检索结果-南通市图书馆

北京航空航天大学学报 2024年

作者：海潮田鑫张宏谭大龙何一新孟凡勇杨民中国科学院过程工程研究所介科学与工程全国重点实验室北京动力机械研究所北京航空航天大学机械工程及自动化学院

当CT扫描视野中出现金属时，重建图像不可避免的会产生金属伪影，严重影响图像质量。为了抑制金属伪影，我们提出了一种新的深度学习CT金属伪影抑制方法，结合正弦图域和图像域的双域信息。首先采用自适应最优阈值分割算法分割CT图像中... 详细信息

当CT扫描视野中出现金属时，重建图像不可避免的会产生金属伪影，严重影响图像质量。为了抑制金属伪影，我们提出了一种新的深度学习CT金属伪影抑制方法，结合正弦图域和图像域的双域信息。首先采用自适应最优阈值分割算法分割CT图像中的金属并在正弦图中去除金属腐蚀区域，使用线性插值初步修复缺失的金属区域，然后采用正弦图修补网络（Sino-inpainting Network， SIN）修复受金属污染的正弦图，利用编码器-解码器网络结构恢复缺失的图像信息。网络输出的正弦图经过滤波反投影算法生成CT重建图像。对于初步校正后存在的正弦图信息不一致性问题，使用非局部细化网络(Non-local Refine Network， NLRN)在图像域进行修复，减少二次伪影产生。模拟与真实数据实验结果表明，该方法能有效减少金属伪影，同时保留了图像细节信息，显著提高了重建图像质量。

关键词：图像处理深度学习金属伪影抑制双域信息 Pix2Pix 非局部网络

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

基于双域信息去除CT金属伪影的无监督学习方法

基于双域信息去除CT金属伪影的无监督学习方法

引用

作者：周浪涛广州大学

学位级别：硕士

在计算机断层扫描(Computed Tomography,CT)中,金属植入物(如金属假牙、膝关节金属假体等)引起的破坏性伪影严重降低了图像质量,影响医生对患者病情的精确诊断。因此,金属伪影去除(Metal Artifact Reduction,MAR)方法对于确保诊断的准... 详细信息

在计算机断层扫描(Computed Tomography,CT)中,金属植入物(如金属假牙、膝关节金属假体等)引起的破坏性伪影严重降低了图像质量,影响医生对患者病情的精确诊断。因此,金属伪影去除(Metal Artifact Reduction,MAR)方法对于确保诊断的准确性至关重要。面对大尺寸或多数量的金属植入物,传统MAR方法往往会引入严重的二次伪影,使CT重建图像严重失真。本文研究基于深度学习(Deep Learning,DL)的MAR方法,力求在尽可能去除金属伪影的同时,最大限度地保留原始图像中的组织结构细节。本文的主要工作如下:(1)提出了一种基于对比学习的深度学习网络CLMAR,在传统的Cycle GAN基线网络上进行简化,仅保留单个生成器、鉴别器和特征采样器,使其复杂度减半。该设计不仅提升了CLMAR的预测精度,同时显著加快了模型的训练及收敛速度,并减少了对存储空间的需求,有效地解决了以往无监督DL-MAR方法中参数量大和训练耗时长的问题。本文构建了一个全新的数据集,包含骨折内固定术和全膝关节置换术后的CT图像,并生成了相应的仿真金属伪影图像。实验结果显示,CLMAR在定量和定性分析上均超越了传统方法及其他经典的无监督DL-MAR方法。此外,还探讨了不同的重建算法、窗宽和窗位设置对MAR任务的影响。(2)提出了一种基于双域信息的无监督学习方法Du Do Trans GAN。该网络借鉴Transformer和生成对抗网络(Generative Adversarial Network,GAN)的先进架构设计,构建了图像域去噪分支和投影域补全分支,通过融合双域信息特征,显著提升了去除金属伪影的效果,缩小了无监督学习与监督学习之间的性能差距。在使用成对腹部CT图像的仿真伪影场景中,该网络在PSNR、RMSE和SSIM等定量指标上表现良好。在使用无配对膝关节CT图像的临床场景中,Du Do Trans GAN获得了四种无监督DLMAR模型中最高的人工评分。实验结果展现了其在实际临床应用中的潜在价值,有助于推动Transformer、GAN和双域信息融合技术在MAR领域的发展。本文提出的MAR方法不仅展示了优秀的泛化性能和可迁移性,而且通过有效减少金属伪影,显著提升了CT图像的可读性,辅助医生更准确地识别和评估病灶区域。这对提高患者的治疗效果和生活质量有着积极的促进作用,预计将为MAR领域的临床实践带来更可靠、更有效的解决方案。此外,本研究还深刻意识到医学图像处理中的安全性问题,包括数据的安全性和模型的安全性。确保患者数据的隐私和安全,防止模型被恶意操作或伪造,对维护医疗诊断的准确性和可靠性至关重要。通过采用先进的深度学习技术和创新的MAR方法,有助于推动医学图像处理技术向更安全、更高效的方向发展。

关键词：医学图像处理金属伪影去除深度学习无监督学习双域信息

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：