基于深度学习的正弦图插值法论文认读

基于深度学习神经网络的稀疏视角CT的Sin图插值 Sinogram interpolation for sparse-view micro-CT with deep learning neural network 论文认读

总述

一、摘要

在稀疏视图计算机断层摄影—CT中,物体周围投影很少,正弦图插值方法对图像质量影响很大。

  1. 稀疏量不大时,效果很好。
  2. 稀疏量高的时候,需要更先进的正弦图插值方法。
  3. 基于深度学习的正弦图插值方法被提出。
  4. 但是这些DL方法的测试是在计算机模拟的数据上测试的,不是实验获得的正弦图数据。
  5. 我们本次研究开发的方法基于U-net网络和残差学习(residual learning)相结合。
  6. 方法应用于实验获得的稀疏性达到90%的数据。
  7. 将DL神经网络的插值正弦图引入“FBP”算法进行重建。
  8. CT图像的RMSE和SSIM都有显著的提高。(两个参数)
  9. 实验结果表明,当稀疏值非常高时,DL正弦图插值法比标准的线性插值法效果更好。

二、关键词

Sparse View(稀疏视图)、 Deep Learning(深度学习)、CT(Computed Tomography计算机断层扫描)、Sinogram(正弦图)

一、介绍(Introduction)

  1. CT很有用
  2. CT的特征是快速扫描和空间分辨率
  3. CT的辐射危害很大
  4. 辐射剂量对CT图像质量影响很大
  5. 我们只有保证图片质量的前提下才可以降低剂量
  6. CT系统优化、CN(?)范围最小化和曝光自动控制对图质都有帮助
  7. 稀疏野的CT图像重建是降低辐射量的有效方法
  8. 它目前的挑战是图像重建。

  1. 压缩感知理论已应用
  2. 优化求解器框架也很有效。但是迭代方法在计算方面比较复杂。
  3. FB
评论 4
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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