CN111860836A - 一种自监督学习方法及应用 - Google Patents
一种自监督学习方法及应用 Download PDFInfo
- Publication number
- CN111860836A CN111860836A CN202010693415.7A CN202010693415A CN111860836A CN 111860836 A CN111860836 A CN 111860836A CN 202010693415 A CN202010693415 A CN 202010693415A CN 111860836 A CN111860836 A CN 111860836A
- Authority
- CN
- China
- Prior art keywords
- image
- self
- learning method
- dose
- supervised learning
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 14
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 abstract description 60
- 238000013170 computed tomography imaging Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000004913 activation Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002059 diagnostic imaging Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请属于医学和工业领域计算机断层扫描(CT)系统技术领域，特别是涉及一种自监督学习方法及应用。现有的低剂量条件下CT成像质量较差。本申请提供了一种自监督学习方法，所述方法包括：对图像噪声建模；从低剂量CT图像中产生当前像素的近似目标像素值，获取目标像素点；随机从低剂量CT输入图像中裁剪出图像块，从图像块中随机选取N个像素点，将目标像素点替换掉当前选取的像素点得到目标图像；训练网络，逐步达到收敛状态。需人工干预即可端到端地进行网络的训练，并实现降噪。
Description
技术领域
本申请属于医学和工业领域计算机断层扫描(CT)系统技术领域，特别是涉及一种自监督学习方法及应用。
背景技术
计算机断层扫描(Computed Tomography，CT)，是一种通过计算机和X射线来获取病人躯体断层图像的非侵入式影像学检测方法，它具有扫描时间短，费用低廉和疾病监测范围广等优点，适用于疾病的早期筛查和常规性体检。然而，大量的X射线照射会出现辐射剂量的累计效应，大幅度增加各种疾病发生的可能性，进而影响人体生理机能，破坏人体组织器官，甚至危害到患者的生命安全。
合理应用低剂量CT成像技术需要在满足CT图像的临床诊断要求下，同时尽可能的降低X射线对患者的辐射剂量，因此，研究和开发低剂量条件下成像质量更高的CT成像，对于目前的医疗诊断领域都有着重要的科学意义和广阔的应用前景。但目前在临床阶段，获取成对的CT图像(低剂量CT图像和与之对应的正常剂量CT图像)较为困难，在仅有低剂量CT图像的情况下，如何使用神经网络来学习到低剂量CT图像到正常剂量CT图像的映射在临床应用领域有着巨大的发展前景。
由于在CT成像时降低X射线的辐射会导致重建图像产生大量量子噪声和金属伪影；正常CT成像需采集的数据量较大，导致图像重建速度慢；扫描时间长，病人人体生理机能运动导致图像伪影；基于神经网络的方法必须使用成对数据进行训练，在临床阶段获取成对数据较为困难，这大大降低了临床应用的可能性。
现有的低剂量条件下CT成像质量较差。
发明内容
1.要解决的技术问题
基于现有的低剂量条件下CT成像质量较差的问题，本申请提供了一种自监督学习方法及应用。
2.技术方案
为了达到上述的目的，本申请提供了一种自监督学习方法，所述方法包括如下步骤：
步骤1：对图像噪声建模；
步骤2：从低剂量CT图像中产生当前像素的近似目标像素值，获取目标像素点；
步骤3：随机从低剂量CT输入图像中裁剪出图像块，从图像块中随机选取N个像素点，将目标像素点替换掉当前选取的像素点得到目标图像；
步骤4：训练网络，逐步达到收敛状态。
本申请提供的另一种实施方式为：所述步骤1中噪声图像由干净图像和噪声共同组成。
本申请提供的另一种实施方式为：所述步骤2中从输入的低剂量CT图像当前像素点xi j的5×5邻域内随机选取像素点作为当前像素点的目标像素点。
本申请提供的另一种实施方式为：所述步骤3中随机从低剂量CT输入图像中裁剪出64×64像素大小的图像块xj。
本申请提供的另一种实施方式为：所述步骤3中图像块大于选取卷积神经网络的感受野。
本申请提供的另一种实施方式为：所述步骤3中N为图像块大小的十分之一。
本申请提供的另一种实施方式为：所述步骤4中训练网络包括计算所述N个像素点的损失。
本申请提供的另一种实施方式为：所述损失函数为均方误差损失函数。
本申请提供的另一种实施方式为：所述网络框架整体采用Unet结构，所述网络采用Adam优化器进行优化。
本申请还提供一种自监督学习的应用，将所述权利要求1～9中任一项所述的自监督学习方法应用于CT图像降噪或者MRI图像降噪。
3.有益效果
与现有技术相比，本申请提供的一种自监督学习方法的有益效果在于：
本申请提供的自监督学习方法，为一种用于低剂量CT图像降噪的自监督学习方法。
本申请提供的自监督学习方法，是鉴于自监督学习方法的思想，在没有标签(正常剂量CT图像)的情况下，通过本申请的方法，可以从输入数据(低剂量CT图像)中生成标签值，从而得到满足神经网络的训练要求，使得神经网络通过学习获得对低剂量条件下CT图像降噪的能力。
本申请提供的自监督学习方法中图像先验信息的使用将有助于稀疏角度低剂量CT图像的重建，从而在大幅度降低辐射剂量的前提下获得高质量的CT图像。
本申请提供的自监督学习方法，通过在输入的低剂量CT图像中对部分像素进行邻域随机替换来产生目标图像，从而突破了传统卷积神经网络对于训练集成对数据的要求，在摒弃监督学习缺点的同时，充分利用了卷积神经网络强大的特征提取能力，大大提高了低剂量条件下CT成像质量。
本申请提供的自监督学习方法，利用了卷积神经网络强大的特征提取能力，无需人工干预即可端到端地进行网络的训练，并实现降噪。
本申请提供的自监督学习方法，无需正常剂量CT图像，对数据要求低，在临床缺乏成对数据的情况下，有着巨大的优势。
附图说明
图1是本申请的基于监督学习的卷积神经网络第一示意图；
图2是本申请的基于监督学习的卷积神经网络第二示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
Hu Chen等人于2017年在IEEE Transactions on Medical Imaging期刊上发表文章“Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network(RED-CNN).”，首次将编码-解码结构的深度残差卷积神经网络应用于低剂量CT图像质量改善问题，使得低剂量条件下获取到的CT图像结构更加清晰。其中，编码器部分由5层卷积核大小为5×5的卷积加ReLU激活函数组成，解码器部分由5层与编码器相对应的反卷积加ReLU激活函数组成，此外，编码器与解码器相对应的卷积与反卷积层使用类似于残差网络的残差连接，最终网络输出得到降噪后的CT图像。
Jelmer M.Wolterink等人于2017年在IEEE Transactions on Medical Imaging期刊上发表文章“Generative Adversarial Networks for Noise Reduction in Low-Dose CT”，成功将生成对抗网络(GAN)应用于低剂量CT成像领域，其中生成器使用的卷积核大小为3×3×3，卷积核数量由最开始的32个逐步增加到64个，最终增加到128个，去除了池化操作，所有卷积层后均使用LeakyReLU激活函数提训练稳定性，此外，为保证生成器学习到的是低剂量CT图像中的噪声部分，生成器的最终输出为输入图像减去生成器最后一层卷积输出图像，即可得到降噪后图像；判别器部分使用了3×3×3大小的卷积核，LeakyReLU激活函数以及批正则化操作，最终通过全连接层以及Sigmoid激活函数输出预测。
参见图1～2，本申请提供一种自监督学习方法，所述方法包括如下步骤：
步骤1：对图像噪声建模；
步骤2：从低剂量CT图像中产生当前像素的近似目标像素值，获取目标像素点；
步骤3：随机从低剂量CT输入图像中裁剪出图像块，从图像块中随机选取N个像素点，将目标像素点替换掉当前选取的像素点得到目标图像；
步骤4：训练网络，逐步达到收敛状态。
输入的意思是低剂量CT图像用作网络的输入，替换像素点后得到的图像作为目标图像，计算网络的输出和目标图像之间的损失，训练网络。
噪声图像在一定程度上可以被认为是干净图像和噪声共同组成，即：
x＝s+n (1)
其中，x表示噪声图像，s表示干净图像，而n就表示图像的噪声和伪影等。所以简单地来说，图像降噪任务就是讲噪声图像x分离为两个部分：s和n，去除掉噪声n从而得到干净图像s。
降噪方法通常是基于干净图像s中的像素点i和j之间在统计上不是独立的假设，即：
p(si|sj)≠p(si) (2)
也就是说图像中的任意一点像素值与图像中其他像素值都存在一定关联，换句话说，通过观察当前像素点周围像素值的大小和分布可以对当前像素点的像素值做出准确的预测。这种像素之间的相互依赖关系成为了本申请的基础。
进一步地，所述步骤1中噪声图像由干净图像和噪声共同组成。
进一步地，所述步骤2中从输入的低剂量CT图像当前像素点
的5×5邻域内随机选取像素点作为当前像素点的目标像素点。
进一步地，所述步骤3中随机从低剂量CT输入图像中裁剪出64×64像素大小的图像块xj。
进一步地，所述步骤3中图像块大于选取卷积神经网络的感受野。
进一步地，所述步骤3中N为图像块大小的十分之一。
进一步地，所述步骤4中训练网络包括计算所述N个像素点的损失。
进一步地，所述损失函数为均方误差损失函数。
进一步地，所述网络框架整体采用Unet结构，所述网络采用Adam优化器进行优化。
在使用监督学习方法实现低剂量CT降噪任务时，一般情况下都是将低剂量CT噪声图像视为卷积神经网络的输入，再将正常剂量CT图像当作目标，通过反向传播算法来学习低剂量CT图像到正常CT剂量图像的映射，当网络收敛后，学习完成的卷积神经网络即可实现低剂量CT降噪。
基于卷积神经网络降噪方法示意图如图1所示，卷积神经网络输出的每一个预测像素值
都是由固定大小感受野区域xRF(i)的像素来获得，即影响预测像素的是感受野区域内的像素集合，此时，卷积神经网络可以被视为输入为感受野区域xRF(i)，输出为感受野中心像素的预测值
的函数，即：
其中参数θ是卷积神经网络的可学习参数。
在监督学习中，通常需要成对的训练数据(xj,sj)，其中xj和sj分别表示第j张低剂量CT图像和与之对应的正常剂量CT图像，
表示训练数据集中的第j张低剂量CT图像中以像素i为中心的区域，
表示训练数据集中的第j张正常剂量CT图像中的像素点i，将
输入到卷积神经网络，将
作为目标值，最小化卷积神经网络的预测值和目标值，即：
其中：
通过最小化上式，即可使得神经网络参数θ逐步满足降噪任务要求。
基于监督学习的卷积神经网络必须使用成对的训练数据来训练，但在临床阶段获取成对的CT图像较为困难，通常情况下我们只能在低剂量条件下获取CT图像。
自监督学习就是通过一定方法从输入中生成目标，从而使得神经网络的训练可以正常进行。本申请就是以自监督学习算法思想为基础，在没有目标像素值
的情况下，通过一定手段从低剂量CT图像中产生近似的目标像素值
从而可以使用下面的目标函数对网络进行训练：
如何从低剂量CT图像中产生当前像素的近似目标像素值
是本申请的重点。前面已经提到，图像像素之间在统计上不是独立的，也就是说像素之间存在一定的关联性，而且两个像素点在空间位置上越相邻，它们之间的关联性越高，通俗点说，在图像低频区域，相邻像素点与当前像素点的像素值差异较小，而CT图像存在大量的低频区域。所以考虑在训练阶段可以从输入的低剂量CT图像当前像素点
的5×5邻域内随机选取像素点作为当前像素点的目标像素点，即：
知道了如何获取目标像素点，接下来就可以对整个训练流程加以描述。
首先，随机从低剂量CT输入图像中裁剪出64×64像素大小的图像块xj，该图像块的大小大于我们选取网络的感受野大小，随后我们从图像块中随机选取N个像素点，其中N的大小设置为图像块大小的十分之一，再在选取的像素点5×5邻域内随机选择像素点替换掉当前选取的像素点得到目标图像xj～N，此时，将低剂量CT图像块xj作为输入，替换后的图像块xj～N作为目标，在训练时仅计算这N个像素点的损失，即：
损失函数L使用均方误差损失函数；
网络框架整体使用常见Unet结构；
整个网络使用Adam优化器来优化；
从低剂量CT图像数据集中提取图像块作为输入，并经由输入产生目标；
训练网络，逐步达到收敛状态。
本申请还提供一种自监督学习的应用，将所述权利要求1～9中任一项所述的自监督学习方法应用于CT图像降噪或者MRI图像降噪。MRI图像的话就MRI噪声图像。当然也可应用于其他类型医学图像降噪。
本申请不针对某一特定网络结构，具有普适性，可应用于任意网络结构。
本申请可以端到端地实现降噪任务，无需成对数据即可对网络进行训练。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (10)
1.一种自监督学习方法，其特征在于：所述方法包括如下步骤：
步骤1：对图像噪声建模；
步骤2：从所述图像中产生当前像素的近似目标像素值，获取目标像素点；
步骤3：随机从所述图像中裁剪出图像块，从图像块中随机选取N个像素点，将目标像素点替换掉当前选取的像素点得到目标图像；
步骤4：训练网络，逐步达到收敛状态。
2.如权利要求1所述的自监督学习方法，其特征在于：所述步骤1中噪声图像由干净图像和噪声共同组成。
3.如权利要求1所述的自监督学习方法，其特征在于：所述步骤2中从输入的低剂量CT图像当前像素点
的5×5邻域内随机选取像素点作为当前像素点的目标像素点。
4.如权利要求1所述的自监督学习方法，其特征在于：所述步骤3中随机从低剂量CT输入图像中裁剪出64×64像素大小的图像块xj。
5.如权利要求4所述的自监督学习方法，其特征在于：所述步骤3中图像块大于选取卷积神经网络的感受野。
6.如权利要求1所述的自监督学习方法，其特征在于：所述步骤3中N为图像块大小的十分之一。
7.如权利要求1所述的自监督学习方法，其特征在于：所述步骤4中训练网络包括计算所述N个像素点的损失。
8.如权利要求7所述的自监督学习方法，其特征在于：所述损失函数为均方误差损失函数。
9.如权利要求1～8中任一项所述的自监督学习方法，其特征在于：所述网络框架整体采用Unet结构，所述网络采用Adam优化器进行优化。
10.一种自监督学习的应用，其特征在于：将所述权利要求1～9中任一项所述的自监督学习方法应用于CT图像降噪或者MRI图像降噪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010693415.7A CN111860836A (zh) | 2020-07-17 | 2020-07-17 | 一种自监督学习方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010693415.7A CN111860836A (zh) | 2020-07-17 | 2020-07-17 | 一种自监督学习方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111860836A true CN111860836A (zh) | 2020-10-30 |
Family
ID=73002076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010693415.7A Pending CN111860836A (zh) | 2020-07-17 | 2020-07-17 | 一种自监督学习方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111860836A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436138A (zh) * | 2021-03-31 | 2021-09-24 | 成都飞机工业（集团）有限责任公司 | 一种基于数字图像的航空结构件识别的图像预处理方法 |
| WO2022246677A1 (zh) * | 2021-05-26 | 2022-12-01 | 深圳高性能医疗器械国家研究院有限公司 | 一种增强ct图像的重建方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622729A (zh) * | 2012-03-08 | 2012-08-01 | 北京邮电大学 | 基于模糊集合理论的空间自适应块匹配图像去噪方法 |
| CN107909558A (zh) * | 2017-12-12 | 2018-04-13 | 成都信息工程大学 | 一种基于无监督学习的非局部均值图像去噪方法 |
| CN108885781A (zh) * | 2015-04-28 | 2018-11-23 | 西门子保健有限责任公司 | 用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和系统 |
| CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
| 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 |
| CN109697699A (zh) * | 2017-10-24 | 2019-04-30 | 比亚迪股份有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN109784401A (zh) * | 2019-01-15 | 2019-05-21 | 西安电子科技大学 | 一种基于acgan的极化sar图像分类方法 |
| US20200105031A1 (en) * | 2018-09-30 | 2020-04-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Performing Magnetic Resonance Imaging Reconstruction with Unsupervised Deep Learning |
| US20200118306A1 (en) * | 2018-10-12 | 2020-04-16 | Korea Advanced Institute Of Science And Technology | Method for processing unmatched low-dose x-ray computed tomography image using neural network and apparatus therefor |
| CN111047524A (zh) * | 2019-11-13 | 2020-04-21 | 浙江工业大学 | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 |
-
2020
- 2020-07-17 CN CN202010693415.7A patent/CN111860836A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102622729A (zh) * | 2012-03-08 | 2012-08-01 | 北京邮电大学 | 基于模糊集合理论的空间自适应块匹配图像去噪方法 |
| CN108885781A (zh) * | 2015-04-28 | 2018-11-23 | 西门子保健有限责任公司 | 用于根据低剂量或低kV计算机断层扫描图像合成虚拟高剂量或高kV计算机断层扫描图像的方法和系统 |
| 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 |
| CN109697699A (zh) * | 2017-10-24 | 2019-04-30 | 比亚迪股份有限公司 | 图像处理方法、装置、设备及存储介质 |
| CN107909558A (zh) * | 2017-12-12 | 2018-04-13 | 成都信息工程大学 | 一种基于无监督学习的非局部均值图像去噪方法 |
| CN109035169A (zh) * | 2018-07-19 | 2018-12-18 | 西安交通大学 | 一种无监督/半监督ct图像重建深度网络训练方法 |
| US20200105031A1 (en) * | 2018-09-30 | 2020-04-02 | The Board Of Trustees Of The Leland Stanford Junior University | Method for Performing Magnetic Resonance Imaging Reconstruction with Unsupervised Deep Learning |
| US20200118306A1 (en) * | 2018-10-12 | 2020-04-16 | Korea Advanced Institute Of Science And Technology | Method for processing unmatched low-dose x-ray computed tomography image using neural network and apparatus therefor |
| CN109784401A (zh) * | 2019-01-15 | 2019-05-21 | 西安电子科技大学 | 一种基于acgan的极化sar图像分类方法 |
| CN111047524A (zh) * | 2019-11-13 | 2020-04-21 | 浙江工业大学 | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 |
Non-Patent Citations (2)
| Title |
|---|
| QU, C (QU, CHAO)等: "Depth Completion via Deep Basis Fitting", 2020 IEEE WINTER CONFERENCE ON APPLICATIONS OF COMPUTER VISION (WACV), 1 January 2020 (2020-01-01), pages 71 - 80 * |
| 赵增顺等: "生成对抗网络理论框架、衍生模型与应用最新进展", 小型微型计算机系统, vol. 39, no. 12, 31 December 2018 (2018-12-31), pages 2602 - 2606 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436138A (zh) * | 2021-03-31 | 2021-09-24 | 成都飞机工业（集团）有限责任公司 | 一种基于数字图像的航空结构件识别的图像预处理方法 |
| CN113436138B (zh) * | 2021-03-31 | 2023-07-21 | 成都飞机工业（集团）有限责任公司 | 一种基于数字图像的航空结构件识别的图像预处理方法 |
| WO2022246677A1 (zh) * | 2021-05-26 | 2022-12-01 | 深圳高性能医疗器械国家研究院有限公司 | 一种增强ct图像的重建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| Kang et al. | Deep convolutional framelet denosing for low-dose CT via wavelet residual network | |
| 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 | |
| Yuan et al. | SIPID: A deep learning framework for sinogram interpolation and image denoising in low-dose CT reconstruction | |
| CN110223255B (zh) | 一种基于残差编解码网络的低剂量ct图像去噪递归方法 | |
| CN112258642B (zh) | 基于深度学习的低剂量pet数据三维迭代更新重建方法 | |
| CN111882503A (zh) | 一种图像降噪方法及其应用 | |
| CN111860836A (zh) | 一种自监督学习方法及应用 | |
| Li et al. | Learning non-local perfusion textures for high-quality computed tomography perfusion imaging | |
| WO2022011690A1 (zh) | 一种自监督学习方法及应用 | |
| Chen et al. | Deep learning-based algorithms for low-dose CT imaging: A review | |
| Nazir et al. | Recent developments in denoising medical images using deep learning: an overview of models, techniques, and challenges. | |
| Huang et al. | MLNAN: Multi-level noise-aware network for low-dose CT imaging implemented with constrained cycle Wasserstein generative adversarial networks | |
| 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 | |
| Gholizadeh-Ansari et al. | Low-dose CT denoising using edge detection layer and perceptual loss | |
| Zhou et al. | Limited view tomographic reconstruction using a deep recurrent framework with residual dense spatial-channel attention network and sinogram consistency | |
| Deng et al. | Correcting motion artifacts in coronary computed tomography angiography images using a dual-zone cycle generative adversarial network | |
| Wang et al. | An unsupervised dual contrastive learning framework for scatter correction in cone-beam CT image | |
| Jiang et al. | GDAFormer: Gradient-guided Dual Attention Transformer for Low-Dose CT image denoising | |
| CN113614788A (zh) | 计算机辅助读取和分析的深度强化学习 | |
| US20240104700A1 (en) | Methods and systems for flexible denoising of images using disentangled feature representation field | |
| Zhu et al. | CT metal artifact correction assisted by the deep learning-based metal segmentation on the projection domain | |
| Kang et al. | Denoising Low-Dose CT Images Using a Multi-Layer Convolutional Analysis-Based Sparse Encoder Network | |
| CN110730977B (zh) | 低剂量成像方法及装置 |
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 |