CN112446873A - 一种图像伪影的去除方法 - Google Patents
一种图像伪影的去除方法 Download PDFInfo
- Publication number
- CN112446873A CN112446873A CN202011440467.XA CN202011440467A CN112446873A CN 112446873 A CN112446873 A CN 112446873A CN 202011440467 A CN202011440467 A CN 202011440467A CN 112446873 A CN112446873 A CN 112446873A
- Authority
- CN
- China
- Prior art keywords
- image
- loss function
- network model
- discriminator
- convolution
- 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 42
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 7
- 210000004351 coronary vessel Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 210000004204 blood vessel Anatomy 0.000 description 2
- 238000013170 computed tomography imaging Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010006322 Breath holding Diseases 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000747 cardiac effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002591 computed tomography Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
- G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
-
- 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
- G06T2207/20—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]
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30101—Blood vessel; Artery; Vein; Vascular
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Apparatus For Radiation Diagnosis (AREA)
Abstract
本发明涉及医学图像处理技术领域，尤其涉及一种图像伪影的去除方法，包括以下步骤：获取训练数据集；构建双向循环生成对抗网络模型；设计双向循环生成对抗网络模型的多重损失函数；训练双向循环生成对抗网络模型；将有运动伪影的图像输入训练好的双向循环生成对抗网络模型，得到无运动伪影的图像。本发明提出的一种图像伪影的去除方法，解决了现有的CTA冠脉图像伪影的去除方法存在泛化能力弱、重建效果不稳定的问题。
Description
技术领域
本发明涉及医学图像处理技术领域，尤其涉及一种图像伪影的去除方法。
背景技术
CTA全称无创性冠状动脉成像技术，是目前CT技术发展的重要方向，其具有传统CT检查所不具有的无创，操作简便等优势而被广泛使用，近年来多层螺旋的高速发展，提升了CT扫描的时间分辨率，使得病人屏气的问题已得到解决，但是由于心率过快，扫描捡起变化不易控制，还是可能造成运动伪影的形成，导致血管成像不清晰，影响医学临床上对血管的观察，进一步影响医学诊断，所以，在CTA冠脉图像伪影去除的研究具有深远的科学意义应用前景。
Hongfeng Ma等人在2019年发表了一篇文章“Evaluation of Motion ArtifactMetrics for Coronary CT Angiography”，文中列举出了产生运动伪影的情况，并且针对伪影产生的多种不同的形式进行分析，在ROI内通过列举不同的伪影情况进行运动伪影矩阵的构建，然后对伪影情况经过低强度区域分数和低强度分数进行综合评价，并且经过矩阵变换进行运动伪影图像重建修复。
Shipeng Xie等人发表了一篇文章，“Artifact Removal using ImprovedGoogLeNet for Sparse-view CT Reconstruction”，文中使用了***net进行伪影的去除和重建，整体网络中包含了3层卷积层和23层Inception module结构进行组合形成26层Googlenet网络，来进行图像重建。
现有的伪影去除方法存在的问题包括：
(1)现有的技术进行伪影图像的重建能修复已知的伪影形式，但泛化能力较弱，重建效果不太稳定。
(2)由于正常CT成像需采集的数据量较大，导致图像重建速度慢。
(3)使用传统的方法需先裁剪出ROI区域，重建过程较复杂。
发明内容
本发明提出一种图像伪影的去除方法，以解决现有的CTA冠脉图像运动伪影的去除方法存在泛化能力弱、重建效果不稳定的问题。
本发明解决上述问题的技术方案是：图像伪影的去除方法，包括以下步骤：
S1：获取训练数据集，其中，
所述训练数据集包括：有运动伪影的图像训练数据集和无运动伪影的图像训练数据集；
S2：构建双向循环生成对抗网络模型；
S3：设计双向循环生成对抗网络模型的多重损失函数；
S4：训练双向循环生成对抗网络模型
将所述训练数据集输入至所述双向循环生成对抗网络模型，基于所述多重损失函数对所述双向循环生成对抗网络模型进行训练，得到训练好的双向循环生成对抗网络模型；
S5：将有运动伪影的图像输入所述训练好的双向循环生成对抗网络模型，得到无运动伪影的图像。
优选的是，所述双向循环生成对抗网络模型包括第一判别器、第二判别器、第一多尺度生成器和第二多尺度生成器；其中，
所述第一多尺度生成器用于从有运动伪影的图像生成无运动伪影的图像；
所述第二多尺度生成器用于从无运动伪影的图像生成有运动伪影的图像；
所述第一判别器用于鉴别输入和生成的有运动伪影的图像；
所述第二判别器用于鉴别输入和生成的无运动伪影的图像。
优选的是，所述多重损失函数由判别器损失函数、生成器联合损失函数、循环损失函数和自洽损失函数构成：其中，
所述判别器损失函数表示为：
所述生成器联合损失函数表示为：
L*(G)＝λg*L(G)+λssim*LSSIM+λpsnr*LPSNR
所述循环损失函数表示为：
所述自洽损失函数表示为：
其中：E(·)表示期望，x～*表示输入服从其中某一类分布，D(·)表示经过判别器后得到的输出，λ1为wgan-gp进行gradient panelty的权重参数；
λg、λssim和λpsnr分别表示分别为生成器损失的权重、结构相似性约束的权重和峰值信噪比约束的权重，L(G)表示生成器损失，
F表示用来输入参考图像，生成假冒输入的图像，||*||表示一阶范数。
优选的是，所述第一判别器和所述第二判别器的结构相同，其中，结构均包括卷积结构、全局平均池化层和全连接层；其中所述卷积结构的数量大于1。
优选的是，所述卷积结构为由包括卷积层、谱归一化处理、BN处理和 LeakyReLu处理构成，所处卷积层中卷积核的尺寸为3×3，步长为2。
优选的是，所述第一多尺度生成器和第二多尺度生成器的结构相同，其中，结构均包括编码部分、中心卷积部分和解码部分；其中，
所述编码部分包含多个下采样网络层，所述解码部分包含多个上采样网络层，所述编码部分和解码部分相互级联，用于融合编码部分的特征和解码部分的特征。
优选的是，所述下采样网络层的结构包括卷积层、谱归一化处理、BN处理和ReLu处理；
所述上采样网络层的结构包括双线性差值处理、卷积层和BN处理；
所述中心卷积部分的结构包括卷积层、BN处理和RELU处理。
优选的是，第一判别器和第二判别器的初始学习率为1e-3，第一多尺度生成器和第二多尺度生成器的初始学习率为1e-4。
本发明还提供一种图像伪影去除装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行图像伪影的去除方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行图像伪影的去除方法。
相比于现有技术，本发明的有益效果在于：
1)本发明采用多尺度的生成器来提高冠脉图像运动伪影的重建效果，能够结合多种不同尺度，不同深度的语义信息，来提高网络的重建效果，能够极大程度的去除运动伪影。
2)设计多重损失函数时，采用ROI区域的结构相似性和峰值信噪比作为约束，并和地洞距离联合设计损失函数，提高关键部位恢复的效果，让生成的CTA 图像消除运动伪影的影响。
附图说明
图1为本发明双向循环生成对抗网络图；
图2为本发明第一判别器的结构示意图；
图3为本发明第一多尺度生成器的结构示意图；
图4为本发明实施例1中有运动伪影的图像修复结果对比图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。因此，以下对在附图中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。
实施例1：一种用于去除CTA心脏冠脉伪影的方法，包括以下步骤：
步骤1：获取有运动伪影的图像训练数据集和无运动伪影的图像训练数据集，其中有运动伪影的图像训练数据集为输入，无运动伪影的图像训练数据集为目标；
步骤2：构建双向循环生成对抗网络模型
21：设计第一判别器和第二判别器
如图2所示，第一判别器和第二判别器的结构相同，第一判别器和第二判别器用于区分正确图像和待修复图像。第一判别器包括5层卷积层、一层全局平均池化和一层全连接层，卷积核的尺寸为3×3，步长为2，全零填充的尺寸为1。在第一判别器和第二判别器使用5层卷积层为了使判别器的拟合能力超过生成器模型。
22：设计第一多尺度生成器和第二多尺度生成器
如图3所示，第一多尺度生成器和第二多尺度生成器的结构相同。第一多尺度生成器包括四次采样网络层、中心卷积层和四次采样网络层；四次下采样网络层为编码部分，四次采样网络层为解码部分。在编码与解码的过程中，将产生的特征图进行级联，通过这样的方式，能够将深层的语义信息和浅层的位置信息相融合，来提取更加全面的图像特征。
下采样网络层的结构包括卷积层、谱归一化处理、BN处理和ReLu，使用Relu 能够使生成的图像不产生棋盘伪影。上采样网络层的结构包括双线性差值处理、卷积层和BN处理。
23：设计双向循环生成对抗网络模型
如图1所示，采用了Gab和Gba两组生成器(即第一多尺度生成器和第二多尺度生成器)以及Da和Db两组判别器(即第一判别器和第二判别器)，其中Gab和Da用以从有运动伪影的图像生成不包含运动伪影的图像，而Gba和Db则希望从无运动伪影的图像生成有运动伪影的图像，因此使用Gab可以实现伪影图像去伪影的过程，而使用Gba可实现清晰图像伪影产生的仿真过程。设计了双向循环生成对抗网络能够控制图像生成重建的方向，使之转化到可控制的方向，避免转换的图像与原始图像处于完全不相关的领域。
3：设计双向循环生成对抗网络模型的多重损失函数
在双向循环生成对抗网络模型整体的设计过程中，损失函数具体包括如下部分：
1、网络是基于生成对抗网络来构建的，因此核心损失函数为对抗损失。鉴于原始的生成对抗损失容易导致生成器的训练不稳定，从而出现梯度消失等问题，采用地动距离代替原始的对抗损失，其生成器L(G)和判别器损失L(D)的表示为：
其中，E(·)表示期望，x～*表示输入服从其中某一类分布，D(·)表示经过判别器后得到的输出，λ1为wgan-gp进行gradient panelty的权重参数，在实验中设置为1。为了保证在训练的过程中更多的恢复出冠状动脉血管的细节信息，因此选取了血管的ROI，而在ROI区域进行了结构相似性(SSIM)和峰值信噪比 (PSNR)的约束，峰值信噪比与结构相似性的公式表示如下：
在结构相似性公式中，μ和σ分别表示图像的均值和标准差，C1＝(k1L)2和 C2＝(k2L)2是两个较小的常数项，避免分母为0，其中L表示图像的最大像素值。
最终的生成器损失表示为：
L*(G)＝λg*L(G)+λssim*LSSIM+λpsnr*LPSNR
其中L*(G)是最终的生成器联合损失，其中，λg，λssim与λpsnr分别表示为生成器损失，结构相似性约束，峰值信噪比约束的权重，在实验中，它们的值分别为1.0，-1.0与-10.0。
2、由于使用了双向循环生成对抗网络，因此采用了双向的网络约束，其中包含了循环损失和自洽损失两部分其中循环损失函数表示为：
其中F表示用来输入参考图像，生成假冒输入的图像，||*||表示一阶范数。而自洽损失表示为：
自洽损失表明生成器用来生成转换后的图像，那么把转换后的图像送入生成器，应该仍然生成该图像，只有这样才能证明该生成器具有生成目标图像类型的能力，表明其自洽性。整体的损失函数设计就包含如上几个部分的约束。
31：上述所有网络均使用ADAM进行优化，第一判别器和第一判别器的初始学习率为1e-3，第一多尺度生成器和第一多尺度生成器的初始学习率为1e-4，使用余弦退火机制训练，提升其收敛效果。
步骤4：将有运动伪影的和无运动伪影的图像分别作为输入图像和目标图像输入至双向循环生成对抗网络模型中进行训练得到训练后的双向循环生成对抗网络模型。
步骤5：将有运动伪影的图像输入所述训练好的双向循环生成对抗网络模型，得到无运动伪影的图像。
实施例2：一种图像伪影去除装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现实施例1的图像伪影的去除方法。
实施例3：一种计算机可读存储介质，其上存储有计算机程序，:该程序被处理器执行时执行实施例1的图像伪影的去除方法。
以上所述仅为本发明的实施例，并非以此限制本发明的保护范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的***领域，均同理包括在本发明的保护范围内。
Claims (10)
1.图像伪影的去除方法，其特征在于，包括以下步骤：
S1：获取训练数据集，其中，
所述训练数据集包括：有运动伪影的图像训练数据集和无运动伪影的图像训练数据集；
S2：构建双向循环生成对抗网络模型；
S3：设计双向循环生成对抗网络模型的多重损失函数；
S4：训练双向循环生成对抗网络模型
将所述训练数据集输入至所述双向循环生成对抗网络模型，基于所述多重损失函数对所述双向循环生成对抗网络模型进行训练，得到训练好的双向循环生成对抗网络模型；
S5：将有运动伪影的图像输入所述训练好的双向循环生成对抗网络模型，得到无运动伪影的图像。
2.根据权利要求1所述的图像伪影的去除方法，其特征在于，所述双向循环生成对抗网络模型包括第一判别器、第二判别器、第一多尺度生成器和第二多尺度生成器；其中，
所述第一多尺度生成器用于从有运动伪影的图像生成无运动伪影的图像；
所述第二多尺度生成器用于从无运动伪影的图像生成有运动伪影的图像；
所述第一判别器用于鉴别输入和生成的有运动伪影的图像；
所述第二判别器用于鉴别输入和生成的无运动伪影的图像。
3.根据权利要求2所述的图像伪影的去除方法，其特征在于，所述多重损失函数由判别器损失函数、生成器联合损失函数、循环损失函数和自洽损失函数构成：其中，
所述判别器损失函数表示为：
所述生成器联合损失函数表示为：
L*(G)＝λg*L(G)+λssim*LSSIM+λpsnr*LPSNR
所述循环损失函数表示为：
所述自洽损失函数表示为：
其中：E(·)表示期望，x～*表示输入服从其中某一类分布，D(·)表示经过判别器后得到的输出，λ1为wgan-gp进行gradient panelty的权重参数；
λg、λssim和λpsnr分别表示分别为生成器损失的权重、结构相似性约束的权重和峰值信噪比约束的权重，L(G)表示生成器损失，
F表示用来输入参考图像，生成假冒输入的图像，||*||表示一阶范数。
4.根据权利要求2或3所述的图像伪影的去除方法，其特征在于，所述第一判别器和所述第二判别器的结构相同，其中，结构均包括卷积结构、全局平均池化层和全连接层；其中所述卷积结构的数量大于1。
5.根据权利要求4所述的图像伪影的去除方法，其特征在于，所述卷积结构为由包括卷积层、谱归一化处理、BN处理和LeakyReLu处理构成，所处卷积层中卷积核的尺寸为3×3，步长为2。
6.根据权利要求2或3所述的图像伪影的去除方法，其特征在于，所述第一多尺度生成器和第二多尺度生成器的结构相同，其中，结构均包括编码部分、中心卷积部分和解码部分；其中，
所述编码部分包含多个下采样网络层，所述解码部分包含多个上采样网络层，所述编码部分和解码部分相互级联，用于融合编码部分的特征和解码部分的特征。
7.根据权利要求6所述的图像伪影的去除方法，其特征在于，
所述下采样网络层的结构包括卷积层、谱归一化处理、BN处理和ReLu处理；
所述上采样网络层的结构包括双线性差值处理、卷积层和BN处理；
所述中心卷积部分的结构包括卷积层、BN处理和RELU处理。
8.根据权利要求2或3所述的图像伪影的去除方法，其特征在于，第一判别器和第二判别器的初始学习率为1e-3，第一多尺度生成器和第二多尺度生成器的初始学习率为1e-4。
9.一种图像伪影去除装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的图像伪影的去除方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时执行如权利要求1-7任一项所述的图像伪影的去除方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011440467.XA CN112446873A (zh) | 2020-12-11 | 2020-12-11 | 一种图像伪影的去除方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011440467.XA CN112446873A (zh) | 2020-12-11 | 2020-12-11 | 一种图像伪影的去除方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112446873A true CN112446873A (zh) | 2021-03-05 |
Family
ID=74740253
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011440467.XA Pending CN112446873A (zh) | 2020-12-11 | 2020-12-11 | 一种图像伪影的去除方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112446873A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113129237A (zh) * | 2021-04-26 | 2021-07-16 | 广西师范大学 | 基于多尺度融合编码网络的深度图像去模糊方法 |
| CN113139917A (zh) * | 2021-04-23 | 2021-07-20 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN114445515A (zh) * | 2022-02-14 | 2022-05-06 | 深圳市赛禾医疗技术有限公司 | 图像伪影去除方法、装置、电子设备及存储介质 |
| CN114943786A (zh) * | 2022-06-20 | 2022-08-26 | 南开大学 | 一种光学相干层析图像饱和伪影的图像修复方法 |
| CN115170424A (zh) * | 2022-07-07 | 2022-10-11 | 北京安德医智科技有限公司 | 一种心脏超声影像伪影去除方法及装置 |
| WO2023123361A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion correction for a medical image |
| WO2024032098A1 (zh) * | 2022-08-09 | 2024-02-15 | 腾讯科技（深圳）有限公司 | 伪影去除模型的训练方法、装置、设备、介质及程序产品 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109815893A (zh) * | 2019-01-23 | 2019-05-28 | 中山大学 | 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法 |
| CN110135366A (zh) * | 2019-05-20 | 2019-08-16 | 厦门大学 | 基于多尺度生成对抗网络的遮挡行人重识别方法 |
| CN110197517A (zh) * | 2019-06-11 | 2019-09-03 | 常熟理工学院 | 基于多域循环一致性对抗生成网络的sar图像上色方法 |
| US20200111194A1 (en) * | 2018-10-08 | 2020-04-09 | Rensselaer Polytechnic Institute | Ct super-resolution gan constrained by the identical, residual and cycle learning ensemble (gan-circle) |
-
2020
- 2020-12-11 CN CN202011440467.XA patent/CN112446873A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200111194A1 (en) * | 2018-10-08 | 2020-04-09 | Rensselaer Polytechnic Institute | Ct super-resolution gan constrained by the identical, residual and cycle learning ensemble (gan-circle) |
| CN109815893A (zh) * | 2019-01-23 | 2019-05-28 | 中山大学 | 基于循环生成对抗网络的彩色人脸图像光照域归一化的方法 |
| CN110135366A (zh) * | 2019-05-20 | 2019-08-16 | 厦门大学 | 基于多尺度生成对抗网络的遮挡行人重识别方法 |
| CN110197517A (zh) * | 2019-06-11 | 2019-09-03 | 常熟理工学院 | 基于多域循环一致性对抗生成网络的sar图像上色方法 |
Non-Patent Citations (1)
| Title |
|---|
| 彭晏飞、等: "基于循环生成对抗网络的图像风格迁移", 计算机工程与科学, 30 April 2020 (2020-04-30), pages 2 - 3 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113139917A (zh) * | 2021-04-23 | 2021-07-20 | Oppo广东移动通信有限公司 | 图像处理方法、装置、电子设备及存储介质 |
| CN113129237A (zh) * | 2021-04-26 | 2021-07-16 | 广西师范大学 | 基于多尺度融合编码网络的深度图像去模糊方法 |
| CN113129237B (zh) * | 2021-04-26 | 2022-10-28 | 广西师范大学 | 基于多尺度融合编码网络的深度图像去模糊方法 |
| WO2023123361A1 (en) * | 2021-12-31 | 2023-07-06 | Shanghai United Imaging Healthcare Co., Ltd. | Systems and methods for motion correction for a medical image |
| CN114445515A (zh) * | 2022-02-14 | 2022-05-06 | 深圳市赛禾医疗技术有限公司 | 图像伪影去除方法、装置、电子设备及存储介质 |
| CN114943786A (zh) * | 2022-06-20 | 2022-08-26 | 南开大学 | 一种光学相干层析图像饱和伪影的图像修复方法 |
| CN115170424A (zh) * | 2022-07-07 | 2022-10-11 | 北京安德医智科技有限公司 | 一种心脏超声影像伪影去除方法及装置 |
| CN115170424B (zh) * | 2022-07-07 | 2023-04-07 | 北京安德医智科技有限公司 | 一种心脏超声影像伪影去除方法及装置 |
| WO2024032098A1 (zh) * | 2022-08-09 | 2024-02-15 | 腾讯科技（深圳）有限公司 | 伪影去除模型的训练方法、装置、设备、介质及程序产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446873A (zh) | 一种图像伪影的去除方法 | |
| CN109993809B (zh) | 基于残差U-net卷积神经网络的快速磁共振成像方法 | |
| Bhagat et al. | Data augmentation using generative adversarial networks for pneumonia classification in chest xrays | |
| Luo et al. | Bayesian MRI reconstruction with joint uncertainty estimation using diffusion models | |
| WO2022121100A1 (zh) | 一种基于darts网络的多模态医学图像融合方法 | |
| CN115953494B (zh) | 基于低剂量和超分辨率的多任务高质量ct图像重建方法 | |
| Arai et al. | Significant dimension reduction of 3D brain MRI using 3D convolutional autoencoders | |
| CN111899165A (zh) | 一种基于功能模块的多任务图像重建卷积网络模型 | |
| Xia et al. | Physics-/model-based and data-driven methods for low-dose computed tomography: A survey | |
| Singh et al. | Medical image generation using generative adversarial networks | |
| CN112819914A (zh) | 一种pet图像处理方法 | |
| Huang et al. | TransMRSR: transformer-based self-distilled generative prior for brain MRI super-resolution | |
| US20230024401A1 (en) | Implicit Neural Representation Learning with Prior Embedding for Sparsely Sampled Image Reconstruction and Other Inverse Problems | |
| CN111325695B (zh) | 基于多剂量等级的低剂量图像增强方法、***及存储介质 | |
| Wahid et al. | Multi-layer basis pursuit for compressed sensing MR image reconstruction | |
| Trung et al. | Dilated residual convolutional neural networks for low-dose CT image denoising | |
| CN116823625A (zh) | 基于变分自编码器的跨对比度磁共振超分辨率方法和*** | |
| Liu et al. | DL‐MRI: A Unified Framework of Deep Learning‐Based MRI Super Resolution | |
| Sander et al. | Autoencoding low-resolution MRI for semantically smooth interpolation of anisotropic MRI | |
| CN112991220A (zh) | 一种基于多重约束的卷积神经网络校正图像伪影的方法 | |
| CN114049334B (zh) | 一种以ct图像为输入的超分辨率mr成像方法 | |
| CN110335327A (zh) | 一种直接解决逆问题的医学图像重建方法 | |
| US20220292641A1 (en) | Dynamic imaging and motion artifact reduction through deep learning | |
| CN115330600A (zh) | 一种基于改进srgan的肺部ct图像超分辨率方法 | |
| CN116888624A (zh) | 通过机器学习的对比度提升 |
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 |