CN114757847B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114757847B CN114757847B CN202210454422.0A CN202210454422A CN114757847B CN 114757847 B CN114757847 B CN 114757847B CN 202210454422 A CN202210454422 A CN 202210454422A CN 114757847 B CN114757847 B CN 114757847B
- Authority
- CN
- China
- Prior art keywords
- dose
- network model
- image
- low
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 title claims abstract description 18
- 238000003384 imaging method Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims description 30
- 238000011176 pooling Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 abstract description 4
- 230000006378 damage Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5205—Devices using data or image processing specially adapted for radiation diagnosis involving processing of raw data to produce diagnostic data
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B6/00—Apparatus or devices for radiation diagnosis; Apparatus or devices for radiation diagnosis combined with radiation therapy equipment
- A61B6/52—Devices using data or image processing specially adapted for radiation diagnosis
- A61B6/5258—Devices using data or image processing specially adapted for radiation diagnosis involving detection or reduction of artifacts or noise
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Optics & Photonics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- High Energy & Nuclear Physics (AREA)
- Artificial Intelligence (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Computing Systems (AREA)
- Pathology (AREA)
- Radiology & Medical Imaging (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Apparatus For Radiation Diagnosis (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及X射线成像技术领域,尤其涉及一种多信息提取的扩展U‑Net及其在低剂量X射线成像的应用方法。采用如下技术方案:在U‑Net模型的上采样末端加入全连接层进行输出通道数的扩展,实现对多信息的提取和叠加计算,以此扩展U‑Net对低剂量X射线图像的归一化图像进行处理,以图像本身、噪声和图像显著特征作为输出并进行学习训练。本发明的优点在于:提供一种U‑Net的扩展模型,使得该网络模型可以显式地将低剂量X射线图像中的信号、图像特征和噪声分开,并在训练过程中对这三项数据进行有效的加权运算操作,使得三项不同类型的数据在网络模型的运算中实现逐步分流和相互印证,从而有效提高对低剂量X射线图像的降噪性能。
Description
技术领域
本发明涉及X射线成像技术领域,尤其涉及一种多信息提取的扩展U-Net及其在低剂量X射线成像的应用方法。
背景技术
X射线成像的噪声水平与X射线强度的平方根成反比,即,成像时X射线的强度越高,成像的噪声水平越低,成像越清晰。然而过高的X射线强度会对人体造成极大的损害。因此,在X射线成像的研究中,趋向于最大程度降低X射线的剂量,且能确保低剂量X射线成像的清晰度,以确保得到的X射线图像能满足诊断需求。为了使低剂量X射线图像能满足诊断需求,需要对低剂量X射线图像的噪声和干扰做处理,传统图像处理通过对低剂量X射线图像进行滤波处理可以一定程度降低图像的噪声,但其降噪性能较低;近年来随着深度学***接近的边缘信息很容易在减法操作中被破坏。
发明内容
本发明的目的在于提供一种多信息提取的U-Net及其在低剂量X射线成像的应用方法,以提高对低剂量X射线图像的降噪处理性能。
为达到上述目的,本发明采用如下技术方案:一种多信息提取的扩展U-Net,该U-Net模型先将输入图像数据经过多次下采样后,经过两次卷积层运算,再经过与下采样次数同等次数的上采样,最后在上采样的末端加入全连接层将输出图像数据的通道数成倍数增加,通道数增加的倍数等于输出标签图像的种类数;每次下采样均包括两次卷积运算+池化运算,每次下采样均包括逆池化运算+拼接同层级池化运算前的图像数据+两次卷积运算。
具体的,下采样中的池化运算采用最大值池化运算。
具体的,上采样中的逆池化运算采用均值逆池化运算。
一种多信息提取的扩展U-Net在低剂量X射线成像的应用方法,包括如下步骤:
S01、数据采集,对同一个采集对象均进行低剂量和正常剂量的X射线图像数据采集,得到一对图像数据(x,y),其中x代表低剂量图像数据,y代表正常剂量图像数据,对多个不同对象进行采集获得多对图像数据,计一共采集到的图像数据为M对。
S02、数据预处理,将采集到的M对图像数据进行如下处理:1)将低剂量图像数据x和正常剂量图像数据y按最大幅值做归一化,得到低剂量归一化图像x*和正常剂量归一化图像y*;2)将正常剂量归一化图像y*与低剂量归一化图像x*相减得到噪声图像n,n=y*-x*;3)对正常剂量归一化图像y*做显著特征提取处理得到特征图像s,s=f(y*),其中函数f()为特征提取处理的运算函数。
S03、构建深度学习网络模型,以上述的扩展U-Net作为深度学习网络模型,以低剂量归一化图像x*作为输入,输出标签图像的种类为三种,为[y^,n^,s^],其中y^为输出正常剂量图像,n^为输出噪声图像,s^为输出特征图像。
S04、对步骤S03构建的深度学习网络模型进行训练,训练前将步骤S03构建的深度学习网络模型中的参数设为任意随机数或置零,然后将步骤S02处理后的数据的一半作为训练数据对深度学习网络模型进行训练;训练过程具体为,将训练数据中低剂量归一化图像x*作为网络模型的输入,再将网络模型输出的三类标签图像[y^,n^,s^]与训练数据中对应的[y*,n,s]的差值通过反向传播机制来调节网络模型的参数,调节完成后再次计算输出,多次迭代,当网络模型输出[y^,n^,s^]与[y*,n,s]的差值满足一定条件后迭代过程结束。
S05、对深度学习网络模型进行测试,将步骤S02中除去步骤S04中的训练数据,剩下的一般数据作为测试数据,将测试数据中的x*输入深度学习网络模型,将此时网络模型输出的[y^,n^,s^]与对应的[y*,n,s]计算误差,当误差[y*-y^,n-n^,s-s^]小于设定范围,则深度学习网络模型的性能达到要求,固定深度学习网络模型的参数并输出该网络模型。
具体的,步骤S01中进行数据采集的对象包括质量控制试块、人体模型试块、动物和人体。
本发明的优点在于:提供一种U-Net的扩展模型,使得该网络模型可以显式地将低剂量X射线图像中的信号、图像特征和噪声分开,并在训练过程中对这三项数据进行有效的加权运算操作,使得三项不同类型的数据在网络模型的运算中实现逐步分流和相互印证,从而有效提高对低剂量X射线图像的降噪性能。
附图说明
附图1为实施例中多信息提取的扩展U-Net在低剂量X射线成像应用过程中的原理图。
具体实施方式
实施例1,参照图1,本实施例先提供一种多信息提取的扩展U-Net,该U-Net模型先将输入图像数据经过多次下采样后,经过两次卷积层运算,再经过与下采样次数同等次数的上采样,最后在上采样的末端加入全连接层将输出图像数据的通道数成倍数增加,通道数增加的倍数等于输出标签图像的种类数;每次下采样均包括两次卷积运算+池化运算,每次下采样均包括逆池化运算+拼接同层级池化运算前的图像数据+两次卷积运算。其中,下采样中的池化运算采用最大值池化运算;上采样中的逆池化运算采用均值逆池化运算。该U-Net模型的特点在于,根据输出标签图像的种类数在上采样的末端加入全连接层来扩展输出图像的通道数,从而实现对输入图像的多信息提取,通过全连接层对输出图像的通道数进行扩展,可以输出多个信息种类的图像,使得图像数据在网络模型中的运算中能将多个信息进行提取并进行相互印证,已达到良好的图像处理效果。
本实施例利用上述的扩展U-Net,提供一种多信息提取的扩展U-Net在低剂量X射线成像的应用方法,包括如下步骤:
S01、数据采集,对同一个采集对象均进行低剂量和正常剂量的X射线图像数据采集,得到一对图像数据(x,y),其中x代表低剂量图像数据,y代表正常剂量图像数据,对多个不同对象进行采集获得多对图像数据,计一共采集到的图像数据为M对。在数据采集过程中,数据采集的对象包括质量控制试块、人体模型试块、动物和人体,为了减少对人体的伤害,其中以人体为数据采集对象的数据量应当尽量减少,至少低于其他三类数据采集对象。
S02、数据预处理,将采集到的M对图像数据进行如下处理:1)将低剂量图像数据x和正常剂量图像数据y按最大幅值做归一化,得到低剂量归一化图像x*和正常剂量归一化图像y*;2)将正常剂量归一化图像y*与低剂量归一化图像x*相减得到噪声图像n,n=y*-x*;3)对正常剂量归一化图像y*做显著特征提取处理得到特征图像s,s=f(y*),其中函数f()为特征提取处理的运算函数,例如对显著特征的提取可以采用高通滤波处理函数,也可以根据实际需求调整该特征提取函数。
S03、构建深度学习网络模型,以上述扩展U-Net作为深度学习网络模型,以低剂量归一化图像x*作为输入,输出标签图像的种类为三种,为[y^,n^,s^],其中y^为输出正常剂量图像,n^为输出噪声图像,s^为输出特征图像。
S04、对步骤S03构建的深度学习网络模型进行训练,训练前将步骤S03构建的深度学习网络模型中的参数设为任意随机数或置零,然后将步骤S02处理后的数据的一半作为训练数据对深度学习网络模型进行训练;训练过程具体为,将训练数据中低剂量归一化图像x*作为网络模型的输入,再将网络模型输出的三类标签图像[y^,n^,s^]与训练数据中对应的[y*,n,s]的差值通过反向传播机制来调节网络模型的参数,调节完成后再次计算输出,多次迭代,当网络模型输出[y^,n^,s^]与[y*,n,s]的差值满足一定条件后迭代过程结束。在本实施例的深度学习网络模型中,不仅将正常剂量归一化图像y*作为学习训练对象,同时加入正常剂量归一化图像y*与低剂量归一化图像x*详见生成的噪声图像n,以及正常剂量归一化图像y*的显著特征图像作为学习训练的对象,可以有效提高对低剂量图像的降噪处理效果,同时保证图像边缘的清晰程度,提高对低剂量X射线图像的处理效果。
S05、对深度学习网络模型进行测试,将步骤S02中除去步骤S04中的训练数据,剩下的一般数据作为测试数据,将测试数据中的x*输入深度学习网络模型,将此时网络模型输出的[y^,n^,s^]与对应的[y*,n,s]计算误差,当误差[y*-y^,n-n^,s-s^]小于设定范围,则深度学习网络模型的性能达到要求,固定深度学习网络模型的参数并输出该网络模型。
当然,以上仅为本发明较佳实施方式,并非以此限定本发明的使用范围,故,凡是在本发明原理上做等效改变均应包含在本发明的保护范围内。
Claims (1)
1.一种多信息提取的扩展U-Net在低剂量X射线成像的应用方法,其特征在于,所述多信息提取的扩展U-Net包括:输入图像数据经过多次下采样后,经过两次卷积层运算,再经过与下采样次数同等次数和通道数扩展的上采样,最后在上采样的末端加入全连接层将输出图像数据的通道数成倍数增加,通道数增加的倍数等于输出标签图像的种类数;每次下采样均包括两次卷积运算+池化运算,每次下采样均包括逆池化运算+拼接同层级池化运算前的图像数据+两次卷积运算,应用方法包括如下步骤:
S01、数据采集,对同一个采集对象均进行低剂量和正常剂量的X射线图像数据采集,得到一对图像数据(x,y),其中x代表低剂量图像数据,y代表正常剂量图像数据,对多个不同对象进行采集获得多对图像数据,计一共采集到的图像数据为M对;
S02、数据预处理,将采集到的M对图像数据进行如下处理:1)将低剂量图像数据x和正常剂量图像数据y按最大幅值做归一化,得到低剂量归一化图像x*和正常剂量归一化图像y*;2)将正常剂量归一化图像y*与低剂量归一化图像x*相减得到噪声图像n,n=y*-x*;3)对正常剂量归一化图像y*做显著特征提取处理得到特征图像s,s=f(y*),其中函数f()为特征提取处理的运算函数;
S03、构建深度学习网络模型,以所述多信息提取的扩展U-Net作为深度学习网络模型,以低剂量归一化图像x*作为输入,输出的种类为三种,为[y^,n^,s^],其中y^为输出正常剂量图像,n^为输出噪声图像,s^为输出特征图像;
S04、对步骤S03构建的深度学习网络模型进行训练,训练前将步骤S03构建的深度学习网络模型中的参数设为任意随机数或置零,然后将步骤S02处理后的数据的一半作为训练数据对深度学习网络模型进行训练;训练过程具体为,将训练数据中低剂量归一化图像x*作为网络模型的输入,再将网络模型输出的三类图像[y^,n^,s^]与训练数据中对应的标签图像[y*,n,s]的差值通过反向传播机制来调节网络模型的参数,调节完成后再次计算输出,多次迭代,当网络模型输出[y^,n^,s^]与标签图像[y*,n,s]的差值满足一定条件后迭代过程结束;
S05、对深度学习网络模型进行测试,将步骤S02中除去步骤S04中的训练数据,剩下的数据作为测试数据,将测试数据中的x*输入深度学习网络模型,将此时网络模型输出的[y^,n^,s^]与对应的[y*,n,s]计算误差,当误差[y*-y^,n-n^,s-s^]小于设定范围,则深度学习网络模型的性能达到要求,固定深度学习网络模型的参数并输出该网络模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210454422.0A CN114757847B (zh) | 2022-04-24 | 2022-04-24 | 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 |
PCT/CN2022/090475 WO2023206426A1 (zh) | 2022-04-24 | 2022-04-29 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210454422.0A CN114757847B (zh) | 2022-04-24 | 2022-04-24 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114757847A CN114757847A (zh) | 2022-07-15 |
CN114757847B true CN114757847B (zh) | 2024-07-09 |
Family
ID=82334113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210454422.0A Active CN114757847B (zh) | 2022-04-24 | 2022-04-24 | 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 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114757847B (zh) |
WO (1) | WO2023206426A1 (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251303A (zh) * | 2016-07-28 | 2016-12-21 | 同济大学 | 一种使用深度全卷积编码‑解码网络的图像降噪方法 |
CN111310903A (zh) * | 2020-02-24 | 2020-06-19 | 清华大学 | 基于卷积神经网络的三维单分子定位*** |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108961229A (zh) * | 2018-06-27 | 2018-12-07 | 东北大学 | 基于深度学习的心血管oct影像易损失斑块检测方法及*** |
CN109978778B (zh) * | 2019-03-06 | 2020-11-13 | 浙江工业大学 | 基于残差学习的卷积神经网络医学ct图像去噪方法 |
US11954578B2 (en) * | 2019-04-24 | 2024-04-09 | University Of Virginia Patent Foundation | Denoising magnetic resonance images using unsupervised deep convolutional neural networks |
CN110930318B (zh) * | 2019-10-31 | 2023-04-18 | 中山大学 | 一种低剂量ct图像修复去噪方法 |
US20210150674A1 (en) * | 2019-11-15 | 2021-05-20 | Disney Enterprises, Inc. | Techniques for robust image denoising |
CN111292259A (zh) * | 2020-01-14 | 2020-06-16 | 西安交通大学 | 一种综合多尺度与注意力机制的深度学习图像去噪方法 |
US11087441B1 (en) * | 2020-01-30 | 2021-08-10 | Mitsubishi Electric Research Laboratories, Inc. | Image reconstruction using artificial intelligence (Ai) modules agnostic to image acquisition settings |
CN111325695B (zh) * | 2020-02-29 | 2023-04-07 | 深圳先进技术研究院 | 基于多剂量等级的低剂量图像增强方法、***及存储介质 |
DE102020133963A1 (de) * | 2020-03-10 | 2021-09-16 | Samsung Electronics Co., Ltd. | Systeme und Verfahren zur Abbildrauschunterdrückung unter Verwendung von tiefen gefalteten Netzwerken |
US20210290191A1 (en) * | 2020-03-18 | 2021-09-23 | The Regents Of The University Of California | Method and system for denoising ct images using a neural network |
CN111696084B (zh) * | 2020-05-20 | 2024-05-31 | 平安科技(深圳)有限公司 | 细胞图像分割方法、装置、电子设备及可读存储介质 |
CN111882503A (zh) * | 2020-08-04 | 2020-11-03 | 深圳高性能医疗器械国家研究院有限公司 | 一种图像降噪方法及其应用 |
WO2022047625A1 (zh) * | 2020-09-01 | 2022-03-10 | 深圳先进技术研究院 | 一种图像处理方法、***和计算机存储介质 |
EP4208845A1 (en) * | 2020-09-03 | 2023-07-12 | Carestream Health, Inc. | Noise suppression using deep convolutional networks |
EP4226316A1 (en) * | 2020-10-07 | 2023-08-16 | Hyperfine Operations, Inc. | Deep learning methods for noise suppression in medical imaging |
CN112330565A (zh) * | 2020-11-12 | 2021-02-05 | 中国人民解放军战略支援部队信息工程大学 | 基于改善的U-net的低剂量CT投影域中图像去噪方法 |
CN113516678B (zh) * | 2021-03-31 | 2024-04-05 | 杭州电子科技大学 | 一种基于多任务的眼底图像检测方法 |
CN113516586A (zh) * | 2021-04-23 | 2021-10-19 | 浙江工业大学 | 一种低剂量ct图像超分辨率去噪方法和装置 |
CN113870138A (zh) * | 2021-09-30 | 2021-12-31 | 中国人民解放军战略支援部队信息工程大学 | 基于三维U-net的低剂量CT图像去噪方法及*** |
CN114283088A (zh) * | 2021-12-24 | 2022-04-05 | 中北大学 | 低剂量ct图像降噪方法及装置 |
CN114881867A (zh) * | 2022-03-24 | 2022-08-09 | 山西三友和智慧信息技术股份有限公司 | 一种基于深度学习的图像去噪方法 |
-
2022
- 2022-04-24 CN CN202210454422.0A patent/CN114757847B/zh active Active
- 2022-04-29 WO PCT/CN2022/090475 patent/WO2023206426A1/zh unknown
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251303A (zh) * | 2016-07-28 | 2016-12-21 | 同济大学 | 一种使用深度全卷积编码‑解码网络的图像降噪方法 |
CN111310903A (zh) * | 2020-02-24 | 2020-06-19 | 清华大学 | 基于卷积神经网络的三维单分子定位*** |
Also Published As
Publication number | Publication date |
---|---|
CN114757847A (zh) | 2022-07-15 |
WO2023206426A1 (zh) | 2023-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461983B (zh) | 一种基于不同频度信息的图像超分辨率重建模型及方法 | |
CN107610194B (zh) | 基于多尺度融合cnn的磁共振图像超分辨率重建方法 | |
WO2022047625A1 (zh) | 一种图像处理方法、***和计算机存储介质 | |
CN111951344B (zh) | 一种基于级联并行卷积网络的磁共振图像重建方法 | |
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 | |
CN111007566B (zh) | 一种曲率驱动扩散全卷积网络地震数据坏道重建与去噪方法 | |
CN111028163A (zh) | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 | |
CN108717717A (zh) | 基于卷积神经网络和迭代方法相结合的稀疏mri重建的方法 | |
CN110992295B (zh) | 基于小波-red卷积神经网络的低剂量ct重建方法 | |
CN112348830B (zh) | 基于改进3D U-Net的多器官分割方法 | |
CN111882503A (zh) | 一种图像降噪方法及其应用 | |
US11967066B2 (en) | Method and apparatus for processing image | |
CN114219719A (zh) | 基于双重注意力和多尺度特征的cnn医学ct图像去噪方法 | |
CN114283088A (zh) | 低剂量ct图像降噪方法及装置 | |
KR20190135618A (ko) | 뉴럴 네트워크를 이용한 내부 전산단층 촬영 영상 처리 방법 및 그 장치 | |
CN114998160B (zh) | 一种并行多尺度特征融合的卷积神经网络去噪方法 | |
CN115294229A (zh) | 用于重建磁共振成像(mri)图像的方法及设备 | |
CN114648048A (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
CN112037304A (zh) | 基于swi相位图像的两阶段的边缘增强qsm重建方法 | |
Salehi et al. | A novel hybrid filter for image despeckling based on improved adaptive wiener filter, bilateral filter and wavelet filter | |
KR102357350B1 (ko) | 딥러닝을 이용한 저선량 ct 영상의 통계적 영상 복원 방법 및 시스템 | |
CN114757847B (zh) | 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 | |
CN111986102B (zh) | 一种数字病理图像去模糊方法 | |
CN117333751A (zh) | 一种医学图像融合方法 | |
CN113781343A (zh) | 一种超分辨率图像质量提升方法 |
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 |