CN112767273B - 一种应用特征解耦的低剂量ct图像修复方法及系统 - Google Patents

一种应用特征解耦的低剂量ct图像修复方法及系统 Download PDF

Info

Publication number
CN112767273B
CN112767273B CN202110079304.1A CN202110079304A CN112767273B CN 112767273 B CN112767273 B CN 112767273B CN 202110079304 A CN202110079304 A CN 202110079304A CN 112767273 B CN112767273 B CN 112767273B
Authority
CN
China
Prior art keywords
image
feature
dose
features
texture
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.)
Active
Application number
CN202110079304.1A
Other languages
English (en)
Other versions
CN112767273A (zh
Inventor
王国利
李振昌
郭雪梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202110079304.1A priority Critical patent/CN112767273B/zh
Publication of CN112767273A publication Critical patent/CN112767273A/zh
Application granted granted Critical
Publication of CN112767273B publication Critical patent/CN112767273B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/77—Retouching; Inpainting; Scratch removal
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20064—Wavelet transform [DWT]
    • 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 Processing (AREA)

Abstract

本发明公开了一种应用特征解耦的低剂量CT图像修复方法及系统，该方法包括：获取原始低剂量CT扫描图像；对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征；将待处理的特征进行修复处理并聚合，得到聚合后特征；对聚合后特征进行解码，恢复出修复后的正常剂量CT扫描图像。该系统包括：图像获取模块、特征解耦模块、修复聚合模块和恢复模块。本发明考虑混合失真之间的相互干扰，对低剂量CT图像进行去噪和修复。本发明作为一种应用特征解耦的低剂量CT图像修复方法及系统，可广泛应用于图像修复领域。

Description

一种应用特征解耦的低剂量CT图像修复方法及系统
技术领域
本发明涉及图像修复领域，尤其涉及一种应用特征解耦的低剂量CT图像修复方法及系统。
背景技术
低剂量X射线计算机断层扫描(Computed Tomography,CT)技术因其可以大大降低扫描辐射对人体造成的危害，近年来被广泛应用在临床医学辅助诊断领域。但同时由于辐射量降低，造成投影数据被污染，使得重建后的CT图像具有大量的噪声和伪影，其图像质量严重下降，从而在一定程度上会影响医生的诊断准确率。因此，如何在降低CT扫描辐射剂量的前提下提高CT图像质量成为当今CT成像领域的研究热点。现有的一些低剂量CT(Low-Dose Computed Tomography,LDCT)图像去噪算法往往存在重建图像过于平滑、边缘模糊以及细节丢失等问题。目前大部分去噪算法往往重点在于如何更好地去除噪声和伪影的影响，而忽视了去噪过程中会造成图像细节信息丢失的情况。
以往的低剂量CT处理方法往往只考虑一种特定的失真，如噪声处理或者纹理修复，但真实世界的图像通常会同时受到多个失真的影响。目前有一些方法可以处理混合失真，但在处理时不考虑混合失真之间的干扰。
发明内容
为了解决上述技术问题，本发明的目的是提供一种应用特征解耦的低剂量CT图像修复方法及系统，考虑混合失真之间的相互干扰，对低剂量CT图像进行去噪和修复。
本发明所采用的第一技术方案是：一种应用特征解耦的低剂量CT图像修复方法，包括以下步骤：
获取原始低剂量CT扫描图像；
对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征；
将待处理的特征进行修复处理并聚合，得到聚合后特征；
对聚合后特征进行解码，恢复出修复后的正常剂量CT扫描图像。
进一步，所述这对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征一步骤，其具体包括：
基于编码器对原始低剂量CT扫描图像，得到图像的特征表征；
基于FDM特征解耦器对图像的特征表征进行特征解耦，得到噪声失真的特征和纹理细节失真的特征。
进一步，所述FDM特征解耦器采用CNN神经网络。
进一步，所述将待处理的特征进行修复处理并聚合，得到聚合后特征这一步骤，其具体包括：
基于预训练的去噪处理器对噪声失真的特征进行去噪处理，得到去噪后的特征；
基于预训练的纹理修复器对纹理细节失真的特征进行纹理修复处理，得到纹理修复后的特征；
将去噪后的特征和纹理修复后的特征经过FAM特征聚合模块进行特征聚合，得到聚合后的特征。
进一步，所述预训练的去噪处理器的训练步骤包括：
获取低剂量CT图像和高剂量CT图像，得到训练图像；
基于训练图像对REDCNN网络进行训练，得到去噪处理器；
对去噪处理器加入注意力机制，得到预训练的去噪处理器。
进一步，所述预训练的纹理修复器的训练步骤包括：
基于训练图像对小波变换的U-net网络进行训练，得到纹理细节修复的纹理修复器；
对纹理细节修复的纹理修复器加入注意力机制，得到预训练纹理修复器。
本发明所采用的第二技术方案是：一种应用特征解耦的低剂量CT图像修复系统，包括：
图像获取模块，用于获取原始低剂量CT扫描图像；
特征解耦模块，用于对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征；
修复聚合模块，用于将待处理的特征进行修复处理并聚合，得到聚合后特征；
恢复模块，用于对聚合后特征进行解码，恢复出修复后的正常剂量CT扫描图像。
本发明方法及系统的有益效果是：本发明通过对低剂量CT图像LDCT进行失真特征解耦后依次对失真进行处理，实现了一个端到端的低剂量CT图像修复网络模型，对于不同的失真特征，采用了对应的失真处理，依次解决了低剂量CT图像中存在的噪声和纹理细节丢失的两种失真干扰，从而实现低剂量CT图像的修复。
附图说明
图1是本发明一种应用特征解耦的低剂量CT图像修复方法的步骤流程图；
图2是本发明一种应用特征解耦的低剂量CT图像修复系统的结构框图；
图3是本发明具体实施例FDM特征解耦模块的框架结构图；
图4是本发明具体实施例FAM特征聚合模块的框架结构图；
图5是本发明具体实施例REDCNN神经网络的框架结构图；
图6是本发明具体实施例注意力机制的结构图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1，本发明提供了一种应用特征解耦的低剂量CT图像修复方法，该方法包括以下步骤：
S1、获取原始低剂量CT扫描图像；
具体地，低剂量图像使用的采集电压为100KV，低剂量图像相对于正常剂量具有噪声伪影、纹理细节丢失等失真干扰，要从去噪和修复两个角度对低剂量CT图像进行修复，以达到正常剂量CT图像效果。
S2、对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征；
S3、将待处理的特征进行修复处理并聚合，得到聚合后特征；
S4、对聚合后特征进行解码，恢复出修复后的正常剂量CT扫描图像。
具体地，将聚合后的特征送入Decoder网络，恢复出修复后的正常剂量的CT图像。网络总的损失函数为：
Loss＝L1loss+βLossF
其中L1loss为一范数损失，LossF为解耦过程中的约束损失，而β取0.00001。
进一步作为本方法的优选实施例，所述这对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征一步骤，其具体包括：
基于编码器对原始低剂量CT扫描图像，得到图像的特征表征；
具体地，对低剂量CT图像使用编码器Encoder，Encoder编码器的构成可分为五层卷积层，前两层由两次卷积操作和一次池化操作组成，而后三次由三次卷积操作和一次池化操作组成。中间使用RELU函数作为激活，加入BatchNormalisation归一化操作，获得低剂量CT图像的特征表征。
基于FDM特征解耦器对图像的特征表征进行特征解耦，得到噪声失真的特征和纹理细节失真的特征。
具体地，即使用FDM特征解耦模块将信号进行特征解耦。不同线性滤波器和除法归一化的组合具有分解滤波器响应的能力。CNN的特征表示也是由一系列基本滤波器/核的响应组成的。发明中的FDM模块使用了CNN神经网络进行滤波处理，CNN处理后的特征图看作CNN滤波器的响应，利用基于增益控制的归一化方法对响应进行处理，减少相应之间的依赖性，以得到噪声失真和纹理细节失真相互独立的特征表征。
另外，如对于一个给定的特征表征Fin，我们使用神经网络中的卷积层(Cin×Cout×k×k)来代替传统滤波中的滤波器(＜f1,f2,...,fn＞)。每一个卷积层的输出结果可以被划分到不同channel上，即：
＜S1,S2,S3,...,Scout＞＝conv(Fin)
其中Si表示输出特性中的第i个信道，conv表示卷积层。
传统的基于增益的归一化控制方法可以表达为：
但为了将基于增益控制的归一化公式引入CNN，我们将上式修改为下式：
其中ωji和bi可以通过梯度下降学习。Si和Di表示增益控制前后特征的第i个通道分量。在公式中主要做了两个主要的改进，使之适用于CNN提取响应的任务。其中一个改进是之前公示，分母和分子变成原始分母和分子的平方根，这使得梯度传播更容易实现。另一个改进是用特征Si的信道分量代替滤波器Li的响应，这适合于信道特性分离。
为了指导卷积层、ωji和bi参数的研究，引入谱值差正交正则化(SVDO)作为损耗约束，已减少特征之间的相关性。SVDO可以表达成以下：
λ1(FFT)和λ2(FFT)分别表示FFT的最大和最小特征值。F是特征表征，T表示矩阵转置。根据以上分析，本发明中设置了相应的特征分离模块。如图3所示，每个FDM模块具有多个FDM层，并且每个FDM层由一个卷积层和基于修正增益控制的归一化组成。
进一步作为本方法的优选实施例，所述FDM特征解耦器采用CNN神经网络。
进一步作为本方法的优选实施例，所述将待处理的特征进行修复处理并聚合，得到聚合后特征这一步骤，其具体包括：
基于预训练的去噪处理器对噪声失真的特征进行去噪处理，得到去噪后的特征；
基于预训练的纹理修复器对纹理细节失真的特征进行纹理修复处理，得到纹理修复后的特征；
将去噪后的特征和纹理修复后的特征经过FAM特征聚合模块进行特征聚合，得到聚合后的特征。
具体地，所使用的FAM模块总体架构如图4所示，为了构造图像，我们对FDM时响应提取的公式进行反演：
其中Fc_i表示与干净图像的分布相对应的输出特征。通过该模块，可以将处理后的图像信息聚合到原始特征空间，适合于重建复原图像。
进一步作为本方法优选实施例，所述预训练的去噪处理器的训练步骤包括：
获取低剂量CT图像和高剂量CT图像，得到训练图像；
基于训练图像对REDCNN网络进行训练，得到去噪处理器；
对去噪处理器加入注意力机制，得到预训练的去噪处理器。
具体地，REDCNN的网络框架如图5所示，分为四层Encoder和四层Decoder模块，为了保全低维度的细节信息，采用了跳跃连接。而且在对图像进行去噪处理的时候，尽量不对图像尺寸进行太大改变，因此在conv卷积操作时采用padding，以维持特征图的尺寸，同时去除pooling池化和BN批归一化操作。
另外，在此过程中，并不对所有的特征信道channel都进行去噪处理，而是加入注意力机制，对部分channel进行去噪处理。
如图6所示，其中GAP表示GlobalAverage Pooling，ChannelAttention表示通道级别的注意力机制，相当于不同特征图之间的相关关系，×表示低维特征与注意力向量进行叉乘，+表示高维向量和所得到的注意力相量进行张量加法运算，本发明在实现注意力机制时，先对不同channel特征矩阵进行全局平均池化，接下来计算相似度，这里使用的是余弦相似度，因此先将二维矩阵延展成一维向量，然后对一位向量进行1×1的卷积，再根据余弦相似度公示进行叉乘。对得到的一维特征向量再进行1×1的卷积，最后经过一层softmax层后，就得到了注意力向量。最后使用注意两向量与低维特征相乘，再加入到高维特征中。
进一步作为本方法优选实施例，所述预训练的纹理修复器的训练步骤包括：
基于训练图像对小波变换的U-net网络进行训练，得到纹理细节修复的纹理修复器；
对纹理细节修复的纹理修复器加入注意力机制，得到预训练纹理修复器。
具体地，基于小波变换的U-net网络如图6所示，该网络的基本结构参考VGGnet[52]网络结构的设计，一共包括12个卷积层，其中从第二个卷积层开始的9个卷积模块的结构为“卷积+BatchNorm+激活函数”，第一个和最后两个卷积层不含BatchNorm模块，此外，除了最后两个卷积的卷积核尺寸为1*1之外，所有卷积核的尺寸均为3*3。激活函数使用的是斜率为0.2的Leaky-Relu激活函数，中间9个卷积模块中卷积步长保持1、2相互交替变化。随着卷积层的加深，特征通道数也逐渐成倍增加至512层后保持不变。同时在9个卷积模块后增加一层平均池化层，该操作可避免模型过拟合，最后一层采用的是Sigmoid激活函数，最终输出判别图像为真实图像的概率值，其值为0至1之间。
训练好该TP修复网络后，利用TP对噪声失真已修复但纹理失真特征未修复的特征表征进行处理，其中加入channel级别的注意力机制，对纹理细节失真所解耦到的channel进行处理；修复纹理细节信息。
如图2所示，一种应用特征解耦的低剂量CT图像修复系统，包括：
图像获取模块，用于获取原始低剂量CT扫描图像；
特征解耦模块，用于对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征；
修复聚合模块，用于将待处理的特征进行修复处理并聚合，得到聚合后特征；
恢复模块，用于对聚合后特征进行解码，恢复出修复后的正常剂量CT扫描图像。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (5)

1.一种应用特征解耦的低剂量CT图像修复方法，其特征在于，包括以下步骤：
获取原始低剂量CT扫描图像；
对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征；
将待处理的特征进行修复处理并聚合，得到聚合后特征；
对聚合后特征进行解码，恢复出修复后的正常剂量CT扫描图像；
所述对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征这一步骤，其具体包括：
基于编码器对原始低剂量CT扫描图像，得到图像的特征表征；
基于FDM特征解耦器对图像的特征表征进行特征解耦，得到噪声失真的特征和纹理细节失真的特征；
FDM特征解耦器引入引入谱值差正交正则化作为损耗约束，谱值差正交正则化表达式如下：
其中，λ1(FFT)和λ2(FFT)分别表示FFT的最大特征值和最小特征值，F是特征表征，T表示矩阵转置；
所述将待处理的特征进行修复处理并聚合，得到聚合后特征这一步骤，其具体包括：
基于预训练的去噪处理器对噪声失真的特征进行去噪处理，得到去噪后的特征；
基于预训练的纹理修复器对纹理细节失真的特征进行纹理修复处理，得到纹理修复后的特征；
将去噪后的特征和纹理修复后的特征经过FAM特征聚合模块进行特征聚合，得到聚合后的特征；
FAM特征聚合模块对FDM时响应提取的公式进行反演：
其中，Fc_i表示与干净图像的分布相对应的输出特征。
2.根据权利要求1所述一种应用特征解耦的低剂量CT图像修复方法，其特征在于，所述FDM特征解耦器采用CNN神经网络。
3.根据权利要求2所述一种应用特征解耦的低剂量CT图像修复方法，其特征在于，所述预训练的去噪处理器的训练步骤包括：
获取低剂量CT图像和高剂量CT图像，得到训练图像；
基于训练图像对REDCNN网络进行训练，得到去噪处理器；
对去噪处理器加入注意力机制，得到预训练的去噪处理器。
4.根据权利要求3所述一种应用特征解耦的低剂量CT图像修复方法，其特征在于，所述预训练的纹理修复器的训练步骤包括：
基于训练图像对小波变换的U-net网络进行训练，得到纹理细节修复的纹理修复器；
对纹理细节修复的纹理修复器加入注意力机制，得到预训练的纹理修复器。
5.一种应用特征解耦的低剂量CT图像修复系统，其特征在于，包括以下模块：
图像获取模块，用于获取原始低剂量CT扫描图像；
特征解耦模块，用于对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征；
修复聚合模块，用于将待处理的特征进行修复处理并聚合，得到聚合后特征；
恢复模块，用于对聚合后特征进行解码，恢复出修复后的正常剂量CT扫描图像；
所述对原始低剂量CT扫描图像进行特征解耦，得到待处理的特征，其具体包括：基于编码器对原始低剂量CT扫描图像，得到图像的特征表征；基于FDM特征解耦器对图像的特征表征进行特征解耦，得到噪声失真的特征和纹理细节失真的特征；
所述将待处理的特征进行修复处理并聚合，得到聚合后特征，其具体包括：基于预训练的去噪处理器对噪声失真的特征进行去噪处理，得到去噪后的特征；基于预训练的纹理修复器对纹理细节失真的特征进行纹理修复处理，得到纹理修复后的特征；将去噪后的特征和纹理修复后的特征经过FAM特征聚合模块进行特征聚合，得到聚合后的特征；FDM特征解耦器引入引入谱值差正交正则化作为损耗约束，谱值差正交正则化表达式如下：
其中，λ1(FFT)和λ2(FFT)分别表示FFT的最大特征值和最小特征值，F是特征表征，T表示矩阵转置；
FAM特征聚合模块对FDM时响应提取的公式进行反演：
其中，Fci表示与干净图像的分布相对应的输出特征。
CN202110079304.1A 2021-01-21 2021-01-21 一种应用特征解耦的低剂量ct图像修复方法及系统 Active CN112767273B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110079304.1A CN112767273B (zh) 2021-01-21 2021-01-21 一种应用特征解耦的低剂量ct图像修复方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110079304.1A CN112767273B (zh) 2021-01-21 2021-01-21 一种应用特征解耦的低剂量ct图像修复方法及系统

Publications (2)

Publication Number Publication Date
CN112767273A CN112767273A (zh) 2021-05-07
CN112767273B true CN112767273B (zh) 2023-10-20

Family

ID=75702079

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110079304.1A Active CN112767273B (zh) 2021-01-21 2021-01-21 一种应用特征解耦的低剂量ct图像修复方法及系统

Country Status (1)

Country Link
CN (1) CN112767273B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113379868A (zh) * 2021-07-08 2021-09-10 安徽工程大学 基于卷积稀疏编码网络的低剂量ct图像噪声伪影分解方法
CN117218720B (zh) * 2023-08-25 2024-04-16 中南民族大学 一种复合注意力机制的足迹识别方法、系统及相关装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106340036A (zh) * 2016-08-08 2017-01-18 东南大学 一种基于双目立体视觉的立体匹配方法
CN108492269A (zh) * 2018-03-23 2018-09-04 西安电子科技大学 基于梯度正则卷积神经网络的低剂量ct图像去噪方法
CN109166161A (zh) * 2018-07-04 2019-01-08 东南大学 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统
CN110930318A (zh) * 2019-10-31 2020-03-27 中山大学 一种低剂量ct图像修复去噪方法
CN112102213A (zh) * 2020-11-23 2020-12-18 南京安科医疗科技有限公司 低剂量ct图像处理方法、扫描系统及计算机存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106340036A (zh) * 2016-08-08 2017-01-18 东南大学 一种基于双目立体视觉的立体匹配方法
CN108492269A (zh) * 2018-03-23 2018-09-04 西安电子科技大学 基于梯度正则卷积神经网络的低剂量ct图像去噪方法
CN109166161A (zh) * 2018-07-04 2019-01-08 东南大学 一种基于噪声伪影抑制卷积神经网络的低剂量ct图像处理系统
CN110930318A (zh) * 2019-10-31 2020-03-27 中山大学 一种低剂量ct图像修复去噪方法
CN112102213A (zh) * 2020-11-23 2020-12-18 南京安科医疗科技有限公司 低剂量ct图像处理方法、扫描系统及计算机存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于天空分割的去雾算法在目标检测中的应用;朱晓霞;施智平;邵振洲;关永;任长娥;;计算机应用与软件(第02期);第1-4页 *
融合文本与图形理解的电路题目自动解答;菅朋朋;王彦丽;夏盟;;计算机应用与软件(第02期);第1-4页 *

Also Published As

Publication number Publication date
CN112767273A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
Kang et al. Deep convolutional framelet denosing for low-dose CT via wavelet residual network
Hu et al. Artifact correction in low‐dose dental CT imaging using Wasserstein generative adversarial networks
CN108492269B (zh) 基于梯度正则卷积神经网络的低剂量ct图像去噪方法
Mehranian et al. X-ray CT metal artifact reduction using wavelet domain $ L_ {0} $ sparse regularization
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
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
CN110827216A (zh) 图像去噪的多生成器生成对抗网络学习方法
CN112767273B (zh) 一种应用特征解耦的低剂量ct图像修复方法及系统
Yuan et al. SIPID: A deep learning framework for sinogram interpolation and image denoising in low-dose CT reconstruction
CN112258415B (zh) 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法
JP7237624B2 (ja) 画像処理装置および画像処理方法
Zhang et al. REDAEP: Robust and enhanced denoising autoencoding prior for sparse-view CT reconstruction
CN103810734A (zh) 一种低剂量x射线ct投影数据恢复方法
Gajera et al. CT-scan denoising using a charbonnier loss generative adversarial network
CN113487503A (zh) 一种基于通道注意力生成对抗网络的pet超分辨率方法
Tao et al. VVBP-tensor in the FBP algorithm: its properties and application in low-dose CT reconstruction
CN110070510A (zh) 一种基于vgg-19提取特征的cnn医学图像降噪方法
Jiang et al. Wasserstein generative adversarial networks for motion artifact removal in dental CT imaging
CN114358285A (zh) 一种基于流模型的pet系统衰减校正方法
Chan et al. An attention-based deep convolutional neural network for ultra-sparse-view CT reconstruction
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
CN114463459B (zh) 一种pet图像的部分容积校正方法、装置、设备及介质
CN116152373A (zh) 一种结合神经网络和卷积字典学习的低剂量ct图像重建方法
CN116563554A (zh) 基于混合表征学习的低剂量ct图像去噪方法
CN116228900A (zh) 一种基于深度学习的压缩能谱x射线ct图像重建方法

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