CN114677310A - 一种延迟增强磁共振图像降噪与重建方法及系统 - Google Patents

一种延迟增强磁共振图像降噪与重建方法及系统 Download PDF

Info

Publication number
CN114677310A
CN114677310A CN202210396331.6A CN202210396331A CN114677310A CN 114677310 A CN114677310 A CN 114677310A CN 202210396331 A CN202210396331 A CN 202210396331A CN 114677310 A CN114677310 A CN 114677310A
Authority
CN
China
Prior art keywords
image
loss function
gradient
mri
images
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
Application number
CN202210396331.6A
Other languages
English (en)
Inventor
黄建龙
刘伟利
廖志芳
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202210396331.6A priority Critical patent/CN114677310A/zh
Publication of CN114677310A publication Critical patent/CN114677310A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/003—Reconstruction from projections, e.g. tomography
    • 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
    • G06T2207/10088—Magnetic resonance imaging [MRI]
    • 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)
  • 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)
  • Magnetic Resonance Imaging Apparatus (AREA)

Abstract

本发明提供了一种延迟增强磁共振图像的降噪与重建方法及系统，包括如下步骤：使用DnCNN对DE‑MRI图像进行预处理；使用SRGAN的生成器和鉴别器相互对抗，交替训练生成质量更好的图像，采用梯度惩罚解决梯度消失的问题；在原SRGAN损失函数的基础上添加WGAN损失函数监测梯度下降，提高图像重建的准确性。本发明首先对DE‑MRI图像进行DnCNN降噪，得到高峰值信噪比的图像，作为SRGAN训练图像，增加DE‑CMR训练集，增强了模型的泛化能力；其次，通过最小化Wasserstein距离，并使用梯度惩罚，使生成图像的分布与真实图像的分布接近，避免了训练的消失和爆炸，加快了模型的训练速度；最后，添加WGAN损失函数提高图像重建的准确性，使图像重建质量明显提高。

Description

一种延迟增强磁共振图像降噪与重建方法及系统
技术领域
本发明涉及边坡工程安全性评估技术领域，特别涉及一种延迟增强磁共振图像降噪与重建方法及系统。
背景技术
延迟增强磁共振(Delayed-enhanced Magnetic Resonance Image，DE-MRI)技术是分析心肌疾病的有效技术，例如心肌纤维化，心肌梗死等。在DE-MRI图像中，正常心肌信号显示为暗信号，而心肌纤维化组织和坏死的心肌组织显示为亮信号，来生成DE-MRI。医生能够通过DE-MRI获得诊疗心脏类疾病及其病理分析过程中所需的决策信息。但是，由于成像设备精确度限制、患者难以配合和操作人员操作误差等原因，不可避免地产生低质量的DE-MRI，有低分辨率、心脏模糊等情况。所以对DE-MRI的重建实现自动化在临床上占有重大意义。
目前，有大量的算法应用于图像降噪，例如非局部自相似性、稀疏表示、马尔可夫随机场等方法。非局部自相似性是指在一定范围内，与当前块有相似的结构(一般用欧式距离衡量)的图像块，非局部相似块不一定与当前块相邻或者有重叠，是通过一定的准则搜索得到的。然而，以上方法存在着难以优化、耗时长等问题。Chen等人提出了一种可训练的非线性反应扩散模型，该模型通过展开固定数目的梯度下降推断步骤的前馈深层网络。随着机器学习和深度学习的发展，多层感知器(MLP)被成功地应用于图像降噪。Yang等人采用基于生成对抗网络(Generative Adversarial Network,GAN)的具有Wasserstein距离和感知相似度的CT图像降噪方法。在建立的特征空间中，将感知相似性损失与降噪输出的感知特征进行比较，利用真实图像的感知特征抑制噪声。以上方法不可忽视的缺点是它们针对特定噪声水平训练特定模型，并且在盲图像降噪方面受到限制。
超分辨率是通过硬件或软件的方法提高原有图像的分辨率，依靠一系列的操作让低分辨率的图像来得到高分辨率的图像过程就是超分辨率重建。在实际的DE-MRI图像诊断过程中，低分辨率图像质量差，纹理细节太少，影响心肌疾病诊断的准确性。因此，在扎造影剂的DE-MRI图像中，有必要将低质量的DE-MRI心脏图像转换成高质量、高分辨率DE-MRI图像。Harris和Goodman等人提出了超分辨率，认为低分辨率图像与高分辨率图像之间存在相关的映射关系。如果可以通过深度学习模型训练大量的图像来学习这些映射关系，那么使用低分辨率图像就可以重建真正的高分辨率图像。Dong等人使用深度学习模型来解决超分辨率问题，并使用三层卷积神经网络(CNN)来学习低分辨率图像和高分辨率图像之间的映射关系，并添加均方误差作为损失函数来获得高质量图像。
在现有阶段，图像降噪和图像超分辨率方面有很多的发展。有通过机器学习降噪，也有通过传统的算法降噪，例如使用opencv完成降噪的操作。但是这些算法大多是通过相邻的阶段推断出当前点是什么颜色，如果一个节点的周围是蓝色，而自身是白色，那么很有可能就是噪点，会被除掉变为蓝色。Viren Jain等提出用CNN处理自然图像的降噪问题，得到了与常规方法(如小波变换和马尔可夫随机场)相近或更优的结果，并说明了特定形式的CNN可以被视为图像降噪的马尔可夫模型推断的结果的一种近似，且可以避免马尔可夫模型在概率学习和推断过程中的计算困难，降低了计算的复杂度。
在超分辨率中，使用对抗神经网络完成训练，但原始GAN的训练不稳定，容易给生成的图像中有不存在的特征，导致图像重建精度下降，这个问题是GAN一直面临的一个开放性和挑战性的问题。Arjovsky等人提出WGAN解决原始GAN训练中的不稳定性问题，利用近似最优鉴别器对发生器进行优化，减小Wasserstein距离，使生成图像的分布趋于真实图像的分布。Gulrajani等人发现WGAN存在的缺陷，只能生成低质量的样本，模型收敛困难等。
发明内容
本发明的目的是：针对上述背景技术中存在的不足，提供一种改进的、对DE-MRI图像进行降噪与重建的方法及系统，将模糊或者低分辨率的DE-MRI图像变为高分辨率的DE-MRI图像，用于病人的治疗和医生的诊断。
为了达到上述目的，本发明提供了一种延迟增强磁共振图像的降噪与重建方法，包括如下步骤：
S1，使用DnCNN对DE-MRI图像进行预处理；
S2，使用SRGAN的生成器和鉴别器相互对抗，交替训练生成质量更好的图像，采用梯度惩罚解决梯度消失的问题；
S3，在原SRGAN损失函数的基础上添加WGAN损失函数监测梯度下降，提高图像重建的准确性。
进一步地，S1中DnCNN的网络结构是级联结构，采用BN层和残差学习，以提高运算性能。
进一步地，S2中在鉴别器中添加梯度惩罚，并使用Adam优化器对生成器进行优化。
进一步地，S3中总损失函数如下式所示：
Figure BDA0003599147660000031
其中，C-MSE为高分辨率DE-MRI图像与低分辨率DE-MRI图像的MSE损失，λ1和λ1为比例系数，C-MSE损失函数如下：
Figure BDA0003599147660000032
其中，W和H均为图像的大小，D代表的是鉴别器，G代表的是生成器，
Figure BDA0003599147660000033
代表的是低分辨率的DE-MRI图像，
Figure BDA0003599147660000034
代表经过降噪之后的高分辨率的DE-MRI图像；
VGG损失函数的等式如下：
Figure BDA0003599147660000035
其中，φi,j是通过第j个卷积和第i个池化层获取的特征；
WGAN损失函数的等式如下：
Figure BDA0003599147660000036
其中，
Figure BDA0003599147660000041
代表的是真实图像。
本发明还提供了一种延迟增强磁共振图像的降噪与重建系统，包括图像预处理模块和图像重建模块，所述图像预处理模块用于对真实图像进行降噪处理，所述图像重建模块依靠SRGAN的生成器和鉴别器相互对抗，交替训练生成质量更好的图像，所述图像重建模块采用梯度惩罚解决梯度消失的问题，同时通过WGAN损失函数监测梯度下降，提高图像重建的准确性。
本发明的上述方案有如下的有益效果：
本发明首先对DE-MRI图像进行DnCNN降噪，得到高峰值信噪比的图像，作为SRGAN训练图像，增加DE-CMR训练集，增强了模型的泛化能力；其次，通过最小化Wasserstein距离，并使用梯度惩罚，使生成图像的分布与真实图像的分布接近，避免了训练的消失和爆炸，加快了模型的训练速度；最后，添加WGAN损失函数提高图像重建的准确性，使图像重建质量明显提高；
本发明的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
图1为本发明的系统流程图；
图2为本发明的权重裁剪和梯度惩罚结果对比图；
图3为本发明的添加BN层与不添加BN层结果对比图；
图4为本发明中分别对MSE损失函数、VGG损失函数和WGAN损失函数进行融合验证的结果对比图；
图5为本发明与常规的BICUBIC、SRGAN、ESRGAN等超分辨率方法的结果对比图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为了简单说明，该方法或规则作为一系列操作来描绘或描述，其目的既不是对实验操作进行穷举，也不是对实验操作的次序加以限制。例如，实验操作可以各种次序进行和/或同时进行，并包括其他再次没有描述的实验操作。此外，所述的步骤不都是在此描述的方法和算法所必备的。这些方法和算法可通过状态图或项目表示为一系列不相关的状态。
延迟增强磁共振(Delayed-enhanced Magnetic Resonance Image，DE-MRI)技术是分析心肌结构的有效技术。在DE-MRI图像中，正常心肌信号显示为暗信号，而心肌纤维化组织和坏死的心肌组织显示为亮信号，来生成DE-MRI。医生能够通过DE-MRI获得诊疗心脏类疾病及其病理分析过程中所需的决策信息。但是，由于成像设备精确度限制、患者难以配合和操作人员操作误差等原因，不可避免地产生低质量的DE-MRI，有低分辨率、心脏模糊等情况。现今，医疗资源是十分紧缺的，而DE-MRI图像对于确诊病人的心肌疾病是有推动作用的。由于拍摄DE-MRI图像动辄就是30分钟到一个小时，如果图像因为呼吸运动等导致的DE-MRI图像模糊、而丢弃是一种非常大的浪费。因此本发明提出对DE-MRI图像进行降噪与重建的方法，将模糊或者低分辨率的DE-MRI图像变为高分辨率的DE-MRI图像，用于病人的治疗和医生的诊断。结果表明，本方法能有效地改善重建效果。
本方法基于DnCNN(前馈去噪卷积神经网络)和SRGAN结构，具体地，包括如下步骤：
S1，使用DnCNN对DE-MRI图像进行预处理，以保证输入图像是干净的。
其中，DnCNN是在VGG的基础上进行改进的。DnCNN网络结构是(卷积、BN、ReLU)级联的结构，模型内部并不像ResNet一样存在跳远连接，而是在网络的输出使用残差学习。图像去噪的目标是去除叠加在原始干净图像上的污染信息，重建出可能干净的图像。模型主要任务是，根据噪声图像y，得出清晰图像x。但是并不是直接输出x，而是输出噪声图像v，最终得到清晰图像的公式是x＝y-R(y)。这里的R就是模型，R(y)≈v，被称为残差学习。
为了解决网络层深化造成的梯度色散效应，DnCNN不直接学习噪声图像,而是使用输出图像和噪声图像的l2范数作为损失函数来训练网络。DnCNN被认为是一个残差学习过程。该网络采用BN层和残差学习共同使用来提高算法的性能，在没有特定噪声的情况下，对图像进行建模并实现去噪。
在模型训练过程中，用于判断图像损失的规则是输出误差图和真实误差图之间差异。对于训练数据
Figure BDA0003599147660000061
损失函数定义为：
Figure BDA0003599147660000062
其中θ为DnCNN的网络参数，训练集的信息保存在其中。模型可使用SDG或Adam方式进行参数更新。
S2，依靠对抗神经网络(SRGAN)的生成器和鉴别器相互对抗，交替训练生成质量更好的图像，采用梯度惩罚(GP)方法解决鉴别器梯度消失的问题，提高了模型的收敛速度。
其中，生成器网络G负责生成接近真实图像的生成图像，鉴别器网络D负责从真实图像中区分生成器网络生成的生成图像。理想情况下，当鉴别器网络将生成图像鉴别为真实图像时，网络模型是最优的。但是，原始GAN发生器生成的图像分布是随机的，这很容易使生成器的梯度消失。为了解决这一问题，本方法采用WGAN算法来最小化Wasserstein距离，使生成图像的分布与真实图像的分布无限接近。
在训练过程中，WGAN算法收敛速度较慢。因此，梯度惩罚WGAN(Gradient Penalty,WGAN-GP)通过在鉴别器中添加GP，并使用Adam优化器对生成器进行优化，而加快了WGAN的收敛速度。其中，WGAN-GP相对于WGAN增加了一个正则项，这个正则项就是WGAN-GP中GP，即梯度约束。
S3，在原SRGAN损失函数的基础上增加一个新的损失函数来监测GAN梯度下降，从而实现更稳定、更高效的模型训练，为DE-MRI图像的超分辨率提供更高的感知质量。
为使产生DE-MRI图像有更好的高频细节，使用C-MSE的损失函数和VGG的损失函数之和作为对抗神经网络的内容损失函数，同时使用WGAN的损失函数来解决在训练过程中出现梯度消失的问题。总损失函数如下：
Figure BDA0003599147660000063
等式(1)中，C-MSE为高分辨率DE-MRI图像与低分辨率DE-MRI图像的MSE损失。可通过实验手段对λ1和λ1的最佳数值进行测试，经过反复试验，得到不同结果，从不同的结果中找出最优的结果，获取最优的λ1和λ2选值。优选地，λ1取0.01，λ2取0.001。
Figure BDA0003599147660000071
等式(2)中，W和H均为图像的大小，D代表的是对抗神经网络中的鉴别器，G代表的是对抗神经网络中的生成器，
Figure BDA0003599147660000072
代表的是低分辨率的DE-MRI图像，
Figure BDA0003599147660000073
代表经过降噪之后的高分辨率的DE-MRI图像。
应用VGG网络可以增强生成器生成图像的细节和提高生成DE-MRI图像的质量，VGG损失函数的等式：
Figure BDA0003599147660000074
等式(3)中，φi,j是通过第j个卷积和第i个池化层获取的特征。
为了应对GAN生成器的损失函数消失的问题，采用Wasserstein距离来优化生成器，生成器的对抗损失定义为鉴别器将生成的高分辨率DE-MRI图像识别为原始高分辨率图像的概率，等式如下：
Figure BDA0003599147660000075
等式(4)中，
Figure BDA0003599147660000076
代表的是真实的图像。
本实施例中方法是由Python 3.6,TensorFlow 1.6.0和Pytorch 0.4.1实现的，图形处理器采用NVIDIA GTX 1080T，使用Adam优化器来调整GAN网络，其中参数β＝0.9，批量归一化大小为32，剩余网络的学习速率为10-4，学习速率衰减为0.1，使用Wasserstein梯度抑制方法来监督梯度下降，避免了梯度消失和爆炸，将training epoch的数量从过去的10000个改为1500个，由于发现网络在1500个epoch之后开始收敛，因此摒弃了不必要的训练时间，减少了网络的计算量，加快了网络重构的速度。该模型训练时间约为12h和10min，测试时间约为8min和25s。
图2所示为本方法对加入防止梯度消失的方案进行验证，对于权重裁剪和梯度惩罚的方案进行对比，从图2中可以看出梯度惩罚要有更好的效果。
在降噪的神经网络中进行优化是用BN层来进行优化实验测试，本实施例在每个ResBlock中都给DnCNN添加了BN层。从图3可以看出，添加BN层可以显著提高超分辨率重建的质量，验证了添加BN层的正确性。
原始GAN采用MSE和VGG作为发生器损失函数，本方法将WGAN与前两者结合作为SRGAN的损失函数。分别对MSE损失函数、VGG损失函数和WGAN损失函数进行融合验证。在计算机视觉中，通常使用PSNR和SSIM等数值评价标准来验证重建图像的质量。如图4所示，对MSE损失函数、VGG损失函数和WGAN损失函数逐一进行了消融验证，其中a是唯一的MSE损失函数，b是唯一的VGG损失函数，c是唯一的WGAN损失函数，d是VGG和WGAN的组合，e是MSE和WGAN的组合，f是VGG和MSE的组合，g是MSE、VGG和WGAN的组合，VAvg-PSNR、VAvg-SSIM分别为Avg-PSNR和Avg-SSIM的值。结果表明，SRGAN模型结合MSE损失函数、VGG损失函数和WGAN损失函数，能有效提高生成图像的PSNR和SSIM评分。
为了进一步验证本方法的DnSRGAN模型，将测试图像分成12组，每组25个时间序列帧。选取具有代表性的图像来展示本方法(DnSRGAN)与常规的bicubic、SRGAN、ESRGAN等超分辨率方法的直观视觉体验，可以清楚地看到，本方法生成的DE-MRI图像比其他方法生成的真实图像更接近于真实图像。从表1的值可以看出，本方法的Avg-PSNR和Avg-SSIM明显高于其他三种方法。从平均PSNR/SSIM来看，本方法优于其他方法。图5中的直方图更清晰地展示了本方法的优点，表明本方法可以更好的重建复杂结构的DE-MRI图像。
表1：Avg-PSNR和Avg-SSIM数值对比
Figure BDA0003599147660000081
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种延迟增强磁共振图像的降噪与重建方法，其特征在于，包括如下步骤：
S1，使用DnCNN对DE-MRI图像进行预处理；
S2，使用SRGAN的生成器和鉴别器相互对抗，交替训练生成质量更好的图像，采用梯度惩罚解决梯度消失的问题；
S3，在原SRGAN损失函数的基础上添加WGAN损失函数监测梯度下降，提高图像重建的准确性。
2.根据权利要求1所述的一种延迟增强磁共振图像的降噪与重建方法，其特征在于，S1中DnCNN的网络结构是级联结构，采用BN层和残差学习，以提高运算性能。
3.根据权利要求2所述的一种延迟增强磁共振图像的降噪与重建方法，其特征在于，S2中在鉴别器中添加梯度惩罚，并使用Adam优化器对生成器进行优化。
4.根据权利要求1所述的一种延迟增强磁共振图像的降噪与重建方法，其特征在于，S3中总损失函数如下式所示：
Figure FDA0003599147650000011
其中，C-MSE为高分辨率DE-MRI图像与低分辨率DE-MRI图像的MSE损失，λ1和λ1为比例系数，C-MSE损失函数如下：
Figure FDA0003599147650000012
其中，W和H均为图像的大小，D代表的是鉴别器，G代表的是生成器，
Figure FDA0003599147650000013
代表的是低分辨率的DE-MRI图像，
Figure FDA0003599147650000014
代表经过降噪之后的高分辨率的DE-MRI图像；
VGG损失函数的等式如下：
Figure FDA0003599147650000021
其中，φi,j是通过第j个卷积和第i个池化层获取的特征；
WGAN损失函数的等式如下：
Figure FDA0003599147650000022
其中，
Figure FDA0003599147650000023
代表的是真实图像。
5.一种延迟增强磁共振图像的降噪与重建系统，其特征在于，包括图像预处理模块和图像重建模块，所述图像预处理模块用于对真实图像进行降噪处理，所述图像重建模块依靠SRGAN的生成器和鉴别器相互对抗，交替训练生成质量更好的图像，所述图像重建模块采用梯度惩罚解决梯度消失的问题，同时通过WGAN损失函数监测梯度下降，提高图像重建的准确性。
CN202210396331.6A 2022-04-15 2022-04-15 一种延迟增强磁共振图像降噪与重建方法及系统 Pending CN114677310A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210396331.6A CN114677310A (zh) 2022-04-15 2022-04-15 一种延迟增强磁共振图像降噪与重建方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210396331.6A CN114677310A (zh) 2022-04-15 2022-04-15 一种延迟增强磁共振图像降噪与重建方法及系统

Publications (1)

Publication Number Publication Date
CN114677310A true CN114677310A (zh) 2022-06-28

Family

ID=82078794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210396331.6A Pending CN114677310A (zh) 2022-04-15 2022-04-15 一种延迟增强磁共振图像降噪与重建方法及系统

Country Status (1)

Country Link
CN (1) CN114677310A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116208586A (zh) * 2023-05-04 2023-06-02 广东珠江智联信息科技股份有限公司 一种低延时医疗影像数据传输方法及系统
CN117741070A (zh) * 2024-02-21 2024-03-22 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116208586A (zh) * 2023-05-04 2023-06-02 广东珠江智联信息科技股份有限公司 一种低延时医疗影像数据传输方法及系统
CN116208586B (zh) * 2023-05-04 2023-06-30 广东珠江智联信息科技股份有限公司 一种低延时医疗影像数据传输方法及系统
CN117741070A (zh) * 2024-02-21 2024-03-22 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法
CN117741070B (zh) * 2024-02-21 2024-05-03 山东多瑞电子科技有限公司 基于深度学习的气体安全智能检测方法

Similar Documents

Publication Publication Date Title
WO2021077997A1 (zh) 图像去噪的多生成器生成对抗网络学习方法
CN109785243B (zh) 基于对抗生成网络未配准低剂量ct的去噪方法、计算机
CN114677310A (zh) 一种延迟增强磁共振图像降噪与重建方法及系统
Zhao et al. A generative adversarial network technique for high-quality super-resolution reconstruction of cardiac magnetic resonance images
CN115409733A (zh) 一种基于图像增强和扩散模型的低剂量ct图像降噪方法
CN112837244B (zh) 一种基于渐进式生成对抗网络的低剂量ct图像降噪及去伪影方法
CN113538257B (zh) 一种基于双域U-net判别器的生成对抗低剂量CT去噪方法
Tizhoosh Fuzzy image enhancement: an overview
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
Jiang et al. CT image super resolution based on improved SRGAN
CN114792287A (zh) 一种基于多图像融合的医学超声图像超分辨率重建方法
CN115170410A (zh) 融合小波变换和注意力机制的图像增强方法及装置
Choubey et al. A hybrid filtering technique in medical image denoising: Blending of neural network and fuzzy inference
Zhong et al. Multi-scale attention generative adversarial network for medical image enhancement
Lin et al. Noise2Grad: Extract Image Noise to Denoise.
Gupta et al. Medical Image Denoising using Convolutional Autoencoder with Shortcut Connections
Wang et al. Low dose CT image denoising method based on improved generative adversarial network
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
Zhang et al. Deep residual network based medical image reconstruction
Li et al. Dual-domain fusion deep convolutional neural network for low-dose CT denoising
CN114926383A (zh) 基于细节增强分解模型的医学图像融合方法
Thanh-Trung et al. Low dose CT image denoising using deep convolutional neural networks with extended receptive fields
Nguyen et al. Comparative study on super resolution techniques for upper gastrointestinal endoscopic images
Radhika et al. An adaptive optimum weighted mean filter and bilateral filter for noise removal in cardiac MRI images
Zhao et al. A Dual-Channel Network Based GAN for Low-Dose CT Image Denoising

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