CN113628147B - 一种基于噪声生成网络的牙齿ct图像盲去噪方法 - Google Patents
一种基于噪声生成网络的牙齿ct图像盲去噪方法 Download PDFInfo
- Publication number
- CN113628147B CN113628147B CN202111047653.1A CN202111047653A CN113628147B CN 113628147 B CN113628147 B CN 113628147B CN 202111047653 A CN202111047653 A CN 202111047653A CN 113628147 B CN113628147 B CN 113628147B
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- training
- network
- data set
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 39
- 210000004072 lung Anatomy 0.000 claims abstract description 19
- 238000001914 filtration Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 230000002685 pulmonary effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 208000025157 Oral disease Diseases 0.000 abstract description 3
- 208000030194 mouth disease Diseases 0.000 abstract description 3
- 238000011176 pooling Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000013598 vector Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/20—ICT specially adapted for the handling or processing of medical images for handling medical images, e.g. DICOM, HL7 or PACS
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30036—Dental; Teeth
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于噪声生成网络的牙齿CT图像盲去噪方法，通过训练噪声生成网络和噪声去除网络，构建噪声去除网络的训练模型，从而实现对牙齿CT图像进行盲去躁。首先，将L0滤波器的输出结果作为牙齿CT图像的标签，构建牙齿CT的伪图像对，用以训练噪声生成网络来估计真实噪声分布；然后将学到的真实噪声分布迁移到干净的肺部CT图像上，从而在肺部CT上生产含有真实噪声的图像，构建新的肺部CT的伪图像对，用以训练去噪网络从而实现对牙齿CT图像去噪且能够很好地保留边缘细节，满足医生准确诊断口腔疾病的图像要求。
Description
技术领域
本发明涉及一种图像去噪方法，尤其是一种基于噪声生成网络的牙齿CT图像盲去噪方法。
背景技术
牙齿CT图像作为医生诊断口腔疾病的重要手段，已在临床医学中发挥着重要的作用。然而，在生成牙齿CT图像的过程中，通常会受到各种干扰(传输介质误差、电子和光度异常等)，使得实际的牙齿CT图像含有混合噪声，导致牙齿CT图像出现模糊、边界不清等现象，对准确诊断造成很大的影响。
传统的去噪方法大多基于滤波和先验模型，在一定程度上可以消除噪声，但通常容易忽略图像的细节特征，难以捕获完整的边缘信息，不适用于对于需要尽可能保留原始图像信息的牙齿CT图像的去躁处理。目前基于深度学习的图像去噪算法也被广泛应用于各种领域，其神经网络模型可以在训练过程中快速地收敛，可降低计算复杂度并能获得较好的去噪结果。然而，多数深度学习去噪方法依赖成对的训练数据，即噪声图像和对应的干净图像。但对于含有真实噪声的牙齿CT图像，难以获取其干净图像，以至于目前已有的深度学习技术难以对牙齿CT图像进行有效地去噪。
发明内容
本发明为了解决现有技术所存在的上述技术问题，提供一种基于噪声生成网络的牙齿CT图像盲去噪方法。
本发明的技术解决方案是：一种基于噪声生成网络的牙齿CT图像盲去噪方法，将待去躁处理的牙齿CT图像输入噪声去除网络的训练模型model_Removal.pt中完成去噪，所述训练模型model_Removal.pt依次按照如下步骤建立：
步骤1：取M张含真实噪声的牙齿CT图像记为真实图像数据集使用L0滤波器对真实图像数据集/>进行平滑处理，得到对应的滤波结果记为滤波图像数据集/>构建第一组训练数据对/>
步骤2：通过去噪器将真实图像数据集映射得到去噪图像数据集构成伪干净图像数据集/>采用L1Loss方法对伪干净图像数据集/>进行约束，得到伪干净图像对/>
步骤3：通过生成器将滤波图像数据集映射得到噪声图像数据集构成伪噪声图像数据集/>采用L1Loss方法对伪噪声图像数据集/>进行约束，得到伪噪声图像对/>
步骤4：采用判别器训练去噪器和生成器，使伪干净图像对和伪噪声图像对/>逼近第一组训练数据对/>判别器根据对抗损失进行更新，设置当epoch达到60次时，网络停止训练并保存噪声生成网络的训练模型model_Generation.pt；
步骤5：取LIDC/IDRI数据库中的N张干净的肺部CT图像为肺部干净图像数据集将训练模型model_Generation.pt导入测试代码并向生成器输入肺部干净图像数据集/>得到对应合成噪声图像数据集/>构建第二组训练数据对/>
步骤6：将合成噪声图像合成噪声图像数据集依次经过卷积层Conv_1、通道注意力模块Module_CAM、空间注意力模块Module_SAM和卷积层Conv_2，得到浅层特征图数据集/>
步骤7：将浅层特征图数据集依次通过分别记为Module_RDB1和Module_RDB2的两个残差密集块，得到深层特征图数据集/>所述每个残差密集块是由三个卷积层及ReLU激活层、跳跃连接、一个1×1卷积层Conv_pro1以及局部残差学习构成；
步骤8：将深层特征图数据集依次经过1×1卷积层Conv_pro2和卷积层Conv_3进一步提取特征用于全局残差学习，得到全局特征图数据集/>
步骤9：采用噪声去除网络求全局特征图数据集和肺部干净图像数据集/>中对应序号图像之间的差异，噪声去除网络根据最小损失函数更新，设置/>当epoch’达到800次时，网络停止训练并保存噪声去除网络的训练模型model_Removal.pt。
本发明是针对牙齿CT图像没有对应清晰图像的问题，提出了一种基于噪声生成网络的牙齿CT图像盲去噪方法，通过训练噪声生成网络和噪声去除网络，构建噪声去除网络的训练模型，从而实现对牙齿CT图像进行盲去躁。首先，将L0滤波器的输出结果作为牙齿CT图像的标签，构建牙齿CT的伪图像对，用以训练噪声生成网络来估计真实噪声分布；然后将学到的真实噪声分布迁移到干净的肺部CT图像上，从而在肺部CT上生产含有真实噪声的图像，构建新的肺部CT的伪图像对，用以训练去噪网络从而实现对牙齿CT图像去噪且能够很好地保留边缘细节，满足医生准确诊断口腔疾病的图像要求。
附图说明
图1本发明实施例噪声去除网络结构示意图。
图2本发明实施例所用肺部CT图像的合成噪声图像。
图3本发明实施例对肺部CT合成噪声图像的去噪结果图。
图4本发明实施例的含真实噪声的牙齿CT图像。
图5本发明实施例对含真实噪声的牙齿CT图像去噪结果图。
具体实施方式
本发明的一种基于噪声生成网络的牙齿CT图像盲去噪方法，将待去躁处理的牙齿CT图像输入噪声去除网络的训练模型model_Removal.pt中完成去噪，所述训练模型model_Removal.pt依次按照如下步骤建立：
步骤1：取720张含真实噪声的牙齿CT图像记为真实图像数据集使用L0滤波器对真实图像数据集/>进行平滑处理，得到对应的滤波结果记为滤波图像数据集/>构建第一组训练数据对其中L0滤波器平滑处理图像的过程可定义为y为牙齿CT图像Real_Image，xl为潜在图像，β为正则项系数，xL为滤波结果图L0_Image；
步骤2：通过去噪器将真实图像数据集映射得到去噪图像数据集构成伪干净图像数据集/>采用L1Loss方法对伪干净图像数据集/>进行约束，具体是使用L1Loss||xD-xL||1进行约束，其中xD表示去噪图像Clean_Image，xL为滤波结果图L0_Image，得到伪干净图像对/>
步骤3：通过生成器将滤波图像数据集映射得到噪声图像数据集构成伪噪声图像数据集/>采用L1Loss方法对伪噪声图像数据集/>进行约束，得到伪噪声图像对/>所述L1 Loss方法可定义为：||GF(yG-xL)-GF(y-xL)||1，其中GF(·)为高斯滤波器，y表示牙齿CT图像Real_Image，yG表示生成的伪噪声图像Noisy_Image，xL为滤波结果图L0_Image；
步骤4：采用判别器训练去噪器和生成器，使伪干净图像对和伪噪声图像对/>逼近第一组训练数据对/>所述判别器采用对抗损失，其定义为：其中D和G分别表示去噪器与生成器，P表示判别器，λ1和λ2是用来平衡两个损耗函数的网络超参数；判别器根据对抗损失进行更新，设置/>当epoch达到60次时，网络停止训练并保存噪声生成网络的训练模型model_Generation.pt；
所述去噪器和生成器，都使用了U-Net的结构，上采样过程捕捉语义信息，下采样过程精确定位，再通过特征映射恢复上采样过程丢失的部分特征；所述判别器则是采用了一种常用的判别器结构，包括五个步长卷积层来减小特征大小，以及一个全连接层来融合提取的特征；
步骤5：取LIDC/IDRI数据库中的2048张干净的肺部CT图像为肺部干净图像数据集将训练模型model_Generation.pt导入测试代码并向生成器输入肺部干净图像数据集/>得到对应合成噪声图像数据集/>构建第二组训练数据对/>
以下步骤6～8如图1所示：
步骤6：将合成噪声图像合成噪声图像数据集依次经过卷积层Conv_1、通道注意力模块Module_CAM、空间注意力模块Module_SAM和卷积层Conv_2，得到浅层特征图数据集/>
步骤7：将浅层特征图数据集依次通过分别记为Module_RDB1和Module_RDB2的两个残差密集块，得到深层特征图数据集/>所述每个残差密集块是由三个卷积层及ReLU激活层、跳跃连接、一个1×1卷积层Conv_pro1以及局部残差学习构成；
步骤8：将深层特征图数据集依次经过1×1卷积层Conv_pro2和卷积层Conv_3进一步提取特征用于全局残差学习，得到全局特征图数据集
具体方法是：
(1)合成噪声图像Syn_Imagei经过Conv_1层得到特征图Feature_SN；
(2)特征图Feature_SN经过Module_CAM模块输出特征图Feature_CAM；Module_CAM模块利用平均池化和最大池化输出共享网络，生成平均池化特征和最大池化特征再将两个特征输入多层感知机(MLP)中，最后使用元素求和合并输出特征向量。Module_CAM模块中的计算过程可表示为：Mc(FSN)表示该模块输出的通道维度的特征图Feature_CAM，sigmoid为激活函数；
(3)特征图Feature_CAM经过Module_SAM模块输出特征图Feature_SAM；Module_SAM模块是沿着通道轴应用平均池化和最大池化操作，同样生成两个特征和/>最后使用Conv_2层连接。特征图Feature_CAM经过Module_SAM模块的过程可以表示为：其中Ms(FSN)表示该模块输出的空间维度特征图Feature_SAM，f(·)表示Conv_2层的卷积操作；
(4)特征图Feature_SAM经过Conv_3层得到浅层特征图Feature_1i，即为第一阶段的输出；
(5)Module_RDB1模块中，特征图Feature_1按顺序经过k层卷积层及ReLU激活函数、Conv_pro1层。Module_RDB1模块的输出再通过连续内存机制送入Module_RDB2模块中，进行同样的操作，最后通过局部残差学习进一步融合特征。该过程可表示为其中/>表示j个模块传递特征的过程，FRD即为第二阶段输出的深层特征图Feature_2i；
(6)全局特征融合阶段，深层特征图Feature_2i按顺序经过Conv_pro2层和Conv_4层，得到全局特征图Feature_3i。该过程表示为Feature_3i＝fGFF(FRD)，其中fGFF(·)表示全局特征融合的过程。结合输入的干净图像GT_Imagei，则网络的最小化损失函数可以表示为min L(Feature_3i,GT_Imagei)；
步骤9：采用噪声去除网络求全局特征图数据集和肺部干净图像数据集/>中对应序号图像之间的差异，噪声去除网络根据最小损失函数更新，设置/>当epoch’达到800次时，网络停止训练并保存噪声去除网络的训练模型model_Removal.pt；
实验：
(1)取300张干净的肺部CT图像按照本发明实施例步骤5得到300张肺部合成噪声图像，输入到本发明实施例构建的模型model_Removal.pt中，得到去噪结果并保存。图2为肺部合成噪声图像，图3为采用本发明实施例的肺部合成噪声图像的去噪结果图。
(2)本发明实施例与现有技术算法的峰值信噪比(PSNR)和结构相似性(SSIM)对照如下表。
| Algorithm | PSNR | SSIM |
| DnCNN | 26.01 | 0.7601 |
| FFDNet | 26.03 | 0.7964 |
| DANet | 26.28 | 0.7988 |
| RDN | 34.11 | 0.9199 |
| Ours | 34.24 | 0.9219 |
(3)将300张有真实噪声的牙齿CT图像输入本发明实施例的模型model_Removal.pt中，得到去噪结果并保存。图4为有真实噪声的牙齿CT图像，图5为采用本发明实施例的牙齿CT图像去噪结果图。
Claims (1)
1.一种基于噪声生成网络的牙齿CT图像盲去噪方法，将待去躁处理的牙齿CT图像输入噪声去除网络的训练模型model_Removal.pt中完成去噪，其特征在于所述训练模型model_Removal.pt依次按照如下步骤建立：
步骤1：取M张含真实噪声的牙齿CT图像记为真实图像数据集使用L0滤波器对真实图像数据集/>进行平滑处理，得到对应的滤波结果记为滤波图像数据集/>构建第一组训练数据对/>
步骤2：通过去噪器将真实图像数据集映射得到去噪图像数据集构成伪干净图像数据集/>采用L1Loss方法对伪干净图像数据集/>进行约束，得到伪干净图像对/>
步骤3：通过生成器将滤波图像数据集映射得到噪声图像数据集构成伪噪声图像数据集/>采用L1Loss方法对伪噪声图像数据集/>进行约束，得到伪噪声图像对/>
步骤4：采用判别器训练去噪器和生成器，使伪干净图像对和伪噪声图像对/>逼近第一组训练数据对/>判别器根据对抗损失进行更新，设置当epoch达到60次时，网络停止训练并保存噪声生成网络的训练模型model_Generation.pt；
步骤5：取LIDC/IDRI数据库中的N张干净的肺部CT图像为肺部干净图像数据集将训练模型model_Generation.pt导入测试代码并向生成器输入肺部干净图像数据集/>得到对应合成噪声图像数据集/>构建第二组训练数据对/>
步骤6：将合成噪声图像合成噪声图像数据集依次经过卷积层Conv_1、通道注意力模块Module_CAM、空间注意力模块Module_SAM和卷积层Conv_2，得到浅层特征图数据集/>
步骤7：将浅层特征图数据集依次通过分别记为Module_RDB1和Module_RDB2的两个残差密集块，得到深层特征图数据集/>所述每个残差密集块是由三个卷积层及ReLU激活层、跳跃连接、一个1×1卷积层Conv_pro1以及局部残差学习构成；
步骤8：将深层特征图数据集依次经过1×1卷积层Conv_pro2和卷积层Conv_3进一步提取特征用于全局残差学习，得到全局特征图数据集/>
步骤9：采用噪声去除网络求全局特征图数据集和肺部干净图像数据集中对应序号图像之间的差异，噪声去除网络根据最小损失函数更新，设置当epoch’达到800次时，网络停止训练并保存噪声去除网络的训练模型model_Removal.pt。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111047653.1A CN113628147B (zh) | 2021-09-08 | 2021-09-08 | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111047653.1A CN113628147B (zh) | 2021-09-08 | 2021-09-08 | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113628147A CN113628147A (zh) | 2021-11-09 |
| CN113628147B true CN113628147B (zh) | 2023-11-28 |
Family
ID=78389371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111047653.1A Active CN113628147B (zh) | 2021-09-08 | 2021-09-08 | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113628147B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114998138B (zh) * | 2022-06-01 | 2024-05-28 | 北京理工大学 | 一种基于注意力机制的高动态范围图像去伪影方法 |
| CN116058803B (zh) * | 2023-03-10 | 2024-04-19 | 南开大学 | 一种面向多类型噪声伪迹的eeg信号去噪方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110223254A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于对抗生成网络的图像去噪方法 |
| CN110390646A (zh) * | 2019-06-12 | 2019-10-29 | 西南科技大学 | 一种细节保持图像去噪方法 |
| CN111311506A (zh) * | 2020-01-21 | 2020-06-19 | 辽宁师范大学 | 基于双残差网络的低剂量ct牙齿图像去噪方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021147095A1 (en) * | 2020-01-23 | 2021-07-29 | Baidu.Com Times Technology (Beijing) Co., Ltd. | Deep residual network for color filter array image denoising |
-
2021
- 2021-09-08 CN CN202111047653.1A patent/CN113628147B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110223254A (zh) * | 2019-06-10 | 2019-09-10 | 大连民族大学 | 一种基于对抗生成网络的图像去噪方法 |
| CN110390646A (zh) * | 2019-06-12 | 2019-10-29 | 西南科技大学 | 一种细节保持图像去噪方法 |
| CN111311506A (zh) * | 2020-01-21 | 2020-06-19 | 辽宁师范大学 | 基于双残差网络的低剂量ct牙齿图像去噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| 一种改进的深度卷积神经网络图像去噪算法;白瑞君;李众;张启尧;刘方涛;;科学技术与工程(第36期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113628147A (zh) | 2021-11-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113628147B (zh) | 一种基于噪声生成网络的牙齿ct图像盲去噪方法 | |
| CN110020989B (zh) | 一种基于深度学习的深度图像超分辨率重建方法 | |
| CN110889853B (zh) | 基于残差-注意力深度神经网络的肿瘤分割方法 | |
| CN112215755B (zh) | 一种基于反投影注意力网络的图像超分辨率重建方法 | |
| CN113012172A (zh) | 一种基于AS-UNet的医学图像分割方法及系统 | |
| CN109636721B (zh) | 基于对抗学习和注意力机制的视频超分辨率方法 | |
| CN114648048B (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
| CN113888412B (zh) | 一种用于糖尿病视网膜病变分类的图像超分辨率重建方法 | |
| CN115546046A (zh) | 一种融合频率和内容特征的单幅图像去雾方法 | |
| CN114219719A (zh) | 基于双重注意力和多尺度特征的cnn医学ct图像去噪方法 | |
| CN112163994A (zh) | 一种基于卷积神经网络的多尺度医学图像融合方法 | |
| CN115170410A (zh) | 融合小波变换和注意力机制的图像增强方法及装置 | |
| CN116563916A (zh) | 基于注意力融合的循环人脸超分辨率方法及系统 | |
| CN113066033A (zh) | 一种彩色图像的多阶段去噪系统及方法 | |
| CN115578262A (zh) | 基于afan模型的偏振图像超分辨率重建方法 | |
| CN118154451A (zh) | 基于结构非对齐配对数据集的深度学习ct图像去噪方法 | |
| CN116071237B (zh) | 基于滤光片采样融合的视频高光谱成像方法、系统及介质 | |
| CN111462004A (zh) | 图像增强方法和装置、计算机设备、存储介质 | |
| US12045958B2 (en) | Motion artifact correction using artificial neural networks | |
| CN116091793A (zh) | 一种基于光流融合的光场显著性检测方法 | |
| CN113743001B (zh) | 面向光谱超分辨率重建的滤光片设计方法、滤光片及系统 | |
| CN115731444A (zh) | 一种基于人工智能和超像素分割的医学影像融合方法 | |
| CN115564664A (zh) | 基于融合双边重组注意力的二阶段Transformer编解码器的去运动模糊方法 | |
| CN115601787A (zh) | 一种基于缩略表示的快速人体姿态估计方法 | |
| CN114862982A (zh) | 一种基于生成对抗网络的混合域无监督有限角ct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 |