CN113781366B - 一种基于深度学习的眼部oct图像清晰化方法 - Google Patents
一种基于深度学习的眼部oct图像清晰化方法 Download PDFInfo
- Publication number
- CN113781366B CN113781366B CN202111293626.2A CN202111293626A CN113781366B CN 113781366 B CN113781366 B CN 113781366B CN 202111293626 A CN202111293626 A CN 202111293626A CN 113781366 B CN113781366 B CN 113781366B
- Authority
- CN
- China
- Prior art keywords
- image
- cyclegan
- diagram
- noise
- layer
- 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 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000003707 image sharpening Methods 0.000 title claims abstract description 16
- 238000010586 diagram Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 5
- 238000013508 migration Methods 0.000 claims description 5
- 230000005012 migration Effects 0.000 claims description 5
- 230000002457 bidirectional effect Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 238000012014 optical coherence tomography Methods 0.000 description 23
- 239000010410 layer Substances 0.000 description 17
- 238000003384 imaging method Methods 0.000 description 6
- 238000012285 ultrasound imaging Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 238000013170 computed tomography imaging Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000002595 magnetic resonance imaging Methods 0.000 description 3
- 238000002591 computed tomography Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 210000003484 anatomy Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10101—Optical tomography; Optical coherence tomography [OCT]
-
- 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
- G06T2207/30041—Eye; Retina; Ophthalmic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Epidemiology (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于深度学习的眼部OCT图像清晰化方法,涉及眼部图像处理技术领域,包括以下步骤:S1:从非配对的数据集上提取噪点图与清晰图,数据集内储存有清晰图以及与清晰图不对应的噪点图;S2:将提取噪点图与清晰图输入至CycleGAN架构进行处理;S3:第一层CycleGAN进行第一次训练,将产生的清晰图与原噪点图融合;S4:使用第二层CycleGAN进行第二次训练,得到输出图;S5:得到最终结果图。该基于深度学习的眼部OCT图像清晰化方法,通过首次将CycleGAN网络用于眼部OCT图像的清晰化,使得本方法对于清晰图不与噪点图对应的数据也可以进行训练并取得优异效果,能通过较少图像的训练集就达到了相较于其他算法而言较好的效果。
Description
技术领域
本发明涉及眼部图像处理技术领域,具体为一种基于深度学习的眼部OCT图像清晰化方法。
背景技术
光学相干层析(Optical Coherence Tomography,简称OCT)是20世纪90年代初发展起来的低损、高分辨、非侵入式的医学、成像技术[1]。它的原理类似于超声成像,不同之处是它利用的是光,而非声音。传统的医学成像技术主要有超声成像技术(Ultrasoundimaging technology)、CT成像技术(Computed Tomography)、核磁共振成像技术(NuclearMagnetic Resonance Imaging Technology)。但上述方法中超声成像技术(Ultrasoundimaging technology)的成像分辨率低,并且随着探测深度不断增加超声波的强度也会不断衰减[2]。CT成像技术(Computed Tomography)虽然解决了超声成像技术(Ultrasoundimaging technology)中清晰度的问题,但是CT的图像扫描与重建图像的时间较长[3]。80年代出现的核磁共振成像(Nuclear Magnetic Resonance Imaging Technology)则是利用了静磁场和射频磁场,以及人体内(比如氢原子)核质子自旋的状态信息成像,形成解剖学结构的断层像和某些功能性像[4],MRI的成像分辨率很高但是与CT成像技术一样,MRI的成像时间较长,并且相对于前者它的设备价格昂贵,难以进行推广使用。光学相干层析(Optical Coherence Tomography)是一种比较新型的光学成像技术[5],相对于前三者OCT具有很好的分辨率,并且使用的是对人体无害的红外线作为光源,在使用OCT时不会对人体产生危害,并且设备的成本低。
图像噪声是在图像的产生、传输和处理中一种很常见的图像退化因素,它会影响到人们获取图像信息的能力,而噪声的产生是一个随机的过程,它的灰度值也是一个随机的向量。噪声主要可以分为加性噪声和乘性噪声两类。加性噪声在光学系统中十分的常见,它们与信号的关系是相加,它的产生不依赖于信号。而乘性噪声多是由于信道不理想或成像机制中存在问题而形成的,乘性噪声往往伴随着样品信号内容,随图像信号而变化。在OCT系统中既有加性噪声,也有乘性噪声[9]。
目前常用的OCT系统降噪方法主要有两种,一种是针对OCT系统结构和光源改进,另一种就是对图像处理后进行系统降噪。目前常用的图像后去噪方法可以分为两大类:空间域去噪方法和变换域去噪方法,虽然能有降噪的作用,但是作用依然不明显,因此研究cycleGAN作为降噪算法用来处理OCT图片。cycleGAN是GAN(生成对抗网络)的一种变体,通常而言,GAN对配对(Paired)的图片数据往往有较好的效果;而处理无配对(Unpaired)的图片数据时,如果继续使用GAN,训练起来无法像之前那么容易。因为如果图片是配对的,那么这在一定程度上等价于将其特征过滤一遍,GAN很容易学习到需要进行转换的部分;而如果图片是无配对的,要么需要大量的数据才能充分表明其特征,要么训练出来的生成器很可能会把训练集中具有异常特征的图片加到生成结果里,从而导致最终结果的偏差。因此我们提出了一种基于深度学习的眼部OCT图像清晰化方法。
发明内容
针对现有技术的不足,本发明提供了一种基于深度学习的眼部OCT图像清晰化方法,解决了上述背景技术中提出的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于深度学习的眼部OCT图像清晰化方法,包括以下步骤:
S1:从非配对的数据集上提取噪点图与清晰图,数据集内储存有清晰图以及与清晰图不对应的噪点图;
S2:将提取噪点图与清晰图输入至cycleGAN模型进行处理;
S3:cycleGAN1进行第一次训练,将产生的清晰图与原噪点图融合;
S4:使用cycleGAN2进行第二次训练,得到输出图;
S5:得到最终结果图。
可选的,所述cycleGAN模型由2个生成器模型和2个判别器模型构成一种双向环状结构。
可选的,所述cycleGAN模型采用Wasserstein距离作为正则项,指导网络训练;
Wasserstein的距离公式:
其中W(p r,p g)是pr和pg组合的所有联合分布集合。
可选的,所述双层cycleGAN结构中noise:初始噪点图、clean:目标迁移对象图、cleaned1:第一层CycleGAN清晰化后的图像、noise1:将noise与cleaned1加权融合后的图像、cleaned2:第二层CycleGAN清晰化后的图像,即最终输出。
可选的,所述cycleGAN模型内设置有MuitiU-Net网格结构,所述MuitiU-Net网格结构采用多层网络,每层下采样的层数和步幅都不一致,中间block的网络层数,激励函数等可互不相同。
可选的,所述生成器G,F负责生成图像,且不断使从源域X生成的图像G(X)接近目标域F的图像F(G(X)),所述判别器DX和DY则不断地提升分辨能力,判断输入图像是来自生成模型分布还是真实样本分布。
本发明提供了一种基于深度学习的眼部OCT图像清晰化方法,具备以下
有益效果:
1、该基于深度学习的眼部OCT图像清晰化方法,通过首次将cycleGAN网络用于眼部OCT图像的清晰化,使得本方法对于清晰图不与噪点图对应的数据也可以进行训练并取得优异效果,能通过较少图像的训练集就达到了相较于其他算法而言较好的效果。
2、该基于深度学习的眼部OCT图像清晰化方法,通过设置MuitiU-Net网络,可以对cycleGAN进行改进,提高了cycleGAN对于眼部OCT图像进行清晰化的效果,通过采用双层cycleGAN结构,进一步提高清晰化效果,通过引入Wasserstein距离,相较于JS距离具有良好的平滑性质,能有效地解决梯度消失的问题。
附图说明
图1为本发明步骤图;
图2为本发明网络结构图;
图3为本发明双层cycleGAN结构图;
图4为本发明MuitiU-Net网络结构图;
图5为本发明测试所用其中一张噪点图;
图6为本发明测试所用其中一张噪点图对应的清晰图;
图7为本发明去噪后的图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
实施例
请参阅图1至图7,本发明提供一种技术方案:一种基于深度学习的眼部OCT图像清晰化方法,包括以下步骤:
S1:从非配对的数据集上提取噪点图与清晰图,数据集内储存有清晰图以及与清晰图不对应的噪点图;
S2:将提取噪点图与清晰图输入至cycleGAN模型进行处理;
S3:cycleGAN 1进行第一次训练,将产生的清晰图与原噪点图融合;
S4:使用cycleGAN 2进行第二次训练,得到输出图;
S5:得到最终结果图。
本领域技术人员可以认为:本实施例所提供的一种基于深度学习的眼部OCT图像清晰化方法,从非配对的数据集上提取噪点图与清晰图,将提取噪点图与清晰图输入至cycleGAN模型进行处理,首先使用cycleGAN 1进行第一次训练,将产生的清晰图与原噪点图融合,减低了噪点的数量而且图像结构更清晰,再使用cycleGAN 2进行第二次训练,通过MuitiU-Net网络结构进行加权融合的方式输出最后的结果,得到输出图,从而得到最终结果图,在训练过程中,生成器最小化真实分布与生成分布之间的Wasserstein距离,不断使生成分布逼近真实分布,使得生成图像更接近真实图像,通过对比图3、图4与图5,可以得出经过本方法去噪后的图像,该效果优于用于训练的清晰图。
单个GAN的训练过程及损失函数:
进一步,cycleGAN模型由2个生成器模型和2个判别器模型构成一种双向环状结构。
本领域技术人员可以认为:使得通过利用双向环状cycleGAN模型能够无监督地学习到2种不同图像域之间的映射关系。
进一步,cycleGAN模型采用Wasserstein距离作为正则项,指导网络训练;
Wasserstein的距离公式:
其中W(p r,p g)是pr和pg组合的所有联合分布集合。
本领域技术人员可以认为,cycleGAN模型的生成器的损失函数近似等价于最小化生成分布pg和真实分布pr间的JS距离(原来的距离函数),当两者相差太大且重叠部分可忽略不计时,梯度下降方法使用JS距离将无法提供有效的梯度供网络进行训练,因此采用Wasserstein距离作为正则项,Wasserstein距离相较于JS距离具有良好的平滑性质,能有效地解决梯度消失的问题;同时Wasserstein距离也作为一个有意义的训练指标,用以判断训练过程是否达到要求。在训练过程中,生成器最小化真实分布与生成分布之间的Wasserstein距离,即不断使生成分布逼近真实分布,使得生成图像更接近真实图像。
进一步,双层cycleGAN结构中noise:初始噪点图、clean:目标迁移对象图、cleaned1:第一层CycleGAN清晰化后的图像、noise1:将noise与cleaned1加权融合后的图像、cleaned2:第二层CycleGAN清晰化后的图像,即最终输出。
本领域技术人员可以认为:进一步提高了cycleGAN模型对于图像的清晰化效果。
进一步,cycleGAN模型内设置有MuitiU-Net网格结构,MuitiU-Net网格结构采用多层网络,每层下采样的层数和步幅都不一致,中间block的网络层数,激励函数等可互不相同。
本领域技术人员可以认为:MuitiU-Net网格结构是基于U-net的,通过MuitiU-Net网格结构,改进cycleGAN模型,先下采样再上采样,采用并列结构且每层设计不一致以保存更多的图像参数信息,上下采样方式,block层结构,四层并列结构。
进一步,生成器G,F负责生成图像,且不断使从源域X生成的图像G(X)接近目标域F的图像F(G(X)),判别器DX和DY则不断地提升分辨能力,判断输入图像是来自生成模型分布还是真实样本分布。
本领域技术人员可以认为:生成器和判别器选用卷积神经网络(CNN)作为核心算法,CNN是一种深度学习模型或类似于人工神经网络的多层感知器,常用来分析视觉图像。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (3)
1.一种基于深度学习的眼部OCT图像清晰化方法,其特征在于:包括以下步骤:
S1:从非配对的数据集上提取噪点图与清晰图,数据集内储存有清晰图以及与清晰图不对应的噪点图;
S2:将提取噪点图与清晰图输入至双层CycleGAN进行处理;
S3:第一层CycleGAN进行第一次训练,将产生的清晰图与原噪点图融合;
S4:使用第二层CycleGAN进行第二次训练,得到输出图;
S5:得到最终结果图;
CycleGAN架构内设置有MuitiU-Net网格结构,所述MuitiU-Net网格结构采用多层网络,每层下采样的层数和步幅都不一致,中间block的网络层数,激励函数可互不相同;
所述CycleGAN架构由2个生成器和2个判别器构成一种双向环状结构;
所述双层CycleGAN结构中noise:初始噪点图、clean:目标迁移对象图、cleaned1:第一层CycleGAN清晰化后的图像、noise1:将noise与cleaned1加权融合后的图像、cleaned2:第二层CycleGAN清晰化后的图像,即最终输出;
将初始噪点图noise与目标迁移对象图clean输入至第一层CycleGAN,从而输出第一层CycleGAN清晰化后的图像cleaned1,将noise初始噪点图与第一层CycleGAN清晰化后的图像通过Merge加权融合输出noise1,将noise1与目标迁移对象图clean输入至第二层CycleGAN中,输出第二层CycleGAN清晰化后的图像cleaned2。
3.根据权利要求1所述的一种基于深度学习的眼部OCT图像清晰化方法,其特征在于:所述生成器G,F负责生成图像,且不断使从源域X生成的图像G(X)接近目标域F的图像F(G(X)),所述判别器DX和DY则不断地提升分辨能力,判断输入图像是来自生成架构分布还是真实样本分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293626.2A CN113781366B (zh) | 2021-11-03 | 2021-11-03 | 一种基于深度学习的眼部oct图像清晰化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111293626.2A CN113781366B (zh) | 2021-11-03 | 2021-11-03 | 一种基于深度学习的眼部oct图像清晰化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113781366A CN113781366A (zh) | 2021-12-10 |
CN113781366B true CN113781366B (zh) | 2023-06-23 |
Family
ID=78956681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111293626.2A Active CN113781366B (zh) | 2021-11-03 | 2021-11-03 | 一种基于深度学习的眼部oct图像清晰化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113781366B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349103A (zh) * | 2019-07-01 | 2019-10-18 | 昆明理工大学 | 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法 |
CN113538266A (zh) * | 2021-07-07 | 2021-10-22 | 南京国电南自电网自动化有限公司 | 一种基于wgan的模糊航拍图像处理方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110326024B (zh) * | 2017-02-21 | 2023-11-03 | 株式会社高迎科技 | 用于处理由医学成像装置捕获的组织学图像的方法和装置 |
CN110660025B (zh) * | 2019-08-02 | 2023-01-17 | 西安理工大学 | 一种基于gan网络的工业监控视频图像清晰化方法 |
CN110428385A (zh) * | 2019-08-09 | 2019-11-08 | 南京工业大学 | 一种基于无监督对抗神经网络的sd-oct去噪方法 |
CN111161137B (zh) * | 2019-12-31 | 2023-04-11 | 四川大学 | 一种基于神经网络的多风格国画花生成方法 |
CN112700390B (zh) * | 2021-01-14 | 2022-04-26 | 汕头大学 | 一种基于机器学习的白内障oct图像修复方法及系统 |
CN113269256A (zh) * | 2021-05-26 | 2021-08-17 | 广州密码营地科技有限公司 | 一种MiSrc-GAN模型的构建方法及应用 |
-
2021
- 2021-11-03 CN CN202111293626.2A patent/CN113781366B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110349103A (zh) * | 2019-07-01 | 2019-10-18 | 昆明理工大学 | 一种基于深度神经网络和跳跃连接的无干净标签图像去噪方法 |
CN113538266A (zh) * | 2021-07-07 | 2021-10-22 | 南京国电南自电网自动化有限公司 | 一种基于wgan的模糊航拍图像处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113781366A (zh) | 2021-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lyu et al. | Multi-contrast super-resolution MRI through a progressive network | |
Küstner et al. | Retrospective correction of motion‐affected MR images using deep learning frameworks | |
US11341616B2 (en) | Methods and system for selective removal of streak artifacts and noise from images using deep neural networks | |
CN109214989B (zh) | 基于多方向特征预测先验的单幅图像超分辨率重建方法 | |
CN103985099B (zh) | 一种弥散张量磁共振图像张量域非局部均值去噪方法 | |
Chun et al. | MRI super‐resolution reconstruction for MRI‐guided adaptive radiotherapy using cascaded deep learning: In the presence of limited training data and unknown translation model | |
CN110444277B (zh) | 一种基于多生成多对抗的多模态脑部mri图像双向转换方法 | |
WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
CN113808234B (zh) | 一种基于欠采样的快速磁粒子成像重建方法 | |
Shende et al. | A brief review on: MRI images reconstruction using GAN | |
CN115760586A (zh) | 一种基于多尺度注意力生成对抗网络的医学图像增强方法 | |
Cao et al. | Research for face image super-resolution reconstruction based on wavelet transform and SRGAN | |
CN113989551A (zh) | 一种基于改进ResNet网络的阿尔茨海默病分类方法 | |
Li et al. | Speckle noise removal based on structural convolutional neural networks with feature fusion for medical image | |
Wang et al. | High fidelity direct-contrast synthesis from magnetic resonance fingerprinting in diagnostic imaging | |
Yagoub et al. | X-ray image denoising for cargo dual energy inspection system | |
Scott et al. | Adaptive averaging applied to dynamic imaging of the soft palate | |
CN113781366B (zh) | 一种基于深度学习的眼部oct图像清晰化方法 | |
Yu et al. | Self-supervised blind2unblind deep learning scheme for oct speckle reductions | |
Vani et al. | Multi focus and multi modal image fusion using wavelet transform | |
CN115861464A (zh) | 基于多模mri同步生成的伪ct合成方法 | |
CN115880554A (zh) | 基于知识蒸馏与可解释的多模态医学图像融合模型及方法 | |
Xie et al. | Inpainting the metal artifact region in MRI images by using generative adversarial networks with gated convolution | |
CN114663537A (zh) | 去除磁共振图像中的截断伪影的深度学习系统和方法 | |
CN114764766A (zh) | 一种基于FC-VoVNet和WGAN的B超图像去噪方法 |
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 |