方案为：一种用于低剂量CT图像去噪的浅层残差编解码递归网络，递归浅层残差编解码网络通过减少残差编解码网络中的层数和卷积核的个数以降低网络的复杂度，利用递归过程提升了网络的性能，该算法通过网络训练学习端对端的映射以获取优质图像，在每次递归时，都将原始的低剂量CT图像级联到下一次的输入，可有效地避免图像在多次递归后失真的问题，能够更好地提取图像特征，保留图像的细节信息，本发明不仅可以降低网络的复杂度，还能提高网络性能，使得去噪后的图像很好地保留了图像细节，图像结构更加清晰。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种基于残差编解码网络的低剂量CT图像去噪递归算法。
背景技术
X射线计算机断层扫描(CT)提供人体的主要解剖和病理信息，用于医学诊断和治疗。然而CT扫描时产生的电离辐射会对患者身体产生危害，甚至可能引发癌变，所以低剂量CT应用而生。一种简单易操作的降低辐射剂量的方法是降低射线管电流，但是该方法可导致投影数据的信噪比降低，使得应用滤波反投影(FBP)算法重建的CT图像中含有明显的条形伪影和噪声，影响医师的诊断。如何从原始的含噪投影数据重建高质量的CT图像已得到了广泛的关注。
现有的处理方法主要有三大类：投影域滤波算法，迭代重建算法和后处理方法。前两种算法都是对原始的投影数据做处理，但研究者往往由于原始数据的获取困难而导致研究受阻。后处理方法是直接对重建后的CT图像处理，得到的算法可以容易地植入到CT系统中而备受关注。
深度学习由于其提取特征的能力被用于图像分割、超分辨率重构、目标检测与识别中，近年来也被用于低剂量CT图像去噪方面。Kang Eunhee于2017年在Medical Physics(医学物理)期刊上发表的文章“Adeep convolutional neural network usingdirectional wavelets for low-dose X-ray CT reconstruction”(基于方向小波深度卷积神经网络的低剂量CT重建)中提出了一个小波域深度卷积神经网络(CNN)。Chen hu于2017年在biomedical Optics Express(生物医学光学快车)期刊上发表的文章“Low-doseCT via convolutional neural network”(基于卷积神经网络的低剂量CT)中提出了一个图像域的浅层CNN，说明CNN可以直接学习从低剂量图像到标准剂量图像的端到端的非线性映射。设计的层数比较浅，这是由于传统的CNN在网络加深时易出现梯度消失或者爆炸，造成网络性能的退化，为了解决这个问题，残差网路被构建。
Kang Eunhee于2017年在IEEE Transactions on Medical Imaging期刊上发表的文章“Wavelet residual network for Low-Dose CT via deep convolutionalframelets”(低剂量CT的小波残差网络深度卷积框架)在小波域上应用24层的残差网络进行去噪处理。Chen hu于2017年在IEEE Transactions on Medical Imaging(电气电子工程师协会医学成像会刊)期刊上发表的文章“Low-Dose CT with a residual encoder-decoder convolutional neural network(RED-CNN)”(低剂量CT的残差编解码卷积神经网络)设计了一个残差编解码网络(RED-CNN)并应用在低剂量CT图像去噪。该网络包括10层，其中包括5个卷积层和5个去卷积层。前9层中每层都有96个卷积核，最后一层用一个卷积核做一次卷积得到去噪后的CT图像。Wolterink Jelmer2017在期刊IEEE Transactions onMedical Imaging发表的文章“Generative Adversarial Networks for Noise Reductionin Low-Dose CT”(低剂量CT噪声减少的生成对抗网络)中使用生成对抗网络(GAN)用于低剂量CT图像去噪，该网络既包括把卷积神经网络作为生成器的生成网络，还包括了优化生成器的对抗网络。
发明内容
为解决现有技术存在的网络结构复杂的技术问题，本发明设计了一种浅层的递归网络，该网络把构造的浅层残差编解码网络递归，利用相同的网络结构递归构造新网络，通过减少残差编解码网络中的层数和卷积核的个数降低网络的复杂度，利用递归过程达到获取优质图像的目的。
为实现上述目的，本发明所采用的技术方案为：一种用于低剂量CT图像去噪的浅层残差编解码递归网络，具体操作步骤如下：
步骤一、布置浅层残差编解码网络
该网络结构包括8层，由对称排列的4个卷积层和4个去卷积层组成，每个卷积层后设有ReLU激活函数，该网络结构去除了池化层，可避免结构细节的丢失。前4个卷积层组成了堆栈编码器，其目的是为了去除图像中的噪声和伪影；后4个去卷积层组成了堆栈解码器，其目的是恢复图像的结构细节。尽管去卷积层可恢复图像的细节，但为了更好地保留图像的细节信息，残差网络被应用于该网络中，同时也起到了优化网络的映射关系的目的。每个卷积层都将提取的特征跳跃连接到对称的去卷积层上，起到保持图像细节的作用，更有利于网络的训练。前七层中均设有64个卷积核，最后一层设有一个卷积核，通过卷积得到去噪后的图像。
步骤二、递归浅层残差编解码网络
经过一次浅层的编解码网络，图像的去噪效果不理想，因此本发明引入了递归网络。在每一次递归时，将原始低剂量CT图像与上一次递归后的去噪图像级联作为下一次递归的输入，这样可以避免图像在多次递归后失真的问题，可更好地提取原始输入图像的细节特征。网络的递归过程可表示为：
其中，S为递归次数，X为网络输入,RED-Net为布置的残差编解码网络，Os为第s次递归所得的去噪CT图像，fin是第s次递归的输出Os与原始低剂量CT图像X级联操作，Is+1为第s+1次递归的输入。
步骤三、设计损失函数
残差编解码递归网络是从低剂量CT图像到标准计量图像的端对端映射，通过网络学习映射F；
给定训练数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中，{xi}，i＝1,2,…,N是从低剂量CT图像中抽取的图像块，{yi}，i＝1,2,…,N是从标准剂量CT图像中抽取的图像块，N是训练样本的总数；
映射F中的参数可通过最小化下列目标函数得到
步骤四、选取优化算法，采用Adam算法来优化。
步骤五、从含有标准剂量CT图像和低剂量CT图像的数据集中提取图像块集。
步骤六、通过数据集训练网络，得到由低剂量图像到标准剂量图像的映射关系F。
将低剂量CT图像输入设计好的残差编解码递归网络中，得到最终的去噪图像。
本发明与现有技术相比，具体有益效果体现在：本发明把构造的浅层残差编解码网络递归，利用相同的网络结构递归构造新网络。通过减少残差编解码网络中的层数和卷积核的个数降低网络的复杂度，利用递归过程达到获取优质图像的目的。在每一次递归时，将原始低剂量CT图像与上一次递归后的去噪图像级联作为下一次递归的输入，这样可以避免图像在多次递归后失真的问题，可更好地提取原始输入图像的细节特征。本发明不仅降低了网络的复杂度，还提高了网络性能，使得去噪后的图像很好地保留了图像细节，结构更加清晰。
附图说明
图1为浅层残差编解码网络的构造关系图。
图2为具有S阶段递归的RRED-Net网络结构图。
图3为低剂量CT图像。
图4为标准剂量CT图像。
图5为采用本发明的方法去噪后的结果图像。
图6为RED-CNN去噪后的结果图像。
图7为图3中方框内区域的放大图。
图8为图4中方框内区域的放大图。
图9为图5中方框内区域的放大图。
图10为图6中方框内区域的放大图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1、图2所示，一种用于低剂量CT图像去噪的浅层残差编解码递归网络，使用了由Mayo Clinic授权的“2016年NIH-AAPM-Mayo诊所低剂量CT大挑战”的临床数据集，用于训练和测试所提出的网络，该数据集包含10名匿名患者的标准剂量和低剂量腹部CT图像，图像大小皆由512*512个像素组成，3mm的CT图像用于网络训练。在实验中，用于训练和测试的数据是从低剂量CT图像和标准剂量CT图像中抽取的固定大小图像块集，一方面可有效地提取图像的局部特征，另一方面可增加数据集，避免过拟合。
实验中的参数设置如下：图像块的大小由54*54个像素组成，学习率α＝10-4，循环次数S＝3，编解码网络的层数为8，最后一层的卷积核数为1，其它层的卷积核数为64。所有层的卷积核大小由5*5个像素组成，卷积和反卷积的步长设置为1，没有补零，卷积核和反卷积核用均值为0、标准差为0.01的随机高斯分布初始化。
所提出的网络是从低剂量CT图像到标准剂量图像的端对端映射，通过网络学习映射F。给定训练数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中，{xi}，i＝1,2,…,N是从低剂量CT图像中抽取的图像块，{yi}，i＝1,2,…,N是从标准剂量CT图像中抽取的图像块，N是训练样本的总数；映射F中的参数可通过最小化下列目标函数得到
采用Adam算法通过网络训练得到由低剂量图像到标准剂量图像的映射关系F，接下来将低剂量CT图像输入设计好的残差编解码递归网络中，就可以得到最终的去噪图像。
为了验证本发明所提出网络的性能，我们把本发明所构造的网络记为RRED-Net，并与RED-CNN网络做了比较，如图3、图4、图5、图6、图7、图8、图9和图10所示，从图中可以看到，本发明的方法RRED-Net与RED-CNN网络都能够有效地去除图像中的伪影。
本发明从定量方面做了比较，如表1所示，可以看出两种方法都获得了较高的峰值信噪比(PSNR)和结构相似度(SSIM)，本发明所提出方法的两种指标略高于RED-CNN。
| PSNR | SSIM | |
| RED-CNN | 45.0123 | 0.9819 |
| RRED-Net | 45.0530 | 0.9821 |
表1：PSNR与SSIM的比较
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包在本发明范围内。
Claims (1)
1.一种用于低剂量CT图像去噪的浅层残差编解码递归网络，其特征在于，具体操作步骤如下：
步骤一、布置浅层残差编解码网络
该网络结构包括8层，由对称排列的4个卷积层和4个去卷积层组成，每个卷积层后设有ReLU激活函数，该网络结构去除了池化层，4个卷积层组成了堆栈编码器，4个去卷积层组成了堆栈解码器，每个卷积层都将提取的特征跳跃连接到对称的去卷积层上，前七层中均设有64个卷积核，最后一层设有一个卷积核，最后一层通过卷积得到去噪后的图像；
步骤二、递归浅层残差编解码网络
在每一次递归时，将原始低剂量CT图像与上一次递归后的去噪图像级联作为下一次递归的输入，网络的递归过程可表示为：
其中，S为递归次数，X为网络输入,RED-Net为布置的残差编解码网络，Os为第s次递归所得的去噪CT图像，fin是第s次递归的输出Os与原始低剂量CT图像X级联操作，Is+1为第s+1次递归的输入，即级联后图像；
步骤三、设计损失函数
残差编解码递归网络是从低剂量CT图像到标准计量图像的端对端映射，通过网络学习映射F；
给定训练数据集D＝{(x1,y1),(x2,y2),…,(xN,yN)}，其中，{xi}，i＝1,2,…,N是从低剂量CT图像中抽取的图像块，{yi}，i＝1,2,…,N是从标准剂量CT图像中抽取的图像块，N是训练样本的总数；
映射F中的参数可通过最小化下列目标函数得到
步骤四、选取优化算法
采用Adam算法来优化；
步骤五、从含有标准剂量CT图像和低剂量CT图像的数据集中提取图像块集；
步骤六、通过数据集训练网络，得到由低剂量图像到标准剂量图像的映射关系F；
将低剂量CT图像输入设计好的递归残差编解码网络中，得到最终的去噪图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910499262.XA CN110223255B (zh) | 2019-06-11 | 2019-06-11 | 一种基于残差编解码网络的低剂量ct图像去噪递归方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910499262.XA CN110223255B (zh) | 2019-06-11 | 2019-06-11 | 一种基于残差编解码网络的低剂量ct图像去噪递归方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110223255A true CN110223255A (zh) | 2019-09-10 |
| CN110223255B CN110223255B (zh) | 2023-03-14 |
Family
ID=67816123
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910499262.XA Active CN110223255B (zh) | 2019-06-11 | 2019-06-11 | 一种基于残差编解码网络的低剂量ct图像去噪递归方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110223255B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992295A (zh) * | 2019-12-20 | 2020-04-10 | 电子科技大学 | 基于小波-red卷积神经网络的低剂量ct重建方法 |
| CN111325695A (zh) * | 2020-02-29 | 2020-06-23 | 深圳先进技术研究院 | 基于多剂量等级的低剂量图像增强方法、系统及存储介质 |
| CN111325737A (zh) * | 2020-02-28 | 2020-06-23 | 上海志唐健康科技有限公司 | 低剂量ct图像处理方法、装置和计算机设备 |
| CN111739114A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种基于孪生反馈网络的低剂量ct重建方法 |
| CN113256500A (zh) * | 2021-07-02 | 2021-08-13 | 北京大学第三医院（北京大学第三临床医学院） | 一种多模态图像合成的深度学习神经网络模型系统 |
| CN113870137A (zh) * | 2021-09-30 | 2021-12-31 | 重庆大学 | 由梯度指导、自相似性修正的低剂量ct图像去噪方法、系统 |
| WO2022226886A1 (zh) * | 2021-04-29 | 2022-11-03 | 深圳高性能医疗器械国家研究院有限公司 | 基于变换域下去噪自动编码器作为先验的图像处理方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107403419A (zh) * | 2017-08-04 | 2017-11-28 | 深圳市唯特视科技有限公司 | 一种基于级联卷积神经网络的低剂量x射线图像去噪方法 |
| US20180240219A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
| CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
| US20190108634A1 (en) * | 2017-10-09 | 2019-04-11 | The Board Of Trustees Of The Leland Stanford Junior University | Contrast Dose Reduction for Medical Imaging Using Deep Learning |
| US20190104940A1 (en) * | 2017-10-06 | 2019-04-11 | Toshiba Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction |
| US20190156524A1 (en) * | 2017-11-20 | 2019-05-23 | ClariPI Inc. | Apparatus and method for ct image denoising based on deep learning |
-
2019
- 2019-06-11 CN CN201910499262.XA patent/CN110223255B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240219A1 (en) * | 2017-02-22 | 2018-08-23 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
| CN107403419A (zh) * | 2017-08-04 | 2017-11-28 | 深圳市唯特视科技有限公司 | 一种基于级联卷积神经网络的低剂量x射线图像去噪方法 |
| US20190104940A1 (en) * | 2017-10-06 | 2019-04-11 | Toshiba Medical Systems Corporation | Apparatus and method for medical image reconstruction using deep learning for computed tomography (ct) image noise and artifacts reduction |
| US20190108634A1 (en) * | 2017-10-09 | 2019-04-11 | The Board Of Trustees Of The Leland Stanford Junior University | Contrast Dose Reduction for Medical Imaging Using Deep Learning |
| US20190156524A1 (en) * | 2017-11-20 | 2019-05-23 | ClariPI Inc. | Apparatus and method for ct image denoising based on deep learning |
| CN108564553A (zh) * | 2018-05-07 | 2018-09-21 | 南方医科大学 | 基于卷积神经网络的低剂量ct图像噪声抑制方法 |
Non-Patent Citations (5)
| Title |
|---|
| DUFAN WU: "A cascaded convolutional nerual network for X-ray Low-dose CT image denoising" * |
| H. CHEN: ""Low-dose CT with a residual encoder-decoder convolutional neural network"", 《IEEE TRANSACTIONS ON MEDICAL IMAGING》 * |
| 崔学英: ""低剂量CT的投影域去噪算法和后处理方法研究"", 《中国博士学位论文全文数据库》 * |
| 方伟: ""神经网络在CT重建方面应用的最新进展"", 《中国体视学与图像分析》 * |
| 方伟;李亮;陈志强;: "神经网络在CT重建方面应用的最新进展" * |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110992295A (zh) * | 2019-12-20 | 2020-04-10 | 电子科技大学 | 基于小波-red卷积神经网络的低剂量ct重建方法 |
| CN110992295B (zh) * | 2019-12-20 | 2022-04-19 | 电子科技大学 | 基于小波-red卷积神经网络的低剂量ct重建方法 |
| CN111325737A (zh) * | 2020-02-28 | 2020-06-23 | 上海志唐健康科技有限公司 | 低剂量ct图像处理方法、装置和计算机设备 |
| CN111325737B (zh) * | 2020-02-28 | 2024-03-15 | 上海志唐健康科技有限公司 | 低剂量ct图像处理方法、装置和计算机设备 |
| CN111325695A (zh) * | 2020-02-29 | 2020-06-23 | 深圳先进技术研究院 | 基于多剂量等级的低剂量图像增强方法、系统及存储介质 |
| WO2021168920A1 (zh) * | 2020-02-29 | 2021-09-02 | 深圳先进技术研究院 | 基于多剂量等级的低剂量图像增强方法、系统、计算机设备及存储介质 |
| CN111739114A (zh) * | 2020-06-15 | 2020-10-02 | 大连理工大学 | 一种基于孪生反馈网络的低剂量ct重建方法 |
| CN111739114B (zh) * | 2020-06-15 | 2023-12-15 | 大连理工大学 | 一种基于孪生反馈网络的低剂量ct重建方法 |
| WO2022226886A1 (zh) * | 2021-04-29 | 2022-11-03 | 深圳高性能医疗器械国家研究院有限公司 | 基于变换域下去噪自动编码器作为先验的图像处理方法 |
| CN113256500A (zh) * | 2021-07-02 | 2021-08-13 | 北京大学第三医院（北京大学第三临床医学院） | 一种多模态图像合成的深度学习神经网络模型系统 |
| CN113870137A (zh) * | 2021-09-30 | 2021-12-31 | 重庆大学 | 由梯度指导、自相似性修正的低剂量ct图像去噪方法、系统 |
| CN113870137B (zh) * | 2021-09-30 | 2024-05-21 | 重庆大学 | 由梯度指导、自相似性修正的低剂量ct图像去噪方法、系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110223255B (zh) | 2023-03-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110223255A (zh) | 一种用于低剂量ct图像去噪的浅层残差编解码递归网络 | |
| Kang et al. | Deep convolutional framelet denosing for low-dose CT via wavelet residual network | |
| CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| US11854160B2 (en) | CT super-resolution GAN constrained by the identical, residual and cycle learning ensemble (GAN-circle) | |
| CN110827216B (zh) | 图像去噪的多生成器生成对抗网络学习方法 | |
| Kuanar et al. | Low dose abdominal CT image reconstruction: an unsupervised learning based approach | |
| CN111429379B (zh) | 一种基于自监督学习的低剂量ct图像去噪方法及系统 | |
| Zhang et al. | Artifact and detail attention generative adversarial networks for low-dose CT denoising | |
| Yang et al. | High-frequency sensitive generative adversarial network for low-dose CT image denoising | |
| Li et al. | Low-dose CT streak artifacts removal using deep residual neural network | |
| CN113538257B (zh) | 一种基于双域U-net判别器的生成对抗低剂量CT去噪方法 | |
| Song et al. | Low-dose cardiac-gated spect studies using a residual convolutional neural network | |
| CN110070510A (zh) | 一种基于vgg-19提取特征的cnn医学图像降噪方法 | |
| CN116645283A (zh) | 基于自监督感知损失多尺度卷积神经网络的低剂量ct图像去噪方法 | |
| Liu et al. | Low-dose CT noise reduction based on local total variation and improved wavelet residual CNN | |
| Kim et al. | Convolutional neural network–based metal and streak artifacts reduction in dental CT images with sparse‐view sampling scheme | |
| Li et al. | An adaptive self-guided wavelet convolutional neural network with compound loss for low-dose CT denoising | |
| CN113436118B (zh) | 一种基于多尺度卷积编码网络的低剂量ct图像复原方法 | |
| CN108038840A (zh) | 一种图像处理方法、装置、图像处理设备及存储介质 | |
| CN111489406A (zh) | 生成高能ct图像模型的训练及生成方法、设备、存储介质 | |
| CN112258438B (zh) | 一种基于非配对数据的ldct图像恢复方法 | |
| Liu et al. | SDCNet: Smoothed dense-convolution network for restoring low-dose cerebral CT perfusion | |
| CN118014837A (zh) | 基于残差注意力机制的mri超分辨率 | |
| Cui et al. | Artifact-Assisted multi-level and multi-scale feature fusion attention network for low-dose CT denoising | |
| Mahmoud et al. | Variant Wasserstein Generative Adversarial Network Applied on Low Dose CT Image Denoising. |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |