CN116777793A - 基于对数引导对比学习的医学影像提示去噪技术 - Google Patents
基于对数引导对比学习的医学影像提示去噪技术 Download PDFInfo
- Publication number
- CN116777793A CN116777793A CN202310947763.6A CN202310947763A CN116777793A CN 116777793 A CN116777793 A CN 116777793A CN 202310947763 A CN202310947763 A CN 202310947763A CN 116777793 A CN116777793 A CN 116777793A
- Authority
- CN
- China
- Prior art keywords
- model
- contrast
- learning
- logarithmic
- prompt
- 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
- 238000005516 engineering process Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 42
- 230000006870 function Effects 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000012942 design verification Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 238000009792 diffusion process Methods 0.000 description 5
- 230000000052 comparative effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003759 clinical diagnosis Methods 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 238000003672 processing method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised 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
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明公开了基于对数引导对比学习的医学影像提示去噪技术，涉及医学影像去噪技术领域。本发明包括数据采集与处理，从医院获取多个病人多种噪声水平的数据集以及高质量数据；正负样本采集，在对数引导对比学习训练的每个轮数内，对数据集中所有切片进行一次对比训练；搭建模型时输出1024维特征向量，从输入的带噪图像中学习不同噪声分布；损失函数中，为对数引导对比学习设计一个损失函数；设计验证指标中，为对数引导对比学习设计两种验证指标；训练对比模型中调整模型参数细节。本发明医学影像提示去噪技术，利用对比学习去学习不同噪声强度的信息，同时使用对数函数去引导对比学习中正负样本对比，加速模型收敛。
Description
技术领域
本发明涉及医学影像去噪技术领域，特别是涉及基于对数引导对比学习的医学影像提示去噪技术。
背景技术
医学影像包括CT扫描、X射线、MRI等，它们在临床诊断和治疗中起着至关重要的作用，然而，由于多种不确定因素(如辐射剂量限制、扫描时间限制等)，这些影像可能受到噪声的干扰，从而降低了图像的质量和信息含量，低质量的图像会导致细节模糊、丢失或产生伪影(一种不真实的图像特征)，使医生难以观察和分析病变的特征，从而严重影响医生的判断；
传统的去噪方法一般基于数学模型和统计学原理，在特征提取、复杂噪声和图像结构建模、数据利用和非线性关系建模等方面存在一定的局限性，深度学习在医学影像去噪领域取得了显著的进展，而深度学习技术的出现为解决这个问题提供了一种新的方法：利用深度神经网络强大的表征学习能力，从大量的标记样本中学习噪声分布、噪声与图像间的映射关系，来实现医学影像去噪；目前在深度学习领域，关于医学影像去噪的前沿研究存在以下三种热门方向，一是实现将图像噪声和信号分离的解耦表征方法，利用对抗生成网络(GAN)、变分自编码器(VAE)等生成网络构建解可独立分解、解释性强的特征空间；二是基于特征对齐的方法，其中不乏中阈值位图对齐、特征点对齐、光流法对齐、块匹配对齐和低秩分解对齐等处理方法；三是基于扩散模型的迭代去噪技术，例如非马尔可夫过程替换马尔可夫过程来加速采样的去噪扩散隐式模型(DDIM)、引入较小时间步长的连续扩散过程以减少采样时间的快速扩散概率模型(FastDPM)等；
然而这些方法仍面临许多问题和挑战：包括解耦表征缺乏统一的定义，以及缺乏统一的度量准则来衡量解耦的效果；特征对齐方法面对多噪声问题存在模型不收敛的问题；扩散模型在医学领域尚未成熟，计算成本高和采样时间长；为此，本方案提出基于对数引导对比学习的医学影像提示去噪技术。
发明内容
本发明的目的在于提供基于对数引导对比学习的医学影像提示去噪技术，以解决背景技术中提出的问题。
本发明是通过以下技术方案实现的：
本发明为基于对数引导对比学习的医学影像提示去噪技术，包括进行数据采集与处理、正负样本采集、搭建模型、损失函数、设计验证指标、训练对比模型和测试对比模型和图像复原模型，所述数据采集与处理，从医院获取多个病人多种噪声水平的数据集以及高质量数据，将其分为分别负责不同部分的对比学习数据集和图像复原数据集，所述正负样本采集，在对数引导对比学习训练的每个轮数内，对数据集中所有切片进行一次对比训练，所述搭建模型时，在对数引导对比学习任务中，通过ResNet去掉原有全连接层，其余保持不变，最后输出1024维特征向量，目的是从输入的带噪图像中学习不同噪声分布，同时ResNet外接一个引导全连接层，输出1维噪声强度值，所述损失函数中，为对数引导对比学习设计一个损失函数，所述设计验证指标中，为对数引导对比学习设计两种验证指标，一是在线验证指标，为训练阶段的对数引导对比损失函数，二是离线验证指标，为主观判断t-sne或pca的聚类情况，所述训练对比模型中，通过损失函数监控噪声强度拟合情况和正负样本区分度，及时调整模型参数细节，所述测试对比模型和图像复原模型中，在对比模型训练完成后，将训练好的模型和模型参数用于对比学习测试集上进行测试，通过在线计算测试集的对数引导对比损失，以及离线绘画t-sne或pca降维图像综合评估模型的性能。
所述数据采集与处理中，对对比学习数据集采用了多种数据增强技术，包括fivecrop裁剪、高斯高通滤波或剂量扩增，以减弱模型对内容信息的获取，突出噪声部分，对比学习数据集按照80％：10％：10％的比例随机划分为训练集、验证集和测试集，其中训练集用于对数引导对比学习的训练，让模型学习到噪声分布，验证集监控模型是否发生过拟合，测试集用于测试训练好的模型性能以及泛化性能。
所述正负样本采集环节，每次对比训练选择对应的切片作为锚点，以及在线随机采样相同剂量的切片作为正样本，不同剂量的切片作为负样本，正负样本比例达到1：1。
所述搭建模型时，对比训练结束后，将训练好的ResNet模型去掉引导部分，作为prompt提示的生成器，生成器生成的提示与负责图像复原编码的部分组合起来，实现即插即用，最后两个模型输出两个1024维的特征向量后拼接在一起。
所述损失函数中，设计的损失函数对比损失Logloss，数学表达式为
所述设计验证指标中，图像复原任务采用结构相似性指数作为验证指标，以此衡量该模型复原后的图像与全剂量图像之间的相似度，包括亮度、对比度和结构信息。
所述测试对比模型和图像复原模型中，评估对比模型作为提示的有效性，使用设计的结构相似性指数指标来对复原后的图像进行评估。
本发明具有以下有益效果：
本发明基于对数引导对比学习的医学影像提示去噪技术，利用对比学习去学习不同噪声强度的信息，同时使用对数函数去引导对比学习中正负样本对比，加速模型收敛；对比学习训练结束后，对比学习模型最后的特征向量作为医学影像去噪生成模型即插即用的提示(prompt)，以实现多噪声水平去噪效果，且避免了跨模型权重迁移和微调的繁重工作。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于对数引导对比学习的医学影像提示去噪技术的操作流程图；
图2为本发明提供的对数函数图像图；
图3为本发明提供的对比学习模型图；
图4为本发明提供的图像复原模型图。
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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
请参照图1-图4所示，本发明为基于对数引导对比学习的医学影像提示去噪技术，包括：
1、数据采集与处理：
从医院获取多个病人多种噪声水平的数据集以及高质量数据，将其分为分别负责前面第一、第二部分的对比学习数据集和图像复原数据集。本发明对对比学习数据集采用了多种数据增强技术，例如fivecrop裁剪、高斯高通滤波或剂量扩增等，以减弱模型对内容信息的获取，突出噪声部分；对比学习数据集按照80％：10％：10％的比例随机划分为训练集、验证集和测试集，其中，训练集用于对数引导对比学习的训练，让模型学习到噪声分布，验证集监控模型是否发生过拟合，测试集用于测试训练好的模型性能以及泛化性能；另外，图像复原数据集仅作为测试提示(prompt)即插即用效果的数据集。
2、正负样本采样：
在对数引导对比学习训练的每个轮数(epoch)内，对数据集中所有切片进行一次对比训练，每次对比训练选择对应的切片作为锚点(anchor)，及在线随机采样相同剂量的切片作为正样本，不同剂量的切片作为负样本，正负样本比例尽可能达到1：1。
3、搭建模型：
在对数引导对比学习任务中，以ResNet为例，ResNet去掉原有全连接层，其余保持不变，最后输出1024维特征向量，目的是从输入的带噪图像中学习不同噪声分布；同时ResNet外接一个引导全连接层，输出1维噪声强度值；对比训练结束后，图像复原工作以Unet为例，训练好的ResNet模型去掉引导部分，剩下部分与负责图像复原的Unet编码部分组合起来，两个模型输出两个1024维的特征向量后拼接在一起，ResNet输出的特征向量作为Unet编码器输出的提示(prompt)，最后输入到Unet的解码器中生成高剂量图像。
4、损失函数：
为对数引导对比学习设计一个损失函数，发明对数引导对比损失Logloss，具体数学表达式如下：
该损失包含两个部分，对比损失(如InfoNCELoss)与对数拟合损失，两种损失相乘可以实现互相制衡。其中对比损失中的a代表锚点(anchor)，k+代表正样本，ki代表任意非锚点样本，点乘计算样本之间的相似度，InfoNCELoss实质上是一种交叉熵损失函数，目的是提高锚点与正样本之间的相似度，降低与负样本的相似度；另外，对数拟合损失中的value代表引导全连接输出的噪声强度值，label是人工设计的噪声数值，对数拟合损失希望输出的强度值拟合label经过log函数的缩放值，其本质上是一种均方误差损失，可以衡量引导部分输出的噪声强度是否拟合对数函数曲线，也可以学习到不同噪声之间的相对大小关系。
5、设计验证指标：
为对数引导对比学习设计两种验证指标，一是在线验证指标，为训练阶段的对数引导对比损失函数，二是离线验证指标，为主观判断t-sne或pca的聚类情况；此外，图像复原任务采用结构相似性指数(Structural Similarity Index,SSIM)作为验证指标，以此衡量该模型复原后的图像与全剂量图像之间的相似度，包括亮度、对比度和结构信息等。SSIM指标值可通过以下公式求出：
其中x表示低剂量图像，y表示模型复原的高剂量图像，μx和μy分别表示x和y的平均值，σ代表标准差，σxy表示x与y的协方差，c1和c2为常数。SSIM的值在[-1,1]，当值为1时，增强效果最好。
6、训练对比模型：
本发明使用上述设计的对数引导对比损失函数来训练对比模型，通过损失函数监控噪声强度拟合情况和正负样本区分度，便于及时调整模型参数等细节。我们设定训练最大轮数为50，每轮对对比学习训练数据集中所有切片依次(iteration)进行对比学习，每次选择一个切片作为锚点(anchor)，经过数据增强和在线随机采样正负样本后，将锚点与正负样本对堆叠在一起，输入到构建好的对比学习模型中进行训练，从而使模型达到拟合。在每轮训练完成后，我们将模型应用于验证集，在线计算验证集上的对数引导对比损失，以及离线绘画t-sne或pca等降维图像，并保存在验证集上达到最佳评价指标的模型参数。同时，我们采用早停机制，如果在连续的10轮训练中，验证集上的评价指标没有上升，则认为模型已经达到了最优状态，并停止训练以避免过拟合。通过这种方法，获得在对比学习训练数据集上表现较好的模型参数。
7、测试对比模型和图像复原模型：
在对比模型训练完成后，将训练好的模型和模型参数用于对比学习测试集上进行测试，通过在线计算测试集的对数引导对比损失，以及离线绘画t-sne或pca等降维图像综合评估模型的性能。为了进一步评估对比模型作为提示(prompt)的有效性，使用上述设计的SSIM指标来对复原后的图像进行评估。
本发明通过对数引导对比学习训练一个提示(prompt)，对数函数可以表示噪声之间的相对关系，可作为噪声分布的统一度量准则，可解释性强；再者，在面对多噪声问题时，同一训练批次的负样本越多，输出的噪声强度值越多，拟合的函数越理想，提示(prompt)中包含的信息越关键、准确，可达到多噪声水平去噪的效果；最后，提示(prompt)可实现即插即用，与预训练对比，避免了跨模型权重迁移和微调的繁重工作。
本发明分为两个部分，第一个部分是面向噪声的对数引导的对比学习，模型以ResNet为例；第二部分是提取对比学习模型中的特征向量，作为医学影像去噪模型的提示(prompt)，模型以Unet为例；第一部分的工作方法如下：
假设对比学习模型将含有几种不同噪声强度的图像映射到同一特征空间中，得到的是相似度较小的几种噪声特征分布，可以通过对比学习进一步把同种噪声聚集在一起，把不同噪声分开。但由于噪声具有随机性，模型难以学习到噪声的信息，本发明提出了利用log对数函数去引导噪声对比学习，具体做法是：不同噪声图像输入ResNet后输出1024维特征向量，这些特征向量在1024维特征空间中进行对比学习，同时在ResNet输出为1024维的全连接层上外接一个引导全连接层，输出维度为1，代表噪声强度值，这些强度值拟合log对数函数的下半部分，如图1所示，图1横坐标单位是剂量(带噪医疗影像一般以剂量区分，剂量越大，噪声越小)，纵坐标是拟合对数函数的噪声强度值，其中横坐标为1，纵坐标为0的位置对应的是全剂量图像。选择log对数函数进行噪声强度值拟合的优点是：对数函数在噪声较小的部分梯度较大，反之则反，有利于挖掘困难样本，加速模型收敛；
第二部分的工作方法如下：
在第一部分训练、验证和测试完成后，选择第一部分中泛化性能最好的模型，作为Unet的提示(prompt)的生成器，带噪医疗影像输入Unet模型后生成的中间特征向量与生成器生成的提示(prompt)拼接在一起，输入到Unet的解码器中，生成高剂量图像。第二部分可实现即插即用，不需要额外的微调训练。
本发明中，包括外接对数引导层的对比学习模型和图像生成模型，对比学习模型基于特征提取和数据降维的编码器，基础模型不限于ResNet，图像生成模型基于编码器-解码器的U型对称图像生成模型；
本发明还针对对比学习提供了一种新的引导模块，同时针对图像复原提供了一种即插即用的提示(prompt)，本发明技术可加速对比学习的收敛，同时学习到不同噪声的特征，该特征可实现即插即用，复原多噪声水平的高质量医学影像，并达到优秀的效果，并且本发明技术具有更强的泛化能力，不限于用于低剂量CT，低剂量PET，低信噪比MR等常规医学影像模态，可以使用该方法扩展到需要提升图像质量的任何医学影像模态。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (7)
1.基于对数引导对比学习的医学影像提示去噪技术，其特征在于，包括进行数据采集与处理、正负样本采集、搭建模型、损失函数、设计验证指标、训练对比模型和测试对比模型和图像复原模型；
所述数据采集与处理，从医院获取多个病人多种噪声水平的数据集以及高质量数据，将其分为分别负责不同部分的对比学习数据集和图像复原数据集，所述正负样本采集，在对数引导对比学习训练的每个轮数内，对数据集中所有切片进行一次对比训练，所述搭建模型时，在对数引导对比学习任务中，通过ResNet去掉原有全连接层，其余保持不变，最后输出1024维特征向量，目的是从输入的带噪图像中学习不同噪声分布，同时ResNet外接一个引导全连接层，输出1维噪声强度值；
所述损失函数中，为对数引导对比学习设计一个损失函数，所述设计验证指标中，为对数引导对比学习设计两种验证指标，一是在线验证指标，为训练阶段的对数引导对比损失函数，二是离线验证指标，为主观判断t-sne或pca的聚类情况，所述训练对比模型中，通过损失函数监控噪声强度拟合情况和正负样本区分度，及时调整模型参数细节；
所述测试对比模型和图像复原模型中，在对比模型训练完成后，将训练好的模型和模型参数用于对比学习测试集上进行测试，通过在线计算测试集的对数引导对比损失，以及离线绘画t-sne或pca降维图像综合评估模型的性能。
2.根据权利要求1所述的基于对数引导对比学习的医学影像提示去噪技术，其特征在于，所述数据采集与处理中，对对比学习数据集采用了多种数据增强技术，包括fivecrop裁剪、高斯高通滤波或剂量扩增，以减弱模型对内容信息的获取，突出噪声部分，对比学习数据集按照80％：10％：10％的比例随机划分为训练集、验证集和测试集，其中训练集用于对数引导对比学习的训练，让模型学习到噪声分布，验证集监控模型是否发生过拟合，测试集用于测试训练好的模型性能以及泛化性能。
3.根据权利要求1所述的基于对数引导对比学习的医学影像提示去噪技术，其特征在于，所述正负样本采集环节，每次对比训练选择对应的切片作为锚点，以及在线随机采样相同剂量的切片作为正样本，不同剂量的切片作为负样本，正负样本比例达到1：1。
4.根据权利要求1所述的基于对数引导对比学习的医学影像提示去噪技术，其特征在于，所述搭建模型时，对比训练结束后，将训练好的ResNet模型去掉引导部分，作为prompt提示的生成器，生成器生成的提示与负责图像复原编码的部分组合起来，实现即插即用，最后两个模型输出两个1024维的特征向量后拼接在一起。
5.根据权利要求1所述的基于对数引导对比学习的医学影像提示去噪技术，其特征在于，所述损失函数中，设计的损失函数对比损失Logloss，数学表达式为
6.根据权利要求1所述的基于对数引导对比学习的医学影像提示去噪技术，其特征在于，所述设计验证指标中，图像复原任务采用结构相似性指数作为验证指标，以此衡量该模型复原后的图像与全剂量图像之间的相似度，包括亮度、对比度和结构信息。
7.根据权利要求1所述的基于对数引导对比学习的医学影像提示去噪技术，其特征在于，所述测试对比模型和图像复原模型中，评估对比模型作为提示的有效性，使用设计的结构相似性指数指标来对复原后的图像进行评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310947763.6A CN116777793B (zh) | 2023-07-31 | 2023-07-31 | 基于对数引导对比学习的医学影像提示去噪技术 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310947763.6A CN116777793B (zh) | 2023-07-31 | 2023-07-31 | 基于对数引导对比学习的医学影像提示去噪技术 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116777793A true CN116777793A (zh) | 2023-09-19 |
| CN116777793B CN116777793B (zh) | 2024-06-14 |
Family
ID=88013542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310947763.6A Active CN116777793B (zh) | 2023-07-31 | 2023-07-31 | 基于对数引导对比学习的医学影像提示去噪技术 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777793B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113362250A (zh) * | 2021-06-25 | 2021-09-07 | 南昌航空大学 | 一种基于双树四元小波与深度学习的图像去噪方法及系统 |
| WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
| CN113592809A (zh) * | 2021-07-28 | 2021-11-02 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
| CN115953487A (zh) * | 2022-09-23 | 2023-04-11 | 深圳扬奇医芯智能科技有限公司 | 一种低剂量ct图像重建方法 |
-
2023
- 2023-07-31 CN CN202310947763.6A patent/CN116777793B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021184817A1 (zh) * | 2020-03-16 | 2021-09-23 | 苏州科技大学 | 一种医学图像中肝脏及其病灶分割的方法 |
| CN113362250A (zh) * | 2021-06-25 | 2021-09-07 | 南昌航空大学 | 一种基于双树四元小波与深度学习的图像去噪方法及系统 |
| CN113592809A (zh) * | 2021-07-28 | 2021-11-02 | 中国海洋大学 | 一种基于通道注意力残差网络的肺炎图像检测系统及方法 |
| CN115953487A (zh) * | 2022-09-23 | 2023-04-11 | 深圳扬奇医芯智能科技有限公司 | 一种低剂量ct图像重建方法 |
Non-Patent Citations (1)
| Title |
|---|
| 史再峰;李金卓;曹清洁;李慧龙;胡起星;: "基于生成对抗网络的低剂量能谱层析成像去噪算法", 吉林大学学报(工学版), no. 05, pages 216 - 225 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116777793B (zh) | 2024-06-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109146988B (zh) | 基于vaegan的非完全投影ct图像重建方法 | |
| CN109948647B (zh) | 一种基于深度残差网络的心电图分类方法及系统 | |
| CN109998525B (zh) | 一种基于判别式深度置信网络的心律失常自动分类方法 | |
| CN109784242A (zh) | 基于一维残差卷积神经网络的脑电信号去噪方法 | |
| CN112001306A (zh) | 基于深度卷积对抗生成神经网络的脑电信号解码方法 | |
| CN109389171B (zh) | 基于多粒度卷积降噪自动编码器技术的医疗图像分类方法 | |
| CN112487914B (zh) | 一种基于深度卷积生成对抗网络的ecg降噪方法 | |
| CN113295702B (zh) | 电气设备故障诊断模型训练方法和电气设备故障诊断方法 | |
| CN112348936A (zh) | 一种基于深度学习的低剂量锥束ct图像重建方法 | |
| CN108615231A (zh) | 一种基于神经网络学习融合的全参考图像质量客观评价方法 | |
| CN111476726B (zh) | 基于对抗神经网络的无监督双光子钙成像去噪方法及装置 | |
| CN114913262B (zh) | 采样模式与重建算法联合优化的核磁共振成像方法及系统 | |
| CN116361688A (zh) | 用于心电节律自动分类的多模态特征融合模型构建方法 | |
| CN113378472B (zh) | 一种基于生成对抗网络的混合边界电磁逆散射成像方法 | |
| CN116777793B (zh) | 基于对数引导对比学习的医学影像提示去噪技术 | |
| CN116863024A (zh) | 一种磁共振图像重建方法、系统、电子设备及存储介质 | |
| CN116776093A (zh) | 一种基于改进生成对抗网络的脑电信号数据扩增算法 | |
| CN111275109A (zh) | 基于自编码器的电力设备状态数据特征选优方法及系统 | |
| CN114494952B (zh) | 一种基于感知损失的乳腺mri影像时间序列生成方法 | |
| Ekmekci et al. | Quantifying generative model uncertainty in posterior sampling methods for computational imaging | |
| CN114041801A (zh) | 基于psa-ewt和dcgan的心电信号重构方法及重构系统 | |
| CN113409213A (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| CN112992304A (zh) | 高分辨率红眼病案例数据生成方法、设备及存储介质 | |
| CN117333570A (zh) | 一种基于正交纹理感知记忆库的医疗影像重建方法及系统 | |
| CN118014016B (zh) | 基于对抗卷积神经网络的oct图像重建方法及存储介质 |
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 |