buganything的博客

2、叠加拼接，例：将图像大小设置64，步长48，这样机会有部分叠加在一起，记录每个像素的叠加次数最后做个除法。推理的时候因为类似图片过大等原因需要对图像分patch后推理再拼接回来，但是拼接的过程中很容易遇到拼接处不自然的情况，这里记录部分方法。2、因为要取中间的作为拼接块，要考虑边缘，如果取中间32大小，每个边缘需要填充 （96-32）/2 最后的大小为（448，448）1、为了使的每个推理块都相同大小，需要为原图像添加边缘 ，如果要取96推理块，则添加需要把原图填充为（4*96，384）大小。

跨模态医学图像分割是一个挑战，因为不同的成像方式会产生分辨率、对比度和解剖结构的不同表现。本文介绍了一种新的跨模态分割网络，该网络通过使用可学习的 von Mises-Fisher 核来强化学习到的表示的组合性。这些核有助于内容-风格解耦，得到的组合性内容表示在本质上是可解释的，并且有效地分离了不同的解剖结构。实验结果表明，在多个医学数据集上，与现有方法相比，所提出的方法在分割性能上有所提高，并且降低了计算成本。

深度学习 （DL） 中的联邦学习 （FL） 自动化医学图像分割功能可在不共享患者数据的情况下启用协作式模型训练，从而帮助保护隐私。然而，联邦学习面临着机构间数据异质性的挑战，导致全球模型次优。在联邦学习中集成分离表示学习 （DRL） 可以通过将数据分离为不同的表示来增强鲁棒性。现有的 DRL 方法假设异质性仅存在于风格特征中，而忽略了基于内容的变异性，如病变大小和形状。我们提出了 FedGS，一种新型的 FL 聚合方法，旨在提高对小型、代表性不足的目标的分割性能，同时保持整体功效。

该论文提出了一种基于对比扩散模型（Contrastive Diffusion Model）并结合辅助引导（Auxiliary Guidance）的粗到细（Coarse-to-Fine）PET重建框架。这种框架包括一个粗预测模块（Coarse Prediction Module, CPM）和一个迭代细化模块（Iterative Refinement Module, IRM）。CPM通过确定性过程生成粗PET图像，而IRM则迭代地采样残差。通过将大部分计算开销委托给CPM，显著提高了整体采样速度。

零样本低剂量CT图像去噪的扩散概率先验这篇论文主要研究了一种新的无监督方法，用于降低剂量计算机断层扫描（Low-Dose CT, LD-CT）图像的噪声。这种方法不需要成对的低剂量和正常剂量CT图像进行训练，而是仅使用正常剂量CT图像进行训练，以实现对低剂量CT图像的零样本去噪。

论文题目;基于缺失模式的脑肿瘤分割的对抗性协同训练网络论文提出了一种新颖的对抗性协同训练网络（Adversarial Co-training Network, ACN），用于处理医学图像分割中缺失模态的问题。

论文题目：缺失模态医学分割的原型知识蒸馏。

低剂量计算机断层扫描（LDCT）去噪是CT研究中的一个重要问题。与正常剂量CT（NDCT）图像相比，LDCT图像在临床应用中会受到严重的噪声和伪影的影响。最近的许多研究表明，视觉变换器在特征表示能力上优于卷积神经网络（CNN）。然而，与CNN不同，视觉变换器在LDCT去噪方面的潜力至今尚未得到充分探索。为了填补这一空白，我们提出了一种无需卷积的Token2Token扩张视觉变换器（CTformer）用于低剂量CT去噪。CTformer使用更强大的Token重排来包含局部上下文信息，从而避免使用卷积。

这篇论文研究了3D低剂量计算机断层扫描（CT）成像技术。尽管已经开发了多种深度学习方法，但它们通常专注于2D图像，并且分别对低剂量引起的噪声进行去噪和对超分辨率进行去模糊处理。到目前为止，很少有工作同时进行平面内去噪和平面外去模糊，这对于获得辐射更低、成像速度更快的高质量3D CT图像非常重要。对于这项任务，直接训练一个端到端的3D网络是一种直接的方法。然而，这需要更多的训练数据和昂贵的计算成本。

可逆模态综合融合的变增广网络这篇论文提出了一种名为iVAN（invertible and variable augmented network）的方法，用于医学图像的合成和融合。

磁共振成像(MRI)是一种广泛使用的神经成像技术，可以提供不同对比度(即模式)的图像。事实证明，融合这种多模态数据对于提高许多任务中的模型性能特别有效。然而，由于数据质量差和患者频繁退出，收集每个患者的所有模式仍然是一个挑战。医学图像合成是一种有效的解决方案，它从现有的图像中合成缺失的图像。在本文中，我们提出了一种用于多模态磁共振图像合成的新型混合融合网络(Hi-Net)，它学习从多模态源图像(即现有模态)到目标图像(即缺失模态)的映射。

论文题目：ResViT: Residual vision transformers for multi-modal medical image synthesis一种新的用于多模态医学图像合成的生成对抗方法。

具有卷积神经网络(CNN)主干的生成对抗模型最近在许多医学图像合成任务中被建立为最先进的模型。然而，cnn被设计为使用紧凑过滤器执行局部处理，这种归纳偏差损害了上下文特征的学习。在这里，我们提出了一种新的医学图像合成生成对抗方法，即ResViT，它利用了视觉的上下文敏感性以及卷积算子的精度和对抗学习的真实感。ResViT的生成器采用了一个由新型聚合残差变压器(ART)模块组成的中心瓶颈，该模块协同结合了残差卷积和变压器模块。ART块中的残差连接促进捕获表示的多样性，而信道压缩模块提取任务相关信息。

Multi-scale Transformer Network with Edge-aware Pre-training for Cross-Modality MRImage Synthesis 代码复现和讲解。

论文题目：基于边缘感知的多尺度变压器网络跨模态图像合成。

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。

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。

论文题目：非配对无监督CT金属伪影还原重点应该就是怎么实现无监督吧先看论文，再看代码。

这篇论文的标题是《Learning 3D Gaussians for Extremely Sparse-View Cone-Beam CT Reconstruction》，作者是Yiqun Lin, Hualiang Wang, Jixiang Chen和Xiaomeng Li，来自香港科技大学以及HKUST深圳-香港协同创新研究院。这篇论文主要探讨了一种新的锥束计算机断层扫描（CBCT）重建框架，称为DIF-Gaussian，旨在通过使用更少的投影来减少辐射剂量，同时提高重建图像的质量。

锥束计算机断层扫描（CBCT）是医学成像中不可或缺的技术，但其相关的辐射暴露在临床实践中引起关注。为了降低这些风险，稀疏视图重建已成为重要的研究方向。尽管已经引入了隐式神经表示进行稀疏视图CBCT重建，现有方法主要关注从稀疏投影中查询局部2D特征，这对于处理更复杂的解剖结构（如胸部）是不够的。为此，作者提出了一种新的重建框架DIF-Gaussian，利用3D高斯来表示3D空间中的特征分布，提供额外的3D空间信息以便于估计衰减系数。

项目github 已有，开个博客大家如果复现有问题可以随时在下面留言。当然自己用肯定是自己写dataload，我就不放自己的代码了。1、从github 下载项目并解压。4、想直接测试也有提供权重。

背景部分简单的略过与我们的会议作品OSCNet[22]相比，本文在以下方面做了实质性的改进:1)在[22]中，工件的卷积表示是从整个训练数据集中学习的，并且是样本不变的。相比之下，在本文中，我们进一步设计了一种新的网络结构，称为OSCNet+，它可以动态地实现不同输入金属影响CT图像的卷积表示。因此，本文提出的OSCNet+具有更大的工件提取灵活性和更好的泛化性能;2)重新制定模型推导，统一两个框架，包括OSCNet和OSCNet+。这样可以让读者更好地理解我们的研究见解;

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。

我转到了python 方法，方便使用

2、对每一个slice进行归一化，加金属伪影，反归一化。x1,y1,为伪影位置，r1为伪影半径。1、读取图片，我这里是dcm。

论文请参考上篇博客任务：CBCT 运动伪影去除。

论文题目：利用注意模块减少x射线CT的刚性和非刚性运动伪影CT 运动伪影去除摘要：运动伪影是影响计算机断层扫描(CT)图像诊断性能的主要因素。特别是，当成像系统需要较长的扫描时间时，例如牙科CT或锥束CT (CBCT)应用中，患者会产生刚性和非刚性运动，运动伪影变得相当严重。为了解决这个问题，我们提出了一种新的实时运动伪影减少技术，该技术利用带有注意力模块的深度残差网络。我们的注意力模块是根据残差特征的重要性，通过放大或衰减残差特征来增加模型容量的。

题目：基于梯度的锥束ct头部运动快速精确补偿方法目的：CBCT运动伪影去除摘要：锥形束计算机断层扫描(CBCT)系统，由于其便携性，提供了一个有前途的直接点护理医学成像的途径，特别是在危急情况下，如急性中风评估。然而，将CBCT整合到临床工作流程中面临着挑战，主要与扫描时间长导致患者在扫描过程中运动和导致重建体积中的图像质量下降有关。本文介绍了一种基于梯度优化算法的CBCT运动估计新方法，该算法利用锥束CT几何形状的反投影算子的广义导数。

锥形束计算机断层扫描(CBCT)在牙科诊断和外科手术中发挥着关键作用。然而，金属牙种植体在CBCT成像过程中会带来烦人的金属伪影，干扰诊断和牙齿分割等下游处理。在本文中，我们开发了一种有效的变压器，用于从牙科CBCT图像中执行金属伪影还原(MAR)。基于CBCT图像具有全局相似性的特点，提出了一种新的降维自注意(DRSA)模块，降低了多头自注意的计算复杂度。提出了一种基于斑块感知前馈网络(P2FFN)的局部图像信息感知方法。实验结果表明，该方法具有较好的有效性，优于现有的修复方法和两种修复变压器。

该工具包可用于任务或者数据集增强视网膜眼底图像

看缺少渲染展示的简单方法以及 没有找到DICOM SEG保存的民间教程，自己写一个，仅供参考

1、仅学习使用，有侵权行为请务必联系我，SynthRAD2023任务2 冠军代码初略复现