CN114636704B - 一种基于深度学习的太赫兹连续波三维层析成像方法 - Google Patents

一种基于深度学习的太赫兹连续波三维层析成像方法 Download PDF

Info

Publication number
CN114636704B
CN114636704B CN202210233130.4A CN202210233130A CN114636704B CN 114636704 B CN114636704 B CN 114636704B CN 202210233130 A CN202210233130 A CN 202210233130A CN 114636704 B CN114636704 B CN 114636704B
Authority
CN
China
Prior art keywords
target object
deep learning
dimensional
network
terahertz
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.)
Active
Application number
CN202210233130.4A
Other languages
English (en)
Other versions
CN114636704A (zh
Inventor
赖大坤
安红宇
李恩
高勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210233130.4A priority Critical patent/CN114636704B/zh
Publication of CN114636704A publication Critical patent/CN114636704A/zh
Application granted granted Critical
Publication of CN114636704B publication Critical patent/CN114636704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Graphics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的太赫兹连续波三维层析成像方法，将太赫兹连续波层析成像***扫描目标物得到的投影数据直接作为本发明提出的基于生成对抗网络的深度学习方法的输入，通过该方法对目标物进行三维内部结构图像重建，从而无损重现目标物内部结构和发现可能存在的缺陷。本发明提出的深度学习网络模型为生成对抗网络，包括生成器、判别器、真实数据集。本发明提出的深度学习方法是将编码‑译码结构的端到端模型的卷积神经网络作为生成对抗网络的生成器。生成器分为两部分，前部分的编码器提取输入的高级特征，后半部分的译码器将提取的高级特征映射后得到重建后的图像。由于网络层数较深，编码器和译码器中的子模块都采用残差结构，方便模型的优化与训练。

Description

一种基于深度学习的太赫兹连续波三维层析成像方法
技术领域
本发明属于太赫兹成像技术领域，具体涉及一种基于深度学习的太赫兹连续波三维层析成像的图像重构方法。
背景技术
太赫兹(Terahertz,THz)是指频率从100GHz至10000GHz(10THz)，相应波长从3mm到3μm，介于毫米波和红外光之间的区域的电磁波。其具有的无电离辐射、对人体无害、穿透性强等特点，适用于作为成像***的辐射源。层析成像技术是一种主要的三维成像技术，其英文单词“Tomography”来源于希腊单词“tomos”与“graphia”的组合，分别是切面及描述的意思，因此，层析的意思就是对样品内部切面进行探测。自1997年太赫兹波层析成像首次成功实现以来，太赫兹波层析成像技术得到了迅速的发展，一系列新的三维成像技术相继被提出。根据三维成像***的结构以及原理，太赫兹波三维成像技术分为透射式和反射式两种方式。目前，较为成熟的透射式层析成像技术是太赫兹计算机辅助层析(THz-ComputedTomography，THz-CT),其可以看作是X射线CT在电磁波段上的扩展。
太赫兹层析成像在进行图像重建的时候，采用的仍然是传统X射线层析成像的算法。例如滤波反投影算法(Back-projection of Filtered Projections，FBP)、联合代数重建法(Simultaneous Algebra Reconstruction Technique,SART)、有序最大期望值(Ordered Subset Expectation Maximization，OSEM)。但传统的算法存在耗时长，且太赫兹波波长较X射线更长且在物体中不是严格按照直线传播等特点，所以成像质量不高等缺点。
发明内容
为克服现有技术存在的问题，本发明公开了一种基于深度学习的太赫兹连续波层析成像方法，直接使用基于生成对抗网络的深度学习方法对该***检测到的数据进行反演成像，获得成像目标的内部结构图，从而对目标进行无损缺陷检测。
一种基于深度学习的太赫兹连续波三维层析成像方法，包括以下步骤：
S1.太赫兹连续波层析成像***对目标扫描和数据采集，得到目标的投影数据；
S2.太赫兹数据预处理；
S3.采用基于生成对抗网络训练的深度学习方法进行图像重构，该模型包括生成器、判别器、真实数据集；
S4.使用生成器重构获得成像目标物内部结构二维截面图；
S5.再将目标物内部结构二维截面图像进行三维重叠，得到三维内部结构图；
S6.利用得到的三维结构图对目标内部缺陷进行无损检测。
所述步骤S2中的数据预处理包括以下步骤：
S21.采用R_L滤波器，其出发点认为实际的二维图像有一个频率上限，R_L 滤波器表示为：
Figure BDA0003539912740000021
去除采集到的数据的高频分量；
S22.将滤波后的每个二维数组数据转化为二维的正弦灰度图；
所述步骤S3中所述深度学习方法采用生成对抗网络模型，生成对抗网络由三部分构成:生成器(G)、判别器(D)、真实数据集。通过生成器与判别器的之间不断博弈，训练出理想的生成器。然后将生成器单独使用，用于将太赫兹层析成像***扫描成像目标后得到的数据直接重构得到成像目标的三维内部结构图。
所述步骤S3中基于生成对抗网络的深度学习模型的生成器采用编码-译码结构的端到端模型的卷积神经网络。该模型分为两个部分，前半部分为编码模块，负责输入图像的降采样，同时连续提取图像特征，获得更高级的图像特征；模型的后半部分为译码部分，负责对编码后的图像进行上采样，通过编码模块提取到的特征进行映射,最终得到重建图像，编码器和解码器均由卷积神经网络构成，其中参数通过数据不断训练该网络达到预期的效果，无需对解码规则进行具体值的设计。
所述步骤S3中基于生成对抗网络的深度学习方法的生成器运行步骤为：
S31.将***采集的正弦图输入一个卷积层，将输入图像转化为较大的正方形的特征图，起到一定滤波的作用，同时将特征图的通道数提升，保留足够的图像信息；
S32.之后将图像输入网络的前半部编码器中，进一步提取图像的特征，编码器由降采样模块，与瓶颈模块组成；
S33.经过整个编码器后的特征图的每一个像素都具有全局的感受野。
S34.之后对特征图进行解码上采样，解码器包括瓶颈模块和上采样模块，最终输出重建的目标截面内部结构图；
由于整个所述的生成对抗网络的生成器网络结构很深，编码器和解码器网络结构很深，在训练的时候很容易出现梯度消失，退化等现象。所以编码器和解码器中的子模块都采用残差结构，方便网络训练时的优化。
对生成器重构得到的图像用以下三个指标评估：
1.均方根误差(MSE)，用于描述重建图像与对应实际截面图像之间精度的差异，均方根误差越小，图像重建的结果越准确，反之则越差，其公式为：
Figure BDA0003539912740000031
Figure BDA0003539912740000032
2.峰值信噪比，是一种基于像素误差，评价图像噪声水平的图像评价指标。其公式为：
Figure BDA0003539912740000033
3.结构相似性，该指标从亮度、对比度和结构三个方面来评价两幅图像的相似度，其数值越大，表示图像越相似。其公式为：
Figure BDA0003539912740000034
式中，μpred和μGT分别为重建图片和实际截面图的均值，σpred和σGT分别为重建图片和实际截面图的标准差，σcov为重建图片和实际截面图的协方差，c1和c2为不为零常数，用于避免计算过程中出现分母为零的情况。
所述步骤S6的无损检测方法是基于发明提出的基于生成对抗网络的深度学习图像重建方法。对成像目标放置于***转台上，采集***对目标三维逐点扫描的数据，进行三维内部结构成像后，通过获得的内部三维结构图分析其存在的缺陷，实现太赫兹无损检测。
附图说明
所附图仅用于说明和阐述，并不构成对本发明范围的限制。
图1是一种基于深度学习的太赫兹连续波层析成像方法示意图。
图2是一种基于生成对抗网络的深度学习模型及其子模块结构框图，(a)是本发明提出的基于生成对抗网络的卷积神经网络结构图；(b)-(d)是生成对抗网络的生成器中子模块的结构图。
具体实施方式
本实施例是基于Python的一种可能的实现，下面结合附图与实施例对本发明做更为详细的阐述和说明。
1.图1为本发明一种基于深度学习的太赫兹连续波层析成像方法的实施例的基本框图。包括数据采集部分，基于深度学习的图像重建部分，以及三维成像后对物体无损内部检测。
2.图2(a)-(d)为本发明中的基于生成对抗网络结构的深度学习模型图，与生成器的子模块的结构图。图2(a)中展示了该生成对抗网络结构图，生成对抗网络由三部分构成:生成器、判别器、真实数据集。其中生成器作为主要的部分，用于将太赫兹层析成像***扫描成像目标后得到的数据直接重构得到成像目标的三维内部结构图。判别器的作用在于与真实数据集结合用于训练生成器，当判别器无法识别生成器的生成的图像是否是真实的图像后，代表该生成器训练成功。该判别器为神经网络结构与卷积神经网络，后两层为全连接层，最后二分类输出判别生成器生成的图像是否是真实的。输出1则代表真实，输出0则代表不是真实的。若全输出1这代表该判别器的判别能力过差，若全输出0则代表该判别器能力过强。这就是一个生成器与判别器博弈的过程，通过不断训练使得最后判别器无法识别生成器生成的图像是否真实，此时的生成器便处于最理想的状态。然后将训练好的生成器单独使用，将层析成像***采集到的数据直接重建目标的内部结构图。
3.其中生成器是编码-译码结构的端到端模型的卷积神经网络。该模型分为两个部分，前半部分为编码模块，负责输入图像的降采样，同时连续提取图像特征，获得更高级的图像特征；模型的后半部分为译码部分，负责对编码后的图像进行上采样，通过编码模块提取到的特征进行映射,最终得到重建图像，编码器和解码器均由卷积神经网络构成，其中参数通过数据不断训练该网络达到预期的效果，无需对解码规则进行具体值的设计。将输入的正弦图进入一个卷积层，将输入图像转化为较大的正方形的特征图，起到一定滤波的作用，同时将特征图的通道数提升到64，保留足够的图像信息，方便后续网络尺寸的设计。之后将图像输入网络的前半部编码器中，进一步提取图像的特征，编码器由4个降采样模块(B2)，与8个瓶颈模块(B1)。经过整个编码器后的特征图的每一个像素都具有全局的感受野。之后对特征图进行解码上采样，包括7个瓶颈模块(B1)和5个上采样模块(B3)，最终输出重建的目标截面内部结构图。
图2(b)-(d)中为网络中的子模块结构图，其中包括瓶颈残差模块、下采样残差模块，以及上采样残差模块。由图2(a)中可知，整个网络结构很深，编码器和解码器都有36层卷积神经网络，共72层，整个网络结构很深，在训练的时候很容易出现梯度消失，退化等现象。所以网络中的子模块都采用残差结构，方便网络训练时的优化。
每个子模块中的激活函数选择为Leaky ReLU，其表达式为:
Figure BDA0003539912740000051
其中a是(1，+∞)区间内的固定参数，与ReLU函数相比其在区间内添加了一个超参数α避免了神经元死亡的现象。
4.基于本发明提出的深度学习图像重建方法，本发明的目标物内部缺陷无损检测实施例过程如下：
S1.采用太赫兹连续波透射成像方式搭建太赫兹层析成像***，包括太赫兹波发射源、太赫兹波采集器、旋转平台、透镜及及本发明方法的成像算法软件；
S2.将需要进行无损探伤的目标物体放置于太赫兹层析成像***的转台上，太赫兹波发射源发射太赫兹连续波并通过一块透镜聚焦在旋转转台位置，太赫兹连续波透射目标物，采用太赫兹层析成像***对目标物进行扫描和连续波数据采集；
S3.太赫兹连续波数据预处理；
S4.采用本发明的基于生成对抗网络模型的太赫兹图像重构方法，重构获得目标物内部结构二维截面图；
S5.再将目标物内部结构二维截面图进行三维重叠，得到目标物三维内部结构图；
S6.分析目标物内部三维结构图，实现对目标内部缺陷的检测。

Claims (5)

1.一种基于深度学习的太赫兹连续波三维层析成像方法，其特征在于使用基于生成对抗网络的深度学习方法对太赫兹层析成像***采集到的太赫兹连续波数据进行反演成像，重构获得目标物的内部结构图，实现对目标物内部缺陷结构的无损检测；主要步骤如下：
S1.太赫兹层析成像***对目标物进行扫描和连续波数据采集；
S2.太赫兹连续波数据预处理；
S3.采用基于生成对抗网络模型的深度学习方法进行图像重构，该模型包括生成器、判别器、真实数据集；
S4.重构获得目标物内部结构二维截面图；
S5.再将目标物内部结构二维截面图进行三维重叠，得到目标物三维内部结构图；
S6.分析目标物内部三维结构图，实现对目标内部缺陷的检测。
2.如权利要求1所述的一种基于深度学习的太赫兹连续波三维层析成像方法，其特征在于所述的生成对抗网络结构模型的生成器作为深度学习的主要部分，用于将太赫兹层析成像***扫描目标物后得到的数据直接重构获得该目标物三维内部结构图；判别器的作用在于与真实数据集结合用于训练生成器，当判别器无法识别生成器的生成的图像是否是真实的图像后，代表该生成器训练成功；该判别器为神经网络结构，卷积神经网络和全连接层组合，最后二分类输出判别生成器生成的图像是否是真实的；然后将训练好的生成器单独使用，将层析成像***采集到的数据直接重建目标的内部结构图。
3.根据权利要求1所述的一种基于深度学习的太赫兹连续波三维层析成像方法，其特征在于所述的生成对抗网络结构模型的生成器采用编码-译码结构的端到端模型卷积神经网络；该模型分为两个部分，前半部分为编码模块，负责输入图像的降采样，同时连续提取图像特征，获得更高级的图像特征；模型的后半部分为译码部分，负责对编码后的图像进行上采样，通过编码模块提取到的特征进行映射,最终得到重建图像，编码器和解码器均由卷积神经网络构成，其中参数通过数据不断训练该网络达到预期的效果，无需对解码规则进行具体值的设计。
4.如权利要求1所述的一种基于深度学习的太赫兹连续波三维层析成像方法，其特征在于所述的步骤3的数据处理过程为:
S31.将太赫兹层析成像***扫描后得到的数组输入一个卷积层，将输入图像转化为较大的正方形的特征图，起到一定滤波的作用，同时保留足够的图像信息；
S32.将图像输入网络的前半部编码器中，进一步提取图像的特征；
S33.经过整个编码器后的特征图的每一个像素都具有全局的感受野；
S34.对特征图进行解码上采样，最终输出重建的目标截面内部结构图；
S35.网络中的子模块都采用残差结构，方便网络训练时的优化，该结构作为生成对抗网络的生成器。
5.如权利要求1所述的一种基于深度学习的太赫兹连续波三维层析成像方法，其特征在于将需要进行无损探伤的目标物放置于太赫兹层析成像***中，采用所述的太赫兹层析成像***对目标物进行三维逐点扫描和数据采集,再使用上述基于生成对抗网络的深度学习方法重建获得的目标物三维内部结构图，实现对目标物内部缺陷的无损检测。
CN202210233130.4A 2022-03-10 2022-03-10 一种基于深度学习的太赫兹连续波三维层析成像方法 Active CN114636704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210233130.4A CN114636704B (zh) 2022-03-10 2022-03-10 一种基于深度学习的太赫兹连续波三维层析成像方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210233130.4A CN114636704B (zh) 2022-03-10 2022-03-10 一种基于深度学习的太赫兹连续波三维层析成像方法

Publications (2)

Publication Number Publication Date
CN114636704A CN114636704A (zh) 2022-06-17
CN114636704B true CN114636704B (zh) 2023-05-26

Family

ID=81946872

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210233130.4A Active CN114636704B (zh) 2022-03-10 2022-03-10 一种基于深度学习的太赫兹连续波三维层析成像方法

Country Status (1)

Country Link
CN (1) CN114636704B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104883629A (zh) * 2014-06-19 2015-09-02 电子科技大学 一种利用可调光滤波器产生光谱幅度码标记的装置和方法
JP2016057259A (ja) * 2014-09-12 2016-04-21 日本電信電話株式会社 断層像撮影装置
CN110163179A (zh) * 2019-05-29 2019-08-23 浙江啄云智能科技有限公司 一种基于深度学习的违禁品检测识别方法、***、设备及其存储介质
CN111311574A (zh) * 2020-02-14 2020-06-19 山西大学 基于人工智能的太赫兹病变检测方法及***
CN111652949A (zh) * 2020-04-17 2020-09-11 北京理工大学 一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法
CN111784573A (zh) * 2020-05-21 2020-10-16 昆明理工大学 一种基于迁移学习的被动太赫兹图像超分辨率重构方法
CN112130221A (zh) * 2019-06-24 2020-12-25 清华大学 人体安全检查设备和人体安全检查方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
PT3117777T (pt) * 2014-03-12 2020-06-17 Integral Geometry Science Inc Método de tomografia de dispersão e dispositivo de tomografia de dispersão
US9569765B2 (en) * 2014-08-29 2017-02-14 Wal-Mart Stores, Inc. Simultaneous item scanning in a POS system
WO2020069121A1 (en) * 2018-09-26 2020-04-02 Northwestern University Space-time scattering network for inverse design and tomography

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104883629A (zh) * 2014-06-19 2015-09-02 电子科技大学 一种利用可调光滤波器产生光谱幅度码标记的装置和方法
JP2016057259A (ja) * 2014-09-12 2016-04-21 日本電信電話株式会社 断層像撮影装置
CN110163179A (zh) * 2019-05-29 2019-08-23 浙江啄云智能科技有限公司 一种基于深度学习的违禁品检测识别方法、***、设备及其存储介质
CN112130221A (zh) * 2019-06-24 2020-12-25 清华大学 人体安全检查设备和人体安全检查方法
CN111311574A (zh) * 2020-02-14 2020-06-19 山西大学 基于人工智能的太赫兹病变检测方法及***
CN111652949A (zh) * 2020-04-17 2020-09-11 北京理工大学 一种基于AdaFM-Net的太赫兹聚焦层析图像重构方法
CN111784573A (zh) * 2020-05-21 2020-10-16 昆明理工大学 一种基于迁移学习的被动太赫兹图像超分辨率重构方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
CNN with spatio-temporal information for fast suspicious object detection and recognition in THz security images;Xi Yang 等;《Signal Processing》;第160卷;202-214 *
改进YOLOv4算法的GFRP内部缺陷检测与识别;赵博研 等;《空军工程大学学报(自然科学版)》;第22卷(第04期);55-62 *

Also Published As

Publication number Publication date
CN114636704A (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
US11965778B2 (en) Imaging device provided with light source that emits pulsed light and image sensor
CN110175971B (zh) 一种多光谱单像素成像的深度学习图像重构方法
CN114723842B (zh) 基于深度融合神经网络的稀疏视角ct成像方法和设备
CN112085829A (zh) 基于神经网络的螺旋ct图像重建方法和设备及存储介质
CN112348936A (zh) 一种基于深度学习的低剂量锥束ct图像重建方法
CN115581436B (zh) 融合深度学习的高分辨率近红外脑功能层析成像算法
CN115272590B (zh) 光学传输参数空间分布的重建方法、装置、***及介质
CN110151133A (zh) 基于图像分割与时频信息融合的乳腺光学成像装置及方法
Zhang et al. Deep and domain transfer learning aided photoacoustic microscopy: acoustic resolution to optical resolution
EP4071720A1 (en) System and method for utilizing a deep learning network to correct for a bad pixel in a computed tomography detector
CN114636704B (zh) 一种基于深度学习的太赫兹连续波三维层析成像方法
CN112200264B (zh) 基于散射复用的高通量免成像分类方法与装置
CN113298700A (zh) 一种在散射场景中的高分辨图像重构方法
CN116712038A (zh) 基于螺旋交错稀疏采样的多光谱光声断层成像***及方法
Wei et al. Deep Learning-powered biomedical photoacoustic imaging
Muthiah et al. Fusion of MRI and PET images using deep learning neural networks
CN114494952B (zh) 一种基于感知损失的乳腺mri影像时间序列生成方法
Ren et al. High-resolution tomographic reconstruction of optical absorbance through scattering media using neural fields
Feng et al. X-ray Cherenkov-luminescence tomography reconstruction with a three-component deep learning algorithm: Swin transformer, convolutional neural network, and locality module
CN114587272B (zh) 一种基于深度学习的活体荧光成像去模糊方法
CN114782414B (zh) 一种基于图像数据处理的人工骨数据分析方法
Wu et al. A generative adversarial network-based CT image standardization model for predicting progression-free survival of lung cancer
Geng et al. Limited-angle cherenkov-excited luminescence scanned tomography reconstruction based on spatial attention module
Meng et al. MFGAN: A medical image fusion generative adversarial network Using attention mechanism
Hualong A Visible and Infrared Image Fusion Method Based on Ghost Imaging

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
GR01 Patent grant
GR01 Patent grant