基于深度学习的低剂量CT图像去噪算法研究1

最新推荐文章于 2025-02-22 17:30:00 发布
最新推荐文章于 2025-02-22 17:30:00 发布
阅读量7.9k 收藏 51
点赞数 5
文章标签： 算法 python 计算机视觉 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43946777/article/details/110283077
版权
本文探讨了基于深度学习的低剂量CT图像去噪算法，通过引入Wasserstein距离和SSIM损失，改进了GAN框架。实验表明，提出的算法在保持结构信息方面表现优秀，尤其是在SSIM指标上超过其他方法，但在PSNR和RMSE上略逊于RED-CNN。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

基于深度学习的低剂量CT图像去噪算法研究1

文章一：
Low-Dose CT Image Denoising Using a Generative Adversarial Network With a Hybrid Loss Function for Noise Learning
主要内容：
第一部分。引言部分：
通常用来解决低剂量CT图像去噪的有三种不同的方法：

  1. sinogram filter
    在CT图像重建之前，原始数据或者它的对数形式可以被滤波处理，正弦域的噪声特性是容易被知道的，一些经典的方法包括：双边滤波法，自适应结构法，加权最小二乘法，但这些方法的缺点在于：空间分辨率损失和边缘模糊
  2. iterative reconstruction
    迭代重建的方法是优化目标函数，增强投影数据的统计特性，真实图像的先验信息和成像系统的参数；迭代重建的方法包括：字典学习，非局部均值，低秩，总方差，方差等。
    缺点：迭代方法的几何参数和校正步骤是不公开的，且计算的成本比较高，但得到的图像质量是明显的。
  3. post-processing
    直接对重建后的CT图像进行处理，NLM, BM3D，但处理后的图像仍然存在平滑度和残差问题。
  4. 深度学习的方法
    近年来，深度学习的方法也被用于低剂量CT图像去噪的领域，RED-CNN，但最终图像会出现外观模糊，缺少细节等问题，CNN网络的目的是使恢复后的CT图像与正常剂量的CT图像的均方误差最小，为了解决这个限制，引入了GAN，为了解决GAN训练困难的问题&#
最低0.47元/天 解锁文章
面向临床需求的CT图像降噪综述
weixin_70923796的博客
08-17 1148
摘 要【目的】低剂量CT扫描技术已广泛用于肺结节和肺癌早期筛查等临床诊断。然而，由辐射剂量降低所导致的成像噪声制约着诊断精度的进一步提高。【方法】本文综合研究了低剂量CT图像降噪技术的发展脉络，从基于迭代优化等传统方法出发，分析了当前基于机器学习技术的低剂量CT图像降噪等CT图像降噪方法。【结果】现有基于机器学习的CT图像降噪方法，一方面采用人为假设噪声分布并构造人工数据集进行模型训练和测试，忽略了临床应用中噪声特点和强度的多样性问题;另一方面，由于深度神经网络的“黑盒”特性，导致现有基于深度神经网
Bilateral滤波算法在CT图像去噪中的应用及Matlab实现
qq_37934722的博客
07-08 333
Bilateral滤波器包括高斯空间滤波器和高斯像素值滤波器两部分，其中高斯空间滤波器在空间上对像素进行平滑处理，高斯像素值滤波器在像素值上对像素进行平滑处理。然而，由于许多因素的影响，CT图像中可能会出现噪声，这会极大地影响医生对图像的判断和诊断。bfilter2函数是Matlab中实现Bilateral滤波器的内置函数，它的第一个参数为需要进行滤波处理的灰度图像，第二个参数为滤波器的尺寸（一般取5或7），第三个参数是一个长度为2的向量，表示空间高斯模糊参数和像素值高斯模糊参数。
扩散模型（Diffusion Models）用于图像去噪：开启图像去噪模型新前沿
m0_65481401的博客
01-05 3225
扩散模型（Diffusion Models）近年来在计算机视觉领域引起了广泛关注，尤其在图像生成和图像去噪任务中取得了显著的成果。扩散模型的核心思想来源于物理学中的扩散过程，通过逐步添加噪声并反向模拟去噪过程，最终恢复出清晰的图像。在图像去噪领域，扩散模型的表现优于传统方法，且具备生成性强、结构化处理能力等优点。本文将深入探讨扩散模型在图像去噪中的应用，介绍其基本原理，展示相应的代码示例，并与传统的去噪模型进行对比。
【人工智能】基于深度学习的脑肿瘤CT图像检测
最新发布
weixin_55149953的博客
02-22 905
脑肿瘤检测系统，主要应用于医学影像分析领域。通过自制数据集和卷积神经网络（CNN）与YOLOv5的结合，实现对良好机会、较少机会和中等机会肿瘤的自动化检测与分类。项目的实施将为脑肿瘤的早期诊断提供有效的技术支持，帮助改善患者的治疗效果和预后。
CT图像预处理-去噪
wd1603926823的专栏
02-02 1359
左边是原图，右边是去噪后的结果。
医学CT图像去噪和增强方法的研究应用_吕鲤志.pdf
08-03
随着科技的进步和技术的发展,在临床医学中医学CT图像发挥着越来越重要的作用，它成为医师诊断疾病的重要手段,尤其在肺癌的早期检查中。近年来，医学影像技术的发展提高了医学诊断的准确度和可信度。医学CT图像跟普通图像有很大的不同，它是对人体的成像。人体的组织器官的密度.各不相同、人体的呼吸运动、心跳运动以及获取图像的设备的质量差异，这些因素都可能造成CT图像中感兴趣区域的对比度差、细节边缘模糊、掺杂噪声等问题，这些问题会对医生的诊断造成很大的影响。为此医学CT图像去噪和增强算法的研究就便得十分重要。本文主要从CT图像去噪和CT图像增强两方面进行研究，提出了两种适合与医学CT图像去噪和增强的算法。版权属于原作者，仅供下载学习交流使用，不得用于商业用途，下载完后请于24小时内删除，谢谢配合。
图像去噪——CTNet网络推理测试（详细图文教程）
qq_40280673的博客
01-20 3705
CTNet是一种交叉Transformer的图像去噪方法。 串并行方式获取结构信息：CTNet采用深度和广度搜索以串并行方式来获得更多的结构信息，提高图像去噪性能。 多层特征交互：利用三个并行异构网络实现多层特征交互，增强不同网络间的关系，以提高针去噪网络对复杂场景的适应性。 交叉Transformer技术：交叉Transformer技术可以根据像素关系提取显著性特征，从而优化去噪效果。
ct图像去噪 matlab,NSCT 图像去噪 matlab
weixin_42517854的博客
03-16 822
【实例简介】用matlab实现的NSCT 图像去噪 图像增强 ，资源是个简单的实例，可以直接运行demo观察去噪效果【实例截图】【核心代码】NSCT图像去噪└── NSCT only├── README.txt├── Thumbs.db├── atrousc.c├── atrousc.dll├── atrousc.mexmac├── atrousdec.m├── atrousfilters.m├─...
基于深度学习的低剂量CT去噪研究.pdf
08-18
然而，现有的这些深度学习方法大多依赖于对齐的数据，即成对的低剂量CT图像和标准剂量CT图像需要具有完全相同的结构。 本文提出了一种新的深度学习网络模型，该模型基于CycleGAN架构，能够采用非对齐数据进行训练。...
基于深度卷积神经网络的低剂量CT肺部去噪.pdf
09-26
总的来说，这项工作展示了深度学习在医学影像处理领域的强大潜力，特别是在低剂量CT图像去噪的应用上。它为未来开发更高效、更精确的医疗图像分析工具提供了新的研究方向，有望进一步改善医疗诊断的效率和准确性。
行业分类-设备装置-一种基于三维区别性特征表示的低剂量CT图像分解方法.zip
09-11
总之，这种基于三维区别性特征表示的低剂量CT图像分解方法展示了深度学习在医疗影像处理中的潜力，尤其是在处理低剂量CT图像时。通过有效的特征提取、非局部自相似性的利用以及智能的图像分解与重建策略，这种方法为...
Low-Dose-CT-denoising:低剂量CT去噪的代码和文件
05-07
低剂量CT去噪 低剂量CT去噪的代码和文件 基于模型的方法 通过局部一致的非局部方式有效地进行低剂量CT降噪（LC-NLM）（MICCAI 2016） 高斯混合MRF用于基于模型的迭代重建及其在低剂量X射线CT中的应用 区分学习的方法 卷积神经网络的低剂量CT去噪（ISBI 2016） （SAGAN）使用条件生成对抗网络的敏锐度低剂量CT去噪 神经网络卷积（NNC）用于将超低剂量图像转换为“虚拟”高剂量CT图像（MLMI 2017） （KAIST-Net）使用方向小波进行低剂量X射线CT重建的深层卷积神经网络 （RED-CNN）小剂量CT，带残差编码器-解码器卷积神经网络（TMI 2017） （KSAERecon）通过神经网络训练的先验者进行的低剂量迭代CT重建（TMI 2017） PWLS-ULTRA：一种有效的基于聚类和学习的低剂量3D CT图像重建方法（TMI
CT-Denoising-Review:CT去噪纸综述
05-06
深度学习的CT图像降噪 01.使用方向小波进行低剂量X射线CT重建的深层卷积神经网络（KAIST-net） 数据集 AAPM-Mayo诊所低剂量CT大型挑战赛（仅腹部CT图像） 512x512，10位患者，5743个切片 使用55x55补丁 模型 该方法适用于低剂量CT图像的小波系数 网络包含24个卷积层 02.通过卷积神经网络进行小剂量CT 数据集 TCIA（癌症影像档案馆）常规剂量的CT图像。 256x256、165位患者，7015个切片。 将泊松噪声加到正常剂量的正弦图中。 使用33x33的补丁。 模型 网络仅使用3个层（Conv-ReLU-Conv-ReLU-Conv）。 03.使用残差卷积网络改善低剂量CT图像 数据集 AAPM-梅奥诊所低剂量CT挑战赛 512x512，10位患者，5080个切片 使用44x44补丁（2D），44x44x24补丁（3D） 模型 二
人工智能改善低剂量CT图像质量的研究进展.pdf
07-10
人工智能改善低剂量CT图像质量的研究进展.pdf
推荐项目：SAGAN - 深度学习低剂量CT去噪模型
gitblog_00049的博客
06-22 546
推荐项目：SAGAN - 深度学习低剂量CT去噪模型 去发现同类优质开源项目:https://gitcode.com/ 在医疗成像领域，尤其是在CT扫描中，降低辐射剂量对于保护患者健康至关重要。然而，低剂量CT（LDCT）图像的质量通常会受到噪声的严重影响。为了解决这一问题，我们向您推荐一个强大的开源项目——SAGAN，即深度学习驱动的自适应加权生成对抗网络。该项目提供了一个预训练的模型和测试代码...
Artifact and Detail Attention Generative AdversarialNetworks for Low-Dose CT Denoising阅读笔记
wangtao990503的博客
04-22 4296
共同学习2021年顶级期刊TMI的低剂量CT去噪文章，作者提出了新颖的多通道区别训练的生成器，通过对去噪问题最核心的两个节点的重点关注，取得了极好的去噪效果！
低剂量CT图像去噪代码
12-29
### 低剂量CT图像去噪的代码实现 对于低剂量CT图像去噪的研究，深度学习方法已经取得了显著进展。这些技术通常基于卷积神经网络(CNN)，尤其是U-Net架构及其变体，在处理医学影像方面表现出色[^1]。 下面是一个简化版的PyTorch U-Net模型用于低剂量CT图像去噪的例子： ```python import torch from torch import nn import torchvision.transforms as transforms class UNet(nn.Module): def __init__(self, in_channels=1, out_channels=1): super(UNet, self).__init__() # Encoder部分 self.enc1 = nn.Sequential( nn.Conv2d(in_channels, 64, kernel_size=3, padding=1), nn.ReLU(inplace=True)) self.pool1 = nn.MaxPool2d(kernel_size=2) self.enc2 = nn.Sequential( nn.Conv2d(64, 128, kernel_size=3, padding=1), nn.ReLU(inplace=True)) # Decoder部分 self.upconv1 = nn.ConvTranspose2d(128, 64, kernel_size=2, stride=2) self.dec1 = nn.Sequential( nn.Conv2d(128, 64, kernel_size=3, padding=1), nn.ReLU(inplace=True), nn.Conv2d(64, out_channels, kernel_size=1)) def forward(self, x): enc1_out = self.enc1(x) pool1_out = self.pool1(enc1_out) enc2_out = self.enc2(pool1_out) upconv1_out = self.upconv1(enc2_out) concat1_out = torch.cat([upconv1_out, enc1_out], dim=1) dec1_out = self.dec1(concat1_out) return dec1_out ``` 为了训练这个模型，可以采用均方误差(MSE)作为损失函数，并利用Adam优化器来最小化该损失。此外，建议使用预处理后的数据集进行实验，确保输入图片尺寸一致并进行了标准化处理。
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值