《Low | 您所在的位置:网站首页 › ct图像算法 › 《Low |
文章目录
前言一、《Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN)》1. 摘要2.网络模型
二、Wavelet Domain Residual Network (WavResNet) for Low-Dose X-ray CT Reconstruction1.摘要2. 网络模型
三、Structure-sensitive Multi-scale Deep Neural Network for Low-Dose CT Denoising1.摘要2.网络结构
四、Deep Convolutional Framelet Denosing for Low-Dose CT via Wavelet Residual Network1.摘要2.网络结构
前言
1.《Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN)》 2.《Wavelet Domain Residual Network (WavResNet) for Low-Dose X-ray CT Reconstruction》 3.《Structure-sensitive Multi-scale Deep Neural Network for Low-Dose CT Denoising》 4.《Deep Convolutional Framelet Denosing for Low-Dose CT via Wavelet Residual Network》 其实最开始看是因为想在医学图像上面做一些工作,后来感觉还是比较不太好做,因为性能已经比较好了,比自然图像去噪要容易一些,再去改动网络模型结构,很少的提升空间。 一、《Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN)》 1. 摘要摘要—考虑到X射线对患者的潜在危险,小剂量CT在医学成像领域引起了极大的兴趣。 当前,主流的小剂量CT方法包括特定于供应商的正弦图域过滤和迭代重建算法,但是它们需要访问格式对大多数用户不透明的原始数据。 由于难以在图像域中对统计特征进行建模,因此,直接处理重建图像的现有方法无法很好地消除图像噪声,同时又保留了结构细节。 受深度学习理念的启发,这里我们将自动编码器,反卷积网络和快捷方式连接到残差编码器-解码器卷积神经网络(RED-CNN)中,以进行低剂量CT成像。 经过基于补丁的培训后,相对于最新方法,在模拟和临床案例中,拟议的RED-CNN均具有竞争优势。 尤其是,我们的方法在噪声抑制,结构保存和病变检测方面得到了良好的评估。 2.网络模型
摘要—由于反复使用正向和反向投影,因此用于低剂量X射线CT的基于模型的迭代重建(MBIR)算法在计算上很复杂。 受到深度学习在计算机视觉应用中取得成功的启发,我们最近提出了用于低剂量X射线CT的深度卷积神经网络(CNN),并在2016 AAPM低剂量CT大奖赛中获得第二名。 但是,一些纹理没有完全恢复,这是放射科医生所不熟悉的。 为了解决这个问题,我们在方向小波域上提出了一种直接的残差学习方法,以解决该问题并提高其性能。 特别地,新网络估计每个输入小波变换的噪声,然后通过从输入小波变换频带中减去噪声来获得去噪的小波系数。 实验结果证实,所提出的网络具有显着改善的性能,同时保留了原始图像的细节纹理。 2. 网络模型计算机断层扫描(CT)是临床应用中流行的医学成像方法。 同时,与CT扫描相关的X射线辐射剂量由于其对患者的潜在风险而引起了公众的关注。 在过去的几年中,人们一直致力于开发低剂量CT(LDCT)方法。 但是,降低辐射剂量会损害信噪比(SNR),从而导致强烈的噪声和伪影,从而降低CT图像质量。在本文中,我们提出了一种新颖的3D降噪方法,称为结构敏感多尺度生成对抗网络(SMGAN),以提高LDCT图像质量。 具体来说,我们合并了三维(3D)体积信息以提高图像质量。 此外,研究了用于训练降噪模型的不同损失函数。 实验表明,该方法可以有效地保存来自正常剂量CT(NDCT)图像的结构和纹理信息,并显着抑制噪声和伪影。 由三位经验丰富的放射科医生进行的定性视觉评估表明,该方法可检索更多详细信息,并且优于其他竞争方法。 2.网络结构低剂量X射线计算机断层扫描(CT)的基于模型的迭代重建算法在计算上非常昂贵。 为了解决这个问题,我们最近提出了一种用于低剂量X射线CT的深度卷积神经网络(CNN),并在2016年AAPM低剂量CT大奖赛中获得第二名。 但是,某些纹理没有完全恢复。 为了解决这个问题,在这里我们提出了一种新的基于小波残差网络的基于小波框架的去噪算法,该算法将深度学习的表达能力与基于小波框架的去噪算法的性能保证相结合。 新算法的灵感来自于最近将深CNN解释为级联卷积框架信号表示。大量的实验结果证实,所提出的网络具有显着改善的性能,并保留了原始图像的细节纹理。 2.网络结构
|
CopyRight 2018-2019 实验室设备网 版权所有 |