CN111882503A - 一种图像降噪方法及其应用 - Google Patents
一种图像降噪方法及其应用 Download PDFInfo
- Publication number
- CN111882503A CN111882503A CN202010771759.5A CN202010771759A CN111882503A CN 111882503 A CN111882503 A CN 111882503A CN 202010771759 A CN202010771759 A CN 202010771759A CN 111882503 A CN111882503 A CN 111882503A
- Authority
- CN
- China
- Prior art keywords
- image
- noise
- noise reduction
- network
- self
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000009467 reduction Effects 0.000 title claims abstract description 29
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000002595 magnetic resonance imaging Methods 0.000 claims description 22
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000002600 positron emission tomography Methods 0.000 claims description 3
- 238000002603 single-photon emission computed tomography Methods 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 7
- 238000003384 imaging method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000001727 in vivo Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003727 cerebral blood flow Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000002059 diagnostic imaging Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001037 epileptic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000000941 radioactive substance Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10088—Magnetic resonance imaging [MRI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Processing (AREA)
Abstract
本申请属于图像扫描技术领域，特别是涉及一种图像降噪方法及其应用。现有的快速成像情况下，重建的MRI图像噪声过大，影响医生诊断病情。本申请提供了一种图像降噪方法，包括：构建自校正卷积神经网络；将L1范数作为损失函数；对自校正卷积神经网络进行优化；将带有噪声的图像作为网络的输入，将带有噪声的图像和对应的无噪声图像作为网络标签，对网络进行训练，得到由带噪声的图像到无噪声的图像映射关系；将需要降噪的图像通过训练好的网络进行降噪得到降噪后的图像。解决图像不清楚的问题。
Description
技术领域
本申请属于图像扫描技术领域，特别是涉及一种图像降噪方法及其应用。
背景技术
磁共振成像(MRI)是根据有磁距的原子核在磁场作用下，能产生能级间的跃迁的原理而采用的一项新检查技术，MRI有助于检查癫痫患者脑的能量状态和脑血流情况，对变性病诊断价值很大。MRI是通过体外高频磁场作用，由体内物质向周围环境辐射能量产生信号实现的，成像过程与图像重建和CT相近，只是MRI既不靠外界的辐射、吸收与反射，也不靠放射性物质在体内的γ辐射，而是利用外磁场和物体的相互作用来成像，高能磁场对人体无害。
磁共振成像(MRI)扫描是用于人体器官疾病的筛查和诊断的主要医学成像方法之一，是用于医学诊断的有效工具。但是，在图像采集或传输过程中产生的噪声会损害MRI质量，并严重降低这些诊断的准确性。嘈杂的低质量MRI图像会影响自动计算机分析的准确性，例如分类，分割和配准。因此，对MRI去噪的研究对于获得高质量的MRI输出具有重要意义,同时对于医疗诊断领域具有重要的科学意义和应用前景。
现有的快速成像情况下，重建的MRI图像噪声过大，影响医生诊断病情。
发明内容
1.要解决的技术问题
基于在特定情况下，现有的快速成像情况下，重建的MRI图像噪声过大，影响医生诊断病情的问题，本申请提供了一种图像降噪方法及其应用。
2.技术方案
为了达到上述的目的，本申请提供了一种图像降噪方法，所述方法包括如下步骤：
步骤1：构建基于U-net网络基础上的自校正U-net卷积神经网络；
步骤2：将L1范数作为损失函数；
步骤3：对自校正U-net卷积神经网络的参数进行优化，使得损失函数收敛；
步骤4：将带有噪声的图像作为网络的输入，将带有噪声的图像和对应的无噪声图像作为网络标签，对网络进行训练，得到由带噪声的图像到无噪声的图像映射关系；
步骤5：将需要降噪的图像通过训练好的网络进行降噪得到降噪后的图像。
本申请提供的另一种实施方式为：所述步骤1中所述自校正卷积神经网络为类似于U-net网络的编码解码网络。
本申请提供的另一种实施方式为：所述步骤1中自校正卷积神经网络包括自校正卷积层，所述自校正卷积层包括第一通道和第二通道。
本申请提供的另一种实施方式为：对所述第一通道的数据进行卷积和批归一化处理。
本申请提供的另一种实施方式为：对所述第二通道的数据进行下采样。
本申请提供的另一种实施方式为：所述采样率为4。
本申请提供的另一种实施方式为：所述步骤2中L1范数为：
其中，xi为降噪之前的图像的像素值，yi为无噪声的真实图像的像素值，n为像素值的总个数。
本申请提供的另一种实施方式为：所述步骤3中优化时采用Adam优化算法对所述自校正卷积神经网络进行优化。
本申请还提供一种图像降噪方法的应用，将权利要求1～9中任一项所述的图像降噪方法应用于单光子发射计算机断层成像、磁共振成像、低剂量CT图像或者低计数正电子发射型断层成像。
3.有益效果
与现有技术相比，本申请提供的一种图像降噪方法的有益效果在于：
本申请提供的图像降噪方法，为一种基于自校正卷积的欠采样MRI图像降噪方法。
本申请提供的图像降噪方法，基于处理人脑MR图像降噪。考虑到MRI技术本身会固有地将Rician噪声添加到输出图像这一事实，在将图像摄取进行进一步处理之前，对MR图像进行降噪，获得比现有降噪方法更加清晰的结构细节信息，展示了本申请对MRI图像的噪声抑制和结构保存的能力。
本申请提供的图像降噪方法，针对某些快速MRI成像情况下，重建的图像噪声比较大，解决图像不清楚的问题。
本申请提供的图像降噪方法，使用自校正卷积代替原始的卷积层，能在不增加网络参数的情况下增加图像的感受野，使得特征图更加准确的表示图像的特征。感受野被定义为卷积神经网络特征所能看到输入图像的区域，换句话说特征输出受感受野区域内的像素点的影响。所以，感受野越大，表述图像特征的特征图越具有代表性。
本申请提供的图像降噪方法，在损失函数中，使用L1范数代替原始的L2范数，使图像能更好的保留边缘细节，以此来满足医生诊断的需求。
本申请提供的图像降噪方法，提高图像质量。
本申请提供的图像降噪方法，在深度学习的背景下降噪图像，使用了一种自校正卷积，在不增加网络参数的同时增加感受野，使降噪的图像质量得到进一步的提升。
附图说明
图1是本申请的图像降噪方法的生成器网络示意图；
图2是本申请的自校正卷积过程示意图；
图3是本申请的自校正块示意图。
具体实施方式
在下文中，将参考附图对本申请的具体实施例进行详细地描述，依照这些详细的描述，所属领域技术人员能够清楚地理解本申请，并能够实施本申请。在不违背本申请原理的情况下，各个不同的实施例中的特征可以进行组合以获得新的实施方式，或者替代某些实施例中的某些特征，获得其它优选的实施方式。
L1范数是各个参数绝对值之和，符合拉普拉斯分布，是不完全可微的，表现在图像上会有很多角出现。
L2范数是各个参数的平方和，符合高斯分布，是完全可微的。和L1相比，图像上的棱角被圆滑了很多。
参见图1～3，本申请提供一种图像降噪方法，所述方法包括如下步骤：
步骤1：构建基于U-net网络基础上的自校正U-net卷积神经网络；
步骤2：将L1范数作为损失函数；
步骤3：对自校正U-net卷积神经网络的参数进行优化，使得损失函数收敛；
步骤4：将带有噪声的图像作为网络的输入，将带有噪声的图像和对应的无噪声图像作为网络标签，对网络进行训练，得到由带噪声的图像到无噪声的图像映射关系；
步骤5：将需要降噪的图像通过训练好的网络进行降噪得到降噪后的图像。
对步骤1所构建的网络中的参数进行步骤3，即对其参数进行训练，不断的迭代优化改变其参数达到好的映射关系。
进一步地，所述步骤1中所述自校正卷积神经网络为类似于U-net网络的编码解码网络。
该自校正卷积神经网络是一种类似于U-net网络的编码解码网络：图像经过一层卷积，一层自校正卷积、池化、一层自校正卷积、池化、一层自校正卷积、池化、自校正卷积、自校正卷积、双线性插值上采样、自校正卷积、双线性插值上采样、自校正卷积、双线性插值上采样、自校正卷积、卷积。卷积核个数分别为：1，16，16，32，32，64，64，128，128，128，64，64，32，32，16，16，1.图像的大小分别为：128×128，64×64，32×32，16×16，32×32，64×64，128×128。
将带有噪声的MRI图像作为网络的输入和对应的无噪声的MRI图像作为网络标签，对网络进行训练。
训练网络，得到由带噪声的MRI图像到无噪声的MRI图像映射关系G。
从带噪声的MR图像通过训练好的网络进行降噪得到符合医生诊断的降噪后的图像。
进一步地，所述步骤1中自校正卷积神经网络包括自校正卷积层，所述自校正卷积层包括第一通道和第二通道。
进一步地，对所述第一通道的数据进行卷积和批归一化处理。
进一步地，对所述第二通道的数据进行下采样。
进一步地，所述采样率为4。
图1中的自校正卷积结构图如图2所示。对于输入的数据将通道数平均分为上通道即第二通道和下通道即第一通道。上面的数据进行自校正模块的处理，下面通道的数据经过卷积和批归一化操作之后与上面的数据进行合并，得到与输入数据尺寸大小一样的数据作为输入。
图2中的自校正块网络结构如图3所示，输入数据的维度为C/2×H×W。对于上面的数据进行下采样，采样率为r，在本申请中设置为4。采样后的数据维度为：C/2×H/r×W/r,之后做卷积和批归一化操作，之后进行采样率为r的上采样恢复数据的维度，之后与输入的数据进行相加，得到的结果经过Sigmoid激活函数。
对于下面的数据经过卷积和批归一化操作的结果与之前上面的结果相乘，得到的结果经过卷积和批归一化操作的得到最终的自校正卷积结果。
进一步地，所述步骤2中L1范数为：
其中，xi为降噪之前的图像的像素值，yi为无噪声的真实图像的像素值，n为像素值的总个数。在本自校正卷积的U-net网络框架中，为了使图像细节更加尖锐，降噪后的图像保留细节边缘。
进一步地，所述步骤3中优化时采用Adam优化算法对所述自校正卷积神经网络进行优化。
本申请还提供一种图像降噪方法的应用，将权利要求1～9中任一项所述的图像降噪方法应用于单光子发射计算机断层成像、磁共振成像、低剂量CT图像或者低计数正电子发射型断层成像。
实施例
步骤一：搭建自校正卷积神经网络框架，本申请在U-net网路的基础上将原始的卷积模块换成图2所示的自校正卷积；
步骤二：将配对的数据中低质量磁共振图像经过步骤一中所设计的网络后得到的降噪结果与高质量之间的L1范数作为损失函数；
步骤三：对步骤二中的损失函数使用优化器进行优化，迭代的优化步骤一中所设计网路中的参数，最后使得步骤二中的损失函数达到收敛；
步骤四：给网络带噪声和无噪声的数据，带噪声的数据经过网络得到降噪后的数据与无噪声的数据之间的L1范数作为损失函数使用优化器对其进行优化来改变步骤一设计网络中的参数，最后得到步骤一中的网络参数的映射；
步骤五：对测试的图像经过步骤四所训练好的映射关系的网络参数，最终得到降噪后的图像。
尽管在上文中参考特定的实施例对本申请进行了描述，但是所属领域技术人员应当理解，在本申请公开的原理和范围内，可以针对本申请公开的配置和细节做出许多修改。本申请的保护范围由所附的权利要求来确定，并且权利要求意在涵盖权利要求中技术特征的等同物文字意义或范围所包含的全部修改。
Claims (9)
1.一种图像降噪方法，其特征在于：所述方法包括如下步骤：
步骤1：构建自校正卷积神经网络；
步骤2：将L1范数作为损失函数；
步骤3：对自校正卷积神经网络进行优化,使得损失函数收敛；
步骤4：将带有噪声的图像作为网络的输入，将带有噪声的图像和对应的无噪声图像作为网络标签，对网络进行训练，得到由带噪声的图像到无噪声的图像映射关系；
步骤5：将需要降噪的图像通过训练好的网络进行降噪得到降噪后的图像。
2.如权利要求1所述的图像降噪方法，其特征在于：所述步骤1中所述自校正卷积神经网络为基于U-net网络基础上的自校正U-net卷积神经网络。
3.如权利要求1所述的图像降噪方法，其特征在于：所述步骤1中自校正卷积神经网络包括自校正卷积层，所述自校正卷积层包括第一通道和第二通道。
4.如权利要求3所述的图像降噪方法，其特征在于：对所述第一通道的数据进行卷积和批归一化处理。
5.如权利要求3所述的图像降噪方法，其特征在于：对所述第二通道的数据进行下采样。
6.如权利要求5所述的图像降噪方法，其特征在于：所述采样率为4。
7.如权利要求1所述的图像降噪方法，其特征在于：所述步骤2中L1范数为：
其中，xi为降噪之前的图像的像素值，yi为无噪声的真实图像的像素值，n为像素值的总个数。
8.如权利要求1所述的图像降噪方法，其特征在于：所述步骤3中优化时采用Adam优化算法对所述自校正卷积神经网络进行优化。
9.一种图像降噪方法的应用，其特征在于：将权利要求1～8中任一项所述的图像降噪方法应用于单光子发射计算机断层成像、磁共振成像、低剂量CT图像或者低计数正电子发射型断层成像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010771759.5A CN111882503A (zh) | 2020-08-04 | 2020-08-04 | 一种图像降噪方法及其应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010771759.5A CN111882503A (zh) | 2020-08-04 | 2020-08-04 | 一种图像降噪方法及其应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111882503A true CN111882503A (zh) | 2020-11-03 |
Family
ID=73210208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010771759.5A Pending CN111882503A (zh) | 2020-08-04 | 2020-08-04 | 一种图像降噪方法及其应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882503A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112509093A (zh) * | 2020-12-17 | 2021-03-16 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像衰减校正方法及其应用 |
| CN112598597A (zh) * | 2020-12-25 | 2021-04-02 | 华为技术有限公司 | 一种降噪模型的训练方法及相关装置 |
| CN114219820A (zh) * | 2021-12-08 | 2022-03-22 | 苏州工业园区智在天下科技有限公司 | 神经网络的生成方法、去噪方法及其装置 |
| CN114757847A (zh) * | 2022-04-24 | 2022-07-15 | 汕头市超声仪器研究所股份有限公司 | 多信息提取的扩展U-Net及其在低剂量X射线成像的应用方法 |
| CN115409743A (zh) * | 2022-11-03 | 2022-11-29 | 长春理工大学 | 基于深度学习用于脑部磁共振图像处理的模型构建方法 |
| US11540798B2 (en) | 2019-08-30 | 2023-01-03 | The Research Foundation For The State University Of New York | Dilated convolutional neural network system and method for positron emission tomography (PET) image denoising |
-
2020
- 2020-08-04 CN CN202010771759.5A patent/CN111882503A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11540798B2 (en) | 2019-08-30 | 2023-01-03 | The Research Foundation For The State University Of New York | Dilated convolutional neural network system and method for positron emission tomography (PET) image denoising |
| CN112509093A (zh) * | 2020-12-17 | 2021-03-16 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像衰减校正方法及其应用 |
| CN112598597A (zh) * | 2020-12-25 | 2021-04-02 | 华为技术有限公司 | 一种降噪模型的训练方法及相关装置 |
| WO2022134971A1 (zh) * | 2020-12-25 | 2022-06-30 | 华为技术有限公司 | 一种降噪模型的训练方法及相关装置 |
| CN114219820A (zh) * | 2021-12-08 | 2022-03-22 | 苏州工业园区智在天下科技有限公司 | 神经网络的生成方法、去噪方法及其装置 |
| CN114757847A (zh) * | 2022-04-24 | 2022-07-15 | 汕头市超声仪器研究所股份有限公司 | 多信息提取的扩展U-Net及其在低剂量X射线成像的应用方法 |
| CN115409743A (zh) * | 2022-11-03 | 2022-11-29 | 长春理工大学 | 基于深度学习用于脑部磁共振图像处理的模型构建方法 |
| CN115409743B (zh) * | 2022-11-03 | 2023-03-24 | 长春理工大学 | 基于深度学习用于脑部磁共振图像处理的模型构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Park et al. | Unpaired image denoising using a generative adversarial network in X-ray CT | |
| Hu et al. | Artifact correction in low‐dose dental CT imaging using Wasserstein generative adversarial networks | |
| Wang et al. | Advances in data preprocessing for biomedical data fusion: An overview of the methods, challenges, and prospects | |
| CN111882503A (zh) | 一种图像降噪方法及其应用 | |
| CN108898642B (zh) | 一种基于卷积神经网络的稀疏角度ct成像方法 | |
| CN111325686B (zh) | 一种基于深度学习的低剂量pet三维重建方法 | |
| Luo et al. | Adaptive rectification based adversarial network with spectrum constraint for high-quality PET image synthesis | |
| US9002134B2 (en) | Multi-scale image normalization and enhancement | |
| CN112258415B (zh) | 一种基于生成对抗网络的胸部x光片超分辨率和去噪方法 | |
| CN111311704A (zh) | 图像重建方法、装置、计算机设备和存储介质 | |
| CN112435164B (zh) | 基于多尺度生成对抗网络的低剂量ct肺部图像的同时超分辨率和去噪方法 | |
| Li et al. | A multiscale double-branch residual attention network for anatomical–functional medical image fusion | |
| CN106530236A (zh) | 一种医学图像处理方法及*** | |
| WO2022027216A1 (zh) | 一种图像降噪方法及其应用 | |
| CN114187181B (zh) | 基于残差信息精炼的双路径肺部ct图像超分辨率方法 | |
| Chen et al. | Robust restoration of low-dose cerebral perfusion CT images using NCS-Unet | |
| CN117769722A (zh) | 用于断层成像的基于生成对抗网络的无损图像压缩模型 | |
| CN115018728A (zh) | 基于多尺度变换和卷积稀疏表示的图像融合方法及*** | |
| Li et al. | Deep attention super-resolution of brain magnetic resonance images acquired under clinical protocols | |
| Li et al. | Multi-scale feature fusion network for low-dose CT denoising | |
| CN111860836A (zh) | 一种自监督学习方法及应用 | |
| Basu et al. | A systematic literature review on multimodal medical image fusion | |
| CN113436118B (zh) | 一种基于多尺度卷积编码网络的低剂量ct图像复原方法 | |
| CN116245969A (zh) | 一种基于深度神经网络的低剂量pet图像重建方法 | |
| Al-Ameen et al. | Prevalent degradations and processing challenges of computed tomography medical images: A compendious analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230630 Address after: 381, West Side, Phase 1, Huiheng Building, No. 138 Gaoxin South Seventh Road, Gaoxin District Community, Yuehai Street, Shenzhen, Guangdong Province, 518000 Applicant after: Guochuang Yucheng Medical Device Development (Shenzhen) Co.,Ltd. Address before: Room A101, building 1, Yinxing Zhijie phase II, No. 1301-76, sightseeing Road, Xinlan community, Guanlan street, Longhua District, Shenzhen, Guangdong 518000 Applicant before: Shenzhen National Research Institute of high performance Medical Devices Co.,Ltd. |