low-dose

文章学习36“Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN)”

TMI2017的作品，本文的主要思想和2016年NIPS的RED基本一致，网络采用AE的结构，先用卷积层进行编码，再用反卷积层进行解码，中间通过skip结构连接，如下图所示。下图是16年RED的结构，和本文一样遵循先入先出的原则，通过residuallearning进行去噪，所以本文的结构就是followRED。实验数据包括两部分，一个是AAPM比赛的10位病人的HDCT和LDCT图像，另一个是作
Carrie_Hou·2023-09-18 13:21

Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising

Zero-Shot低剂量CT图像去噪的扩散概率先验论文链接：https://arxiv.org/abs/2305.15887项目链接：https://github.com/DeepXuan/Dn-DpAbstract低剂量CT图像去噪是医学图像计算中的一项关键任务。近年来，基于监督的深度学习方法在这一领域取得了重大进展。然而，这些方法通常需要对低剂量和正常剂量的CT图像进行训练，这在临床环境中很难
通街市密人有·2023-08-24 21:16

论文学习18“Real-time image reconstruction for low-dose CT using deep convolutional generative adversa...

本文是采用去噪的思想，FCN网络作为去噪的生成器，再加上判别器和IRIMAGE的损失，形成网络的学习模式，完成去噪的功能。X域是LDCT，Y域是无噪声的CT，G作用就是完成X到Y的转换。作者为这个模型定义了三个损失函数，第一个是生成器的去噪损失。噪声CT图像可以定义为去噪后的图像加上噪声两部分：，假设图像各像素之间独立同分布，那么，作者定义了去噪后的图像和原始图像x之间的平方差为：所以第一个关于G
Carrie_Hou·2023-04-20 17:16

Artifact and Detail Attention Generative AdversarialNetworks for Low-Dose CT Denoising阅读笔记

目录摘要介绍方法A.GeneratorArchitectureB.DiscriminatorStructureC.LossFunction实验结果和分析A.ExperimentalSettingsB.ParameterSelection摘要提出了一种多通道生成器：主特征提取通道+伪影和噪声关注通道+边缘噪声关注通道。提出了一种称为多尺度Res2Net鉴别器的新结构，通过提取图像同一尺度下的多尺度特
wangtao990503·2022-12-07 16:38

文章学习19“Generative Adversarial Networks for Noise Reduction in Low-Dose CT”

本文是IEEETRANSACTIONSONMEDICALIMAGING17年的作品，作者是荷兰的一个医学中心的人用gan来做LDCT的去燥，文章的亮点是体素级的设计，网络总结构如下图所示：生成器是输入低剂量的CT图像，然后经过7个连续的卷积层输出图像中的噪声，然后用输入的低剂量图像减去噪声得到模拟高剂量图像。和普通的网络的不同是作者没有将CT作为图像处理，而是转化为体素值（HU）进行处理，除了最后
Carrie_Hou·2022-02-07 07:37

论文学习15“Sharpness-Aware Low-Dose CT Denoising Using Conditional Generative Adversarial Network”

论文链接：SAGAN代码链接：SAGAN这篇文章是我在GitHub发现的低剂量CT向高剂量CT转化的项目的文章，是在2018年美国医学影像信息大会（SIIM）上发表的文章。在低剂量辐射领域有一个原则：ALARA（尽可能的低剂量原则）(1)个人监测卡必须经常佩带，以提供一个较长时间的剂量记录。2)放射技师应尽量使用机械装置固定被照体。3)若患者确需帮助，应由其家属或非放射工作者完成。员工扶助患者时，
侯冠群·2020-06-29 16:20

文章学习23“Structure-sensitive Multi-scale Deep Neural Network for Low-Dose CT Denoising”

本文是之前用WGAN做LDCT去噪的作者5月发表在arxiv上的新作，总得来说就是在之前的WGAN作品上把生成器部分从2D转化为3D，然后loss上又增加了很多可能，比如L1、L2、MS-SSIM和混合loss形式。当然效果是要比之前的要好，具体会在下文详述。Introduction和relatedwork没有太多新意，和之前的文章内容一致，都是介绍下目前已有的为数不多的几篇用深度学习去噪的pap
Carrie_Hou·2019-01-26 21:55
上一页 1 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他