CT重建
文章平均质量分 94
通街市密人有
https://github.com/LinY-ct
展开
-
FOURIER NEURAL OPERATOR FOR PARAMETRIC PARTIAL DIFFERENTIAL EQUATIONS
神经网络的经典发展主要集中在有限维欧几里得空间之间的学习映射。最近,这被推广到学习函数空间之间映射的神经算子。对于偏微分方程,神经算子直接学习从任意函数参数依赖到解的映射。因此,他们学习了整个偏微分方程家族,而不像经典方法只解一个方程实例。在这项工作中,我们通过直接在傅里叶空间中参数化积分核来制定一个新的神经算子,允许一个表达和高效的架构。我们对Burgers方程、Darcy流和Navier-Stokes方程进行了实验。傅里叶神经算子是第一个成功模拟zero-shot超分辨率湍流的基于ML的方法。原创 2024-05-22 17:29:19 · 808 阅读 · 0 评论 -
Fast deep learning based reconstruction for limited angle tomography
计算机断层扫描的一个主要挑战是从不完整的数据中重建物体。对于这些问题,一个日益流行的解决方案是将深度学习模型整合到重建算法中。本文介绍了一种将傅里叶神经算子(FNO)集成到滤波后反投影(FBP)重建方法中的新方法,得到了FNO反投影(FNO-BP)网络。我们采用矩条件进行正弦图外推,以帮助模型从有限的数据中减轻伪影。值得注意的是,我们的深度学习架构保持了与经典滤波后投影(FBP)重建相当的运行时,确保了推理和训练期间的快速性能。原创 2024-05-20 19:00:56 · 803 阅读 · 0 评论 -
KAN: Kolmogorov–Arnold Networks
论文链接:https://arxiv.org/abs/2404.19756代码链接:https://github.com/KindXiaoming/pyKAN项目链接:https://kindxiaoming.github.io/pyKAN/intro.html受Kolmogorov-Arnold表示定理的启发,我们提出Kolmogorov-Arnold网络(KAN)作为多层感知器(MLP)的有前途的替代品。MLP在节点(“神经元”)上有固定的激活函数,而KAN在边缘(“权重”)上有可学习的激活函数。KAN原创 2024-05-07 19:17:17 · 1467 阅读 · 0 评论 -
KAN:Kolmogorov–Arnold Networks
受Kolmogorov-Arnold表示定理的启发,我们提出Kolmogorov-Arnold网络(KAN)作为多层感知器(MLP)的有前途的替代品。MLP在节点(“神经元”)上有固定的激活函数,而KAN在边缘(“权重”)上有可学习的激活函数。kan根本没有线性权重——每个权重参数都被参数化为样条的单变量函数所取代。我们表明,这个看似简单的改变使得KAN在准确性和可解释性方面优于MLP。就准确性而言,在数据拟合和PDE求解方面,更小的KAN可以达到与更大的MLP相当或更好的准确性。原创 2024-05-06 21:05:43 · 1990 阅读 · 0 评论 -
Linking In-plane and Through-plane Transformers for Simultaneous CT Image Denoising and Deblurring
本文研究了三维低剂量计算机断层扫描成像技术。尽管在此背景下开发了各种深度学习方法,但它们通常侧重于2D图像,并分别执行低剂量去噪和超分辨率去模糊。同时进行平面内去噪和透平面去模糊是获得低辐射、高成像速度的高质量三维CT图像的重要手段,但目前研究较少。对于这项任务,一个简单的方法是直接训练一个端到端的3D网络。然而,它需要更多的训练数据和昂贵的计算成本。原创 2024-04-30 20:52:20 · 753 阅读 · 1 评论 -
UNeXt: a Low-Dose CT denoising UNet model with the modified ConvNeXt block
近几十年来,临床医生广泛使用计算机断层扫描(CT)进行医学诊断。医疗辐射有潜在危险,因此需要减少CT扫描中的射线辐射。然而,辐射剂量的减少会导致噪声和伪影的增加。本文采用基于UNet的卷积神经网络(CNN)新架构对低剂量CT图像(LDCT)进行去噪,并与正常剂量图像(NDCT)进行对比。多特征提取块(multi-feature extraction block,MFEB)在不同的接受域中获取额外的特征。提出了改进的CT图像ConvNeXt块(CTNeXt),用于提取不同尺度的不同特征数据。原创 2024-04-30 20:44:26 · 1013 阅读 · 0 评论 -
VVBP-Tensor in the FBP Algorithm: Its Properties and Application in Low-Dose CT Reconstruction
几十年来,商用X射线计算机断层扫描(CT)扫描仪一直使用滤波反投影(FBP)算法进行图像重建。然而,对低辐射剂量的渴望已经将FBP算法推向了极限。以往的研究通过对正弦图进行预处理、修改斜坡滤波器或对重建图像进行后处理来改善FBP的结果。本文主要对FBP算法中逐视图反向投影(VVBP-Tensor)进行分析和处理。我们分析的一个关键挑战在于每个反向投影切片的径向结构。为了克服这个困难,在VVBP-Tensor的z方向(投影视图的方向)引入了一个排序操作。原创 2024-01-30 14:19:42 · 848 阅读 · 0 评论 -
Fast and flexible X-ray tomography using the ASTRA toolbox
从一系列投影图像中重建物体,如在计算机断层扫描(CT)中,是许多不同应用领域的流行工具。现有的商业软件通常为最终用户提供足够精确和方便使用的重建工具。然而,在使用非标准采集协议或需要高级重建方法的应用中,标准软件工具通常无法计算准确的重建图像。本文介绍ASTRA工具箱。ASTRA工具箱针对多个层析成像应用领域的研究人员,为层析成像投影和重建提供了一套高效、高度灵活的开源工具。讨论了ASTRA工具箱的主要功能,并给出了几个用例。原创 2024-01-04 20:01:56 · 1251 阅读 · 0 评论 -
The ASTRA Toolbox: A platform for advanced algorithm development in electron tomography
我们提出ASTRA工具箱作为一个开放的平台,用于断层扫描中的三维图像重建。目前在电子断层扫描中使用的大多数软件工具在获取模型的几何参数和用于重建的算法方面提供有限的灵活性。ASTRA工具箱提供了一套广泛的快速灵活的构建模块,可用于开发高级重建算法,有效地消除了这些限制。我们通过一系列基于实验双轴倾斜序列的实验证明了这种灵活性,由此产生的重建质量和该工具箱的计算效率。原创 2023-12-26 19:06:36 · 1173 阅读 · 0 评论 -
Weighted Filtered Back-Projection for Source Translation Computed Tomography Reconstruction
微计算机断层扫描(micro-CT)是科学研究中提供基于衰减的高分辨率三维图像不可或缺的工具。然而,它目前可用的配置限制了可以成像的对象的大小。在此之前,我们提出了一种多源平移计算机断层扫描(mSTCT)成像几何来扩展micro-CT的视场(FOV),并开发了一种相应的重建算法,称为基于虚拟投影的滤波反投影(V-FBP)。当源被密集采样时,V-FBP实现高分辨率重建,但如果源被粗采样则失败。在本文中,为了在低源采样率下实现高分辨率重建,我们提出了一种全扫描多重STCT (F-mSTCT)扫描配置。原创 2023-12-19 15:27:25 · 839 阅读 · 0 评论 -
Arbitrarily large iterative tomographic reconstruction on multiple GPUs using the TIGRE toolbox
随着时间的推移,层析图像的大小一直在增加,而计算层析重建的GPU的内存大小也在增加,但它们的速度不够快,无法重建最大的数据集。这个问题通常是通过在大量GPU集群中重建数据来解决的,这些GPU集群中有足够的设备来适应测量的x射线投影和重建的体素。这通常需要数十个GPU,这是一个非常经济昂贵的解决方案。在该领域,使用设计用于仅使用一个或几个GPU进行重建的单节点机器更为常见,但目前的软件不允许迭代重建不适合这些GPU的体素。原创 2023-12-13 19:40:43 · 852 阅读 · 0 评论 -
TIGRE: a MATLAB-GPU toolbox for CBCT image reconstruction
本文介绍了基于层析迭代GPU的重建(TIGRE)工具箱,这是一个用于快速准确重建3D X射线图像的MATLAB/ CUDA工具箱。其中一个关键特征是实现了各种各样的迭代算法和FDK,包括SART族中的一系列算法,Krylov子空间族和使用全变分正则化的一系列方法。此外,该工具箱具有GPU加速投影和使用最新技术的反投影,并且它具有模块化设计,便于新算法的实现。我们概述了创建工具箱时使用的结构和技术,并提供了两个使用示例。TIGRE工具箱是在开源许可下发布的,鼓励人们做出贡献。原创 2023-12-13 15:20:53 · 1794 阅读 · 0 评论 -
TT U-Net: Temporal T ransformer U-Net for Motion Artifact Reduction using PAD in Cardiac CT
心脏不自主运动仍然是心脏计算机断层扫描(CT)成像的一个挑战。虽然心电图门控策略被广泛应用于准静止心脏期的CT扫描,但对于心率高或节律不规律的患者,运动诱发的伪影仍然不可避免。动态心脏CT,提供心脏的功能信息,遭受更严重的运动伪影。在本文中,我们开发了一个基于深度学习的框架,用于动态心脏CT的运动伪影减少。首先,我们基于全心运动模型和单相心脏CT图像构建了PAD(伪全期临床数据集)。该数据集提供了动态CT图像,具有逼真的运动伪影,有助于开发数据驱动的方法。原创 2023-10-30 20:51:09 · 1703 阅读 · 1 评论 -
Contextual Error-Modulated Generalized Diffusion Model for Low-Dose CT Denoising and Generalization
由于光子不足伪影和电子噪声,低剂量计算机断层扫描(CT)图像受到噪声和伪影的影响。最近,一些研究尝试使用扩散模型来解决以前基于深度学习的去噪模型遇到的过度平滑和训练不稳定性问题。然而,扩散模型由于涉及大量采样步骤而导致推理时间长。近年来,cold diffusion 模型对经典扩散模型进行了推广,具有更大的灵活性。受cold diffusion 的启发,提出了一种新的用于低剂量CT (LDCT)去噪的上下文误差调制广义扩散模型,称为CoreDiff。原创 2023-10-17 16:58:24 · 520 阅读 · 0 评论 -
VISION TRANSFORMER WITH PROGRESSIVE TOKENIZATION FOR CT METAL ARTIFACT REDUCTION
高质量的计算机断层扫描(CT)在临床诊断中起着至关重要的作用,但金属植入物的存在会在CT图像上引入严重的金属伪影,阻碍医生的决策。以往许多金属伪影还原(MAR)的研究都是基于卷积神经网络(CNN)。最近,Transformer在计算机视觉方面展示了惊人的潜力。此外,基于Transformer的方法也被用于CT图像去噪。然而,这些方法在MAR中很少被探索。为了填补这一空白,我们提出了,据我们所知,第一个基于Transformer的MAR架构。我们的方法依赖于一个标准的视觉Transformer(ViT)。原创 2023-10-09 20:45:09 · 186 阅读 · 0 评论 -
Diffusion Probabilistic Priors for Zero-Shot Low-Dose CT Image Denoising
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获得。现有的基于无监督深度学习的方法通常需要使用大量低剂量CT图像进行训练,或者依靠专门设计的数据采集流程来获得训练数据。为了解决这些限制,我们提出了一种新的无监督方法,该方法在训练期间仅使用正常剂量的CT图像,从而实现对低剂量CT图像的Zero-Shot去噪。我们的方法利用了扩散模型,一个强大的生成模型。原创 2023-08-17 19:56:57 · 588 阅读 · 0 评论 -
Iterative Reconstruction Based on Latent Diffusion Model for Sparse Data Reconstruction
从稀疏测量重建计算机断层扫描(CT)图像是一个众所周知的不适定反问题。迭代重构(IR)算法是求解逆问题的一种方法。然而,最近的IR方法需要成对数据和逆投影矩阵的近似。为了解决这些问题,我们提出了潜在扩散迭代重建(LDIR),这是一种开创性的zero-shot方法,它通过预训练的潜在扩散模型(LDM)作为准确有效的数据先验来扩展IR。LDIR通过无条件潜扩散模型近似先验分布,是第一个以无监督方式成功地将迭代重建与LDM相结合的方法。LDIR使得高分辨率图像的重建更加高效。原创 2023-08-03 20:59:16 · 194 阅读 · 0 评论 -
Metal Artefact Reduction with Unsupervised Domain Adaptation Regularization for Practical CT Images
基于监督深度学习的CT金属伪影还原(MAR)方法经常存在模拟训练数据集与实际应用数据集之间存在领域鸿沟的问题,即模拟训练的方法不能很好地泛化到实际数据中。无监督MAR方法可以直接在实际数据上进行训练,但它们使用间接度量来学习MAR,并且通常表现不令人满意。为了解决域间隙问题,提出了一种基于无监督域自适应(UDA)的MAR方法。具体而言,我们将UDA正则化损失引入到典型的图像域监督MAR方法中,该方法通过特征空间对齐来减轻模拟和实际工件之间的域差异。原创 2023-06-30 16:19:24 · 360 阅读 · 0 评论 -
Deep Interpretable Convolutional Dictionary Network for Metal Artifact Reduction in CT Images
计算机断层扫描(CT)图像经常受到患者体内金属植入物引起的不利伪影的影响,这将对随后的临床诊断和治疗产生不利影响。尽管现有的基于深度学习的方法在CT图像的金属伪影还原(MAR)方面取得了很好的成功,但大多数方法都将该任务视为一般的图像恢复问题,并利用现成的网络模块来增强图像质量。因此,这样的框架总是因为缺乏对特定任务的足够的模型可解释性而受苦。此外,现有的磁共振成像技术在很大程度上忽略了金属损伤CT图像的固有先验知识,这有利于磁共振成像性能的提高。原创 2023-06-30 15:46:42 · 571 阅读 · 1 评论 -
Low-dose CT Image Synthesis for Domain Adaptation Imaging Using a Generative Adversarial Network
基于深度学习(DL)的图像处理方法已经成功地应用于低剂量x射线图像,这是基于训练数据的特征分布与测试数据的特征分配一致的假设。然而,来自不同商业扫描仪的低剂量计算机断层扫描(LDCT)图像可能包含不同数量和类型的图像噪声,这违反了这一假设。此外,在将基于DL的图像处理方法应用于LDCT时,模拟和临床CT检查的LDCT图像的特征分布可能会有很大不同。因此,用来自一个特定扫描仪的模拟图像数据或LDCT图像训练的网络模型可能不能很好地用于另一个CT扫描仪和图像处理任务。原创 2023-06-08 18:44:16 · 473 阅读 · 3 评论 -
Downsampled Imaging Geometric Modeling for Accurate CT Reconstruction via Deep Learning
X射线计算机断层扫描(CT)在临床上被广泛用于通过使用穿透X射线重建活体的断层图像来诊断各种疾病。对于精确的CT图像重建,通常需要辐射衰减过程的精确成像几何模型来解决CT扫描的反演问题,该问题将受试者编码为不同角度位置的一组中间表示。在这里,我们表明,通过深度学习技术进行下采样成像几何建模,可以随后实现精确的CT图像重建。原创 2023-04-11 21:52:55 · 372 阅读 · 0 评论