读论文《Unpaired Unsupervised CT Metal ArtifactReduction》

最新推荐文章于 2025-12-25 12:03:25 发布
原创 最新推荐文章于 2025-12-25 12:03:25 发布 · 1.3k 阅读 · 12 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能 #深度学习 #计算机视觉 #神经网络 #图像处理

论文题目：非配对无监督CT金属伪影还原

项目地址：GitHub - ChenBoYam/Metal-Artifact-Reduction: Eliminate metal artifacts from CT images Semi-supervised learning

重点应该就是怎么实现无监督吧

先看论文，再看代码

摘要：

  • 金属植入物在CT图像中引起的伪影（如暗线和亮线）会降低诊断质量。
  • 本文提出了一种无监督学习方法，可以在不破坏原始CT图像中其他组织细节的情况下提取金属伪影。

第一章 引言：

  • 提到深度学习在图像处理和模式识别领域取得了巨大进展，特别是卷积神经网络（CNN）在医学成像中的应用。
  • 指出无监督学习适合于没有明确目标输出或环境评估的任务，因为它更适合于在没有真值标签的情况下收集数据。
  • 论文还提到了无配对学习在医学问题设置中的实用性和价值。

第二章 相关工作：

略

第三章 提出的方法：

直接看图

 

最低0.47元/天 解锁文章
【图像去噪】论文精读：Unpaired Learning of Deep Image Denoising（DBSN）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
12-17 662
论文题目：Unpaired Learning of Deep Image Denoising —— 深度图像去噪的非配对学习ECCV 2020！dilated blind-spot network（膨胀盲点网络DBSN）！我们研究了从一组未配对的干净图像和噪声图像中学习盲图像去噪网络的任务。考虑到在大多数实际应用中收集未配对的噪声和干净的图像是可行的，这样的问题设置通常是实用的和有价值的。我们进一步假设噪声可以是信号相关的，但在空间上是不相关的。
【图像去噪】论文精读：Residual-Conditioned Optimal Transport: Towards Structure-Preserving Unpaired and Paired
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-02 352
论文题目：Residual-Conditioned Optimal Transport: Towards Structure-Preserving Unpaired and Paired Image Restoration —— 用于图像去噪的双剩余注意网络ICML 2024！基于深度学习的图像恢复方法通常难以忠实地保留原始图像的结构。在这项工作中，我们提出了一种新颖的残差条件最优传输 (RCOT)方法，该方法。
《Unpaired Unsupervised CT Metal ArtifactReduction》代码讲解
buganything的博客
07-10 558
论文讲解见上篇博客这篇论文的标题是《Unpaired Unsupervised CT Metal Artifact Reduction》，作者是Bo-Yuan Chen和Chu-Song Chen。这篇论文主要研究了如何使用深度学习技术来减少医学成像中由于金属植入物引起的CT图像伪影。项目给出了几个不同的unet网络的实验，以pytorch_Net.py举例。
读论文《Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction》
buganything的博客
07-12 1773
论文提出了一种新颖的多色神经表示方法（Polyner），用于解决人体内部金属植入物引起的CT成像中的金属伪影问题。CT金属伪影源于金属对X射线光谱不同能量层的衰减系数的剧烈变化，导致CT测量中的非线性金属效应。传统的基于经验模型的金属伪影减少（MAR）方法会导致信号损失和重构混叠。Polyner从非线性逆问题的角度对MAR问题进行建模，首先推导出一个多色前向模型来准确模拟非线性CT采集过程，然后将其整合到隐式神经表示中以完成重建，并采用正则化项来保持CT图像在不同能量层的物理属性，同时有效约束解空间。
【MAR】Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains
m0_68654818的博客
10-18 989
本文提出了一种基于扩散模型的无监督双域金属伪影消除方法(DuDoDp)。该方法首先利用无伪影CT图像训练扩散模型作为先验，然后在正弦图域和图像域迭代整合扩散先验信息：在正弦图域修复受金属影响区域，在图像域融合扩散生成图像、修复重建图像和原始伪影图像。通过设计动态权重掩模优化融合过程，方法在合成和临床数据上均优于现有无监督方法，甚至超过部分监督方法。实验表明双域处理和扩散先验能有效恢复金属周围组织结构，展现良好临床应用潜力。
Metal artifact reduction on cervical CT images by deep residual learning
hello_world_0001的博客
02-13 2574
文章目录 一、方法（一）数据生成（二）网络结构（三）训练过程三、实验（一）实验数据（二）实验过程（三）实验结果 摘要 文章：https://doi.org/10.1186/s12938-018-0609-y HUANG XIA, WANG JIAN, TANG FAN, et al. Metal artifact reduction on cervical CT images by deep residual learning[J]. BioMedical Engineering OnL
Unsupervised CT Metal Artifact Reduction by Plugging Diffusion Priors in Dual Domains
通街是密人有的博客
09-26 2912
在计算机断层扫描(CT)过程中，患者体内的金属植入物通常会导致重建图像中的破坏性伪影，从而阻碍准确诊断。许多基于监督深度学习的方法被提出用于金属伪影还原(MAR)。然而，这些方法依赖于大量的模拟数据训练，因为在临床环境中获得配对的金属伪影CT和干净CT数据是具有挑战性的。这一限制可能导致在临床实践中应用时性能下降。现有有效的无监督MAR方法，无论是否基于学习，通常都是在图像域或弦图域进行单域处理。在本文中，我们引入了一种基于扩散模型的无监督MAR方法，扩散模型是一种具有强大表示数据分布能力的生成模型。
ADN: Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction
hello_world_0001的博客
02-11 3175
ADN: Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction文章简述一、前言（一）动机（二）解决思路二、方法(一）总体框架（二）encoder-decoder（三）学习过程总结 由于本人刚接触MAR领域，有错误之处，烦请指出，十分感谢。 文章简述 该文章是第一篇无监督去除金属伪影的方法：
读论文 - Unpaired Portrait Drawing Generation via Asymmetric Cycle Mapping
weixin_42108775的博客
08-21 1080
昨天刚看了Cycle GAN，今天这篇CVPR2020跟Cycle GAN很类似，做的任务是基于非成对数据的肖像画生成，区别是采用了非对称的循环映射（参考Cycle GAN里的循环一致性 https://blog.youkuaiyun.com/weixin_42108775/article/details/108102599） 论文下载：Unpaired Portrait Drawing Generation via Asymmetric Cycle Mapping 代码地址：https://github.com/
U-net去伪影深度学习算法（可运行自己的数据集）
12-06
该算法可以实现深度学习去除各类图像中的伪影。Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，如卫星图像分割，工业瑕疵检测等。 Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。 Encoder 负责特征提取，可以将各种特征提取网络放在这个位置。 Decoder 恢复原始分辨率，该过程比较关键的步骤就是 upsampling 与 skip-connection。 Unet主要可分为三部分来看分别为左（特征提取），中（拼接），右（上采样） 特征提取部分：它是一个收缩网络，通过四个下采样，使图片尺寸减小，在这不断下采样的过程中，特征提取到的是浅层信息。具体过程是，输入图片然后经过两个卷积核（3x3后面紧跟着一个Relu）以论文原图为例：输入572x572，经过两个卷积核（大小为3x3）大小从572-570-568，然后经过一个Maxpool（2x2）图片尺寸变为284这即为一个完整的下采样，接下来三个也是如此。在下采样的过程中，
医学图像分割 | U-Net网络及他的变体
AI算法修炼营的博客
05-14 9593
点击上方“AI算法修炼营”，选择“星标”公众号精选作品，第一时间送达今天来简单归纳一下，医学图像分割的内容，还有很多代表性的工作在之后的文章中不断更新，由于同一个网络结构可能在不同的数据...
CycleGAN在医学图像中的应用
hello_world_0001的博客
02-15 4984
金属伪影去除问题可以被视为从金属伪影图像到无金属伪影图像的分布转换问题。
深度学习——Metal artifact reduction
weixin_51352656的博客
12-08 2040
原论文：Metal artifact reduction on cervical CT images by deep residual learning 1.主要内容：提出了基于卷积神经网络的残差学习方法(RL-ARCNN) 。该方法能够减少颈椎CT图像中的金属伪影（由于人体植入金属部件后，拍CT时会出现放射状伪影）。 2.主要步骤： （1）模拟各种金属伪影生成一个数据集，用于训练CNN。此数据集包括含有伪影的图像 (artifact-insert)，不含伪影的图像 （artifact-free），伪影图像
【MAR】Unsupervised Polychromatic Neural Representation for CT Metal Artifact Reduction
m0_68654818的博客
08-31 988
本文提出了一种无监督的多色神经表征方法Polyner，用于解决CT成像中的金属伪影问题。该方法通过建立多色前向模型准确模拟非线性CT采集过程，将隐式神经表示与正则化器结合，无需外部训练数据即可重建高质量CT图像。实验表明，Polyner在域内数据集上性能与有监督方法相当，在域外数据集上显著优于有监督方法。该研究首次实现无监督MAR方法性能超越有监督方法，为临床CT成像提供了更实用的解决方案。
读论文《Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction》IJCAI2022
buganything的博客
07-03 1184
受深度神经网络巨大成功的启发，基于学习的方法在计算机断层扫描(CT)图像的金属伪影还原(MAR)方面取得了很好的效果。然而，大多数现有方法都不太强调建模和将特定MAR任务的内在先验知识嵌入到其网络设计中。针对这个问题，我们提出了一种自适应卷积字典网络(ACDNet)，它利用了基于模型和基于学习的方法。具体来说，我们探索了金属伪影的先验结构，例如，非局部重复条纹图案，并将其编码为显式加权卷积字典模型。然后，精心设计了一种简单有效的算法来求解该模型。通过将所提出算法的每个迭代子步骤展开为网络模块，我们显式地。
DuDoDR-Net：双域的同时解决稀疏视图和金属伪影的网络
wangtao990503的博客
05-17 1389
前人分别研究了稀疏视图和金属伪影的清晰重建。但两者并不能直接统合，相互存在条件独立，为此，作者研究如何同时实现两者。
【AI学习-comfyUI学习-第二十三-法线贴图工作流-depth 结构+MiDaS 法线-各个部分学习】
最新发布
qq_22146161的博客
12-25 1428
最近，学习comfyUI，这也是AI的一部分，想将相关学习到的东西尽可能记录下来。不断学习摸索中。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

请站在我身后

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值