CN113256752A - 一种基于双域交织网络的低剂量ct重建方法 - Google Patents
一种基于双域交织网络的低剂量ct重建方法 Download PDFInfo
- Publication number
- CN113256752A CN113256752A CN202110633734.3A CN202110633734A CN113256752A CN 113256752 A CN113256752 A CN 113256752A CN 202110633734 A CN202110633734 A CN 202110633734A CN 113256752 A CN113256752 A CN 113256752A
- Authority
- CN
- China
- Prior art keywords
- module
- network
- dose
- branch
- image
- 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
Images
Classifications
-
- 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
- G06T11/005—Specific pre-processing for tomographic reconstruction, e.g. calibration, source positioning, rebinning, scatter correction, retrospective gating
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (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)
- Image Analysis (AREA)
Abstract
本发明为一种基于双域交织网络的低剂量CT重建方法,属于医学图像处理和计算机视觉领域;该方法以低剂量CT图像及相应正弦图作为输入,通过两个阶段对于失真支路和感知支路,融合支路的分别训练,使用可学习的参数进行失真与感知上的平衡;本发明方法程序简单,易于实现,可以以端到端的方式得到更加符合医生诊断需求的重建结果;本发明可以一个网络产生可调节的重建结果,针对噪声分布不均匀的CT图像可以自由选择相应重建结果,且在保证整体感知效果的同时,保护CT图像病灶纹理及器官结构。
Description
技术领域
本发明属于医学图像处理和计算机视觉技术领域,具体涉及一种基于双域交织网络实现重建结果可调的低剂量CT重建方法。
背景技术
现阶段,计算机断层扫描(CT,Computed Tomography)已经成为一种普遍的辅助诊断的成像方法。然而为了保证CT图像的足够清晰,高剂量射线对人体带来的辐射风险不可小觑。多数设备旨在减小高剂量辐射可能带来的癌变或遗传性损伤风险,使得低剂量CT应运而生。如何解决减小辐射剂量所带来的更强噪声,更多伪影,成为了一个具有挑战性的问题。
现有方法可以概括为以下三类:(1)针对CT正弦图(sinogram)的滤波重建方法:这些方法面向正弦图设计滤波从而实现重建,应用最广泛的此类方法是FBP(Filtered BackProjection,滤波反投影)(AC Kak,“Digital image processing techniques,”DigitalImage Processing Techniques,Academic Press,Orlando,pp.111-169,1984.)这一类方法计算简单,但重建分辨率低且会引入很多伪影。(2)迭代重建方法:这些方法将重建问题转化为迭代优化过程,计算量大且效果不稳定(Marcel Beister,Daniel Kolditz,andWilli A Kalender,“Iterative reconstruction methods in x-ray ct,”Physicamedica,vol.28,no.2,pp.94–108,2012.)。(3)基于CNN(卷积神经网络,ConvolutionalNeural Network)的重建方法:近年来,出现很多基于CNN的重建方法,CNN以其对特征强大的表现能力直接学习低剂量CT图像到正常剂量CT图像之间的映射,比如RED-CNN方法(HuChen,Yi Zhang,Mannudeep K Kalra,Feng Lin,Yang Chen,Peixi Liao,Jiliu Zhou,andGeWang,“Low-dose CT with a residual encoder-decoder convolutional neuralnetwork,”IEEE transactions on medical imaging,vol.36,no.12,pp.2524–2535,2017.)。
但是,现有CNN方法仅仅利用图像域特征进行网络的学习,而针对正弦图没有很好的结合,这使得在从正弦图重建到图像的过程中产生的噪声无法被很好的处理。其次,CT图像的噪声分布往往不均匀,目前方法想要针对不同病灶产生不同等级的去噪结果需要训练不同的网络参数。
发明内容
由于现有方法针对正弦图没有很好的结合,这使得在从正弦图重建到图像的过程中产生的噪声无法被很好的处理,且结果不可调,本发明克服了现有技术的不足,提供了一种基于双域交织网络实现重建结果可调的低剂量CT重建方法,并可以通过一个网络产生不同去噪等级的重建结果。
为了达到上述目的,本发明是通过如下技术方案实现的:
一种基于双域交织网络的低剂量CT重建方法,包括以下步骤:
S1:准备训练数据:训练数据集包含低剂量CT图像及相应正弦图以及对应的正常剂量CT图像及相应正弦图;所述低剂量CT是正常剂量CT的0.15-0.25倍,正常一次扫描辐射CT量为3-5mSv。
S2:搭建双域交织网络:所述双域交织网络由失真支路、感知支路和融合支路组成;所述失真支路由多个交织模块构成,所述的感知支路由多个感知模块构成,所述的融合支路由多个融合模块构成;所述的交织模块、感知模块和融合模块数量相等。
所述的交织模块由一个正弦模块和一个图像模块构成;所述的感知模块由卷积层、激活层、卷积层的结构组成。
第m个交织模块的输出Dm与对应第m个感知模块的输出结果Pm通过融合支路的计算后拼接在一起然后再经过一个卷积层得到重建结果,第m个融合模块的结果计算过程如下:
Rm=(1-αm)Dm+αmPm
其中,Rm为第m个融合模块的结果,αm为第m个融合模块通过输入α及网络学习到的融合权重。
S3:构建损失函数并训练网络:损失函数分别从失真保护和感知效果两方面来保证重建结果的质量;包括训练失真支路时的损失函数LD和训练感知支路时的感知损失函数LP。
训练分为以下两个阶段:
第一阶段:训练失真支路,α=0,使用损失函数LD进行网络训练;
第二阶段:训练感知支路和融合支路,α=1,使用损失函数LP进行网络训练。
S4:测试与评估:分别在两个数据集训练集上训练收敛后的网络,在对应的测试集中进行测试和评估。
进一步的,所述步骤S2,是先输入的低剂量的CT图像,经过N个卷积层进行浅层特征提取,N>1,然后进入双域交织网络。
进一步的,所述步骤S2中,所述交织模块的搭建具体包括以下步骤:
S2-1)第m-1个交织模块的输出作为第m个交织模块的输入Dm-1,首先经过由卷积层,反卷积层,自适应池化层组成的正弦模块,结果为Sm-1;即:
Sm-1=Adapool.(Deconv.(Conv.(Dm-1)))
其中,Conv.(*)代表对*进行卷积操作;Deconv.(*)代表对*进行反卷积操作;Adapool.(*)代表对*进行自适应池化操作。
S2-2)Sm-1进入图像模块输出结果Dm,其中第一个交织模块中正弦模块的输出结果S1与正弦图拼接作为图像模块的输入。
更进一步,步骤S2-2所述输出结果S1与正弦图拼接具体为:
S2-2-1)Sm-1在图像模块中首先经过卷积层,反卷积层及自适应池化层得到Sm-1′即:
Sm-1′=Adapool.(Deconv.(Conv.(Sm-1′)))
S2-2-2)Sm-1′经过如下注意力操作得到结果Dm,公式如下:
Dm=Sm-1′*ReLU(Sm-1′-Deconv.(Avgpool.(Sm-1′)))+Sm-1′
其中,ReLU(*)代表对*进行ReLU激活;Avgpool.(*)代表对*进行平均池化操作。
更进一步,感知支路的输入为输入CT图像经过N(N>1)个卷积初步提取的特征f;第m个感知模块的组成如下:
f作为第m个感知模块的输入,首先卷积层,激活函数和卷积层后结果为Pm;即
Pm=Conv.(ReLU(Conv.(Sm-1′)));
融合支路的输入为参数α,第m个失真模块的输出Dm,第m个感知模块的输出Pm;
参数α通过K(K>2)个全连接层得到α′;α′经过第m个融合模块的K(K>2)个全连接,学习到αm。
更进一步,将m个融合模块的结果拼接,并输出到最后的卷积层输出结果Rout,即:
Rout=Conv.(Concat.(Rm,Rm-1,Rm-2,...R1))
其中Concat.(*)表示拼接操作;Rm,Rm-1,Rm-2,...R1表示第m个到第1个融合模块的结果。
进一步的,步骤S3中,所述的失真损失函数LD为:
其中N表示训练样本总数,pt表示t位置的像素;R和IT分别为网络得到的重建结果和正常剂量的CT图像,R(pt)和IT(pt)为所对应的像素值。
进一步的,步骤S3中分两个阶段训练网络,使用Adam优化器进行优化。
本发明相对于现有技术所产生的有益效果为:
本发明基于深度学习,以低剂量CT图像作为输入,通过双域交织网络的产生可调的重建结果。该发明具有以下特点:
1、网络框架容易构建,可以以端到端的方式得到高分辨率的重建结果。
2、通过本发明设计的双域交织网络,解决以往方法结合正弦域不充分而产生的噪声去除不充分问题。
3、分两个阶段分别训练失真支路与感知支路,并通过融合支路平衡,使重建结果更符合医生诊断需求。
4、重建结果充分考虑CT图像噪声分布不均匀的问题,针对实际的诊断,可以对于不同的部位,自由选择去噪强度,且只需要训练一次。
附图说明
图1是本发明所述的双域交织网络结构图。
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,结合实施例和附图,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。下面结合实施例及附图详细说明本发明的技术方案,但保护范围不被此限制。
一种基于双域交织网络实现重建结果可调的低剂量CT重建方法,具体网络结构如图1所示,方法实施包括下列步骤:
第一步,准备训练数据:
训练数据包括大阪肺疾患数据和Mayo数据两部分。两个数据集中都包含低剂量图像以及对应的正常剂量图像。
1-1)大阪肺疾患数据:该数据集由大阪大学医院提供,包含129病人,共有6种不同肺疾患数据,图像大小都为512X512像素。低剂量CT图像由正常剂量CT图像加噪声仿真而成,相当于0.25倍正常剂量CT图像。训练数据我们选用包含全部6种肺疾患的共3030个图像对及相关正弦图,测试集,我们使用600个CT图像对及相关正弦图。
1-2)Mayo数据:此数据集来自2016NIH-AAPM-Mayo Clinic Low Dose CT GrandChallenge比赛的公开数据。数据集中包含十个病人的真实正常剂量CT图像以及对应的低剂量CT图像。图像大小都为512X512像素。低剂量CT图像由正常剂量CT图像加噪声仿真而成,相当于0.25倍正常剂量CT图像。训练集由9个病人(L067,L096,L109,L143,L192,L286,L291,L310,L333)的所有图像对及相关正弦图组成,测试集为一个病人(L506)的所有211个图像对及相关正弦图。
第二步,搭建双域交织网络,如图1所示:首先输入的低剂量的CT图像,经过两个卷积层进行浅层特征提取,前两个卷积层的卷积核大小为3×3,然后与经过FBP算法重建的正弦图拼接进入失真支路,三路网络分别由数量相等(m个,m方法中取10)的“交织模块”,“感知模块”和“融合模块”构成,每个交织模块由一个正弦模块和一个图像模块构成;每个感知模块由【卷积层,激活层,卷积层】的结构组成,第m个交织模块的输出Dm与对应第m个感知模块的输出结果Pm通过融合支路的计算后拼接在一起然后再经过一个卷积层得到重建结果,第m个融合模块的结果计算过程如下:
Rm=(1-αm)Dm+αmPm。
搭建双域交织网络中,失真支路的交织模块的搭建具体包括以下步骤:
2-1)第m-1个交织模块的输出作为第m个交织模块的输入Dm-1,首先经过由卷积层,反卷积层,自适应池化层组成的正弦模块,结果为Sm-1;即:
Sm-1=Adapool.(Deconv.(Conv.(Dm-1)))
其中,Conv.(*)代表对*进行卷积操作;Deconv.(*)代表对*进行反卷积操作;Adapool.(*)代表对*进行自适应池化操作;此处自适应池化的参数为(736,1138)。
2-2)Sm-1进入图像模块输出结果Dm,其中第一个交织模块中正弦模块的输出结果S1会与正弦图拼接作为图像模块的输入。
2-2-1)Sm-1在图像模块中首先经过卷积层,反卷积层及自适应池化层得到Sm-1′即:
Sm-1′=Adapool.(Deconv.(Conv.(Sm-1′)))
此处自适应池化的参数为(512,512)。
2-2-2)Sm-1′经过如下注意力操作得到结果Dm,公式如下:
Dm=Sm-1′*ReLU(Sm-1′-Deconv.(Avgpool.(Sm-1′)))+Sm-1′
其中,ReLU(*)代表对*进行ReLU激活;Avgpool.(*)代表对*进行平均池化操作。
感知支路的输入为输入CT图像经过N(N>1)个卷积初步提取的特征f。第m个感知模块的组成如下:
2-3)f作为第m个感知模块的输入,首先卷积层,激活函数和卷积层后结果为Pm;即Pm=Conv.(ReLU(Conv.(Sm-1′)));
融合支路的输入为参数α,第m个失真模块的输出Dm,第m个感知模块的输出Pm。
2-4)首先参数α通过K(K>2)个全连接层得到α′。
2-5)α′经过第m个融合模块的K(K>2)个全连接,学习到αm。
2-6)第m个交织模块的输出Dm与对应第m个感知模块的输出结果Pm通过融合支路的计算,第m个融合模块的结果计算过程如下:
Rm=(1-αm)Dm+αmPm
2-7)将m个融合模块的结果拼接,并输出到最后的卷积层输出结果Rout,即:
Rout=Conv.(Concat.(Rm,Rm-1,Rm-2,...R1))
其中Concat.(*)表示拼接操作;Rm,Rm-1,Rm-2,...R1表示第m个到第1个融合模块的结果。
上述步骤中的卷积层与反卷积层的卷积核大小均为3x3,32通道。
第三步,构建损失函数并训练网络,具体包括以下步骤:
损失函数分别从失真保护和感知效果两方面来保证重建结果的质量;包括训练失真支路时的损失函数LD和训练感知支路时的感知损失函数LP。
3-1)失真损失函数LD:在第一阶段训练失真支路,我们使用失真损失函数LD
其中N表示训练样本总数,pt表示t位置的像素;R和IT分别为网络得到的重建结果和正常剂量的CT图像,R(pt)和IT(pt)为所对应的像素值。
3-2)感知损失函数LP:在第二阶段训练感知支路和融合支路时我们使用感知损失函数,用于平衡失真和感知,避免重建结果过度去噪导致纹理消失,过度平滑,或去噪不足影响诊断结果。
3-3)分两个阶段训练网络,使用Adam优化器进行优化,其中的参数为:动量momentum=0.9,参数β1=0.9,参数β2=0.99,参数∈=10-8。初始学习率为10-5,每训练20周期学习率乘以0.5。
第四步,测试与评估;
分别在两个数据集训练集上训练收敛后的网络,在对应的测试集中进行测试及评估。
以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (9)
1.一种基于双域交织网络的低剂量CT重建方法,其特征在于,包括以下步骤:
S1:准备训练数据:训练数据集包含低剂量CT图像及相应正弦图以及对应的正常剂量CT图像及相应正弦图;所述低剂量CT是正常剂量CT的0.15-0.25倍;
S2:搭建双域交织网络:所述双域交织网络由失真支路、感知支路和融合支路组成;所述失真支路由多个交织模块构成,所述的感知支路由多个感知模块构成,所述的融合支路由多个融合模块构成;所述的交织模块、感知模块和融合模块数量相等;
所述的交织模块由一个正弦模块和一个图像模块构成;所述的感知模块由卷积层、激活层、卷积层的结构组成;
第m个交织模块的输出Dm与对应第m个感知模块的输出结果Pm通过融合支路的计算后拼接在一起然后再经过一个卷积层得到重建结果,第m个融合模块的结果计算过程如下:
Rm=(1-αm)Dm+αmPm
其中,Rm为第m个融合模块的结果,αm为第m个融合模块通过输入α及网络学习到的融合权重;
S3:构建损失函数并训练网络:损失函数分别从失真保护和感知效果两方面来保证重建结果的质量;包括训练失真支路时的损失函数LD和训练感知支路时的感知损失函数LP;
训练分为以下两个阶段:
第一阶段:训练失真支路,α=0,使用损失函数LD进行网络训练;
第二阶段:训练感知支路和融合支路,α=1,使用损失函数LP进行网络训练;
S4:测试与评估:分别在两个数据集训练集上训练收敛后的网络,在对应的测试集中进行测试和评估。
2.根据权利要求1所述的一种基于双域交织网络的低剂量CT重建方法,其特征在于,所述步骤S2,是先输入的低剂量的CT图像,经过N个卷积层进行浅层特征提取,N>1,然后进入双域交织网络。
3.根据权利要求1所述的一种基于双域交织网络的低剂量CT重建方法,其特征在于,所述步骤S2中,所述交织模块的搭建具体包括以下步骤:
S2-1)第m-1个交织模块的输出作为第m个交织模块的输入Dm-1,首先经过由卷积层,反卷积层,自适应池化层组成的正弦模块,结果为Sm-1;即:
Sm-1=Adapool.(Deconv.(Conu.(Dm-1)))
其中,Conv.(*)代表对*进行卷积操作;Deconv.(*)代表对*进行反卷积操作;Adapool.(*)代表对*进行自适应池化操作;
S2-2)Sm-1进入图像模块输出结果Dm,其中第一个交织模块中正弦模块的输出结果S1与正弦图拼接作为图像模块的输入。
4.根据权利要求3所述的一种基于双域交织网络的低剂量CT重建方法,其特征在于,步骤S2-2所述输出结果S1与正弦图拼接具体为:
S2-2-1)Sm-1在图像模块中首先经过卷积层,反卷积层及自适应池化层得到Sm-1′即:
Sm-1′=Adapool.(Deconv.(Conv.(Sm-1′)))
S2-2-2)Sm-1′经过如下注意力操作得到结果Dm,公式如下:
Dm=Sm-1′*ReLU(Sm-1′-Deconv.(Avgpool.(Sm-1′)))+Sm-1′
其中,ReLU(*)代表对*进行ReLU激活;Avgpool.(*)代表对*进行平均池化操作。
5.根据权利要求4所述的一种基于双域交织网络的低剂量CT重建方法,其特征在于,感知支路的输入为输入CT图像经过N(N>1)个卷积初步提取的特征f;第m个感知模块的组成如下:
f作为第m个感知模块的输入,首先卷积层,激活函数和卷积层后结果为Pm;即Pm=Conv.(ReLU(Conv.(Sm-1′)));
融合支路的输入为参数α,第m个失真模块的输出Dm,第m个感知模块的输出Pm;
参数α通过K(K>2)个全连接层得到α′;α′经过第m个融合模块的K(K>2)个全连接,学习到αm。
6.根据权利要求5所述的一种基于双域交织网络的低剂量CT重建方法,其特征在于,将m个融合模块的结果拼接,并输出到最后的卷积层输出结果Rout,即:
Rout=Conv.(Concat.(Rm,Rm-1,Rm-2,...R1))
其中Concat.(*)表示拼接操作;Rm,Rm-1,Rm-2,...R1表示第m个到第1个融合模块的结果。
9.根据权利要求1所述的一种基于双域交织网络的低剂量CT重建方法,其特征在于,步骤S3中分两个阶段训练网络,使用Adam优化器进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633734.3A CN113256752B (zh) | 2021-06-07 | 2021-06-07 | 一种基于双域交织网络的低剂量ct重建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110633734.3A CN113256752B (zh) | 2021-06-07 | 2021-06-07 | 一种基于双域交织网络的低剂量ct重建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113256752A true CN113256752A (zh) | 2021-08-13 |
CN113256752B CN113256752B (zh) | 2022-07-26 |
Family
ID=77186880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110633734.3A Active CN113256752B (zh) | 2021-06-07 | 2021-06-07 | 一种基于双域交织网络的低剂量ct重建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113256752B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
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 |
CN110992290A (zh) * | 2019-12-09 | 2020-04-10 | 深圳先进技术研究院 | 低剂量ct图像去噪网络的训练方法及系统 |
CN111968058A (zh) * | 2020-08-25 | 2020-11-20 | 北京交通大学 | 一种低剂量ct图像降噪方法 |
CN112508808A (zh) * | 2020-11-26 | 2021-03-16 | 中国人民解放军战略支援部队信息工程大学 | 基于生成对抗网络的ct双域联合金属伪影校正方法 |
CN112541871A (zh) * | 2020-12-07 | 2021-03-23 | 深圳先进技术研究院 | 低剂量图像去噪网络的训练方法、低剂量图像的去噪方法 |
-
2021
- 2021-06-07 CN CN202110633734.3A patent/CN113256752B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961237A (zh) * | 2018-06-28 | 2018-12-07 | 安徽工程大学 | 一种基于卷积神经网络的低剂量ct图像分解方法 |
CN110992290A (zh) * | 2019-12-09 | 2020-04-10 | 深圳先进技术研究院 | 低剂量ct图像去噪网络的训练方法及系统 |
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 |
CN111968058A (zh) * | 2020-08-25 | 2020-11-20 | 北京交通大学 | 一种低剂量ct图像降噪方法 |
CN112508808A (zh) * | 2020-11-26 | 2021-03-16 | 中国人民解放军战略支援部队信息工程大学 | 基于生成对抗网络的ct双域联合金属伪影校正方法 |
CN112541871A (zh) * | 2020-12-07 | 2021-03-23 | 深圳先进技术研究院 | 低剂量图像去噪网络的训练方法、低剂量图像的去噪方法 |
Non-Patent Citations (3)
Title |
---|
P. GU ET AL.: "Fast low-dose Computed Tomography image Super-Resolution Reconstruction via Sparse coding and Random Forests", 《2019 IEEE 8TH JOINT INTERNATIONAL INFORMATION TECHNOLOGY AND ARTIFICIAL INTELLIGENCE CONFERENCE (ITAIC)》 * |
X. YE ET AL.: "Detail- Revealing Deep Low-Dose CT Reconstruction", 《2020 25TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR)》 * |
陈斌斌: "基于深度学习的CT图像重建研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113256752B (zh) | 2022-07-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109559359A (zh) | 基于深度学习实现的稀疏角度数据重建图像的伪影去除方法 | |
CN110728729B (zh) | 一种基于注意机制的无监督ct投影域数据恢复方法 | |
CN111325686A (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
Yuan et al. | SIPID: A deep learning framework for sinogram interpolation and image denoising in low-dose CT reconstruction | |
CN111047524A (zh) | 基于深度卷积神经网络的低剂量ct肺部图像的去噪方法 | |
CN108537794A (zh) | 医学图像数据处理方法、装置和计算机可读存储介质 | |
CN112435164B (zh) | 基于多尺度生成对抗网络的低剂量ct肺部图像的同时超分辨率和去噪方法 | |
CN112381741B (zh) | 基于spect数据采样与噪声特性的断层图像重建方法 | |
Huang et al. | Learning a deep CNN denoising approach using anatomical prior information implemented with attention mechanism for low-dose CT imaging on clinical patient data from multiple anatomical sites | |
CN109785243A (zh) | 基于对抗生成网络未配准低剂量ct的去噪方法、计算机 | |
Zhang et al. | REDAEP: Robust and enhanced denoising autoencoding prior for sparse-view CT reconstruction | |
Zhou et al. | DuDoUFNet: dual-domain under-to-fully-complete progressive restoration network for simultaneous metal artifact reduction and low-dose CT reconstruction | |
CN112489158B (zh) | 基于cGAN的自适应网络用于低剂量PET图像的增强方法 | |
CN112419173A (zh) | 一种由pet图像生成ct图像的深度学习框架和方法 | |
CN115330615A (zh) | 伪影去除模型的训练方法、装置、设备、介质及程序产品 | |
Hegazy et al. | Half-scan artifact correction using generative adversarial network for dental CT | |
CN114677263A (zh) | Ct图像与mri图像的跨模态转换方法和装置 | |
Chao et al. | Sparse-view cone beam CT reconstruction using dual CNNs in projection domain and image domain | |
Chao et al. | Dual-domain attention-guided convolutional neural network for low-dose cone-beam computed tomography reconstruction | |
Huang et al. | Multi-modal feature-fusion for CT metal artifact reduction using edge-enhanced generative adversarial networks | |
Li et al. | Low-dose CT image synthesis for domain adaptation imaging using a generative adversarial network with noise encoding transfer learning | |
Wang et al. | A self-supervised guided knowledge distillation framework for unpaired low-dose CT image denoising | |
CN113256752B (zh) | 一种基于双域交织网络的低剂量ct重建方法 | |
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 | |
Kim et al. | CNN-based CT denoising with an accurate image domain noise insertion technique |
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 |