未配对低剂量CT去噪网络基于Cycle-Consistent生成对抗网络与以前的图像信息

文摘

x射线计算机断层扫描(CT)的广泛应用在临床诊断导致增加公众关注关于过度辐射剂量对患者管理。然而,减少辐射剂量将不可避免地导致服务器噪音和影响放射科医生的判断和自信。因此,先进的低剂量CT (LDCT)必须开发改善图像质量的图像重建方法。在过去的两年里,深上优于方法展示了令人印象深刻的降噪性能LDCT图像。大多数现有的基于深度学习方法通常需要成对训练数据集的LDCT图像对应正常剂量CT (NDCT)一对一的图像,但收购well-paired数据集需要多个扫描,产生的辐射剂量的增加。因此,well-paired数据集不是现成的。要解决这个问题,本文提出了基于循环生成一个未配对LDCT图像去噪网络对抗的网络(CycleGAN)与以前的图像信息,不需要一对一的训练数据集。在这种方法中,循环损失,未配对image-to-image翻译的一个重要技巧,将地图分布从LDCT NDCT使用未配对的训练数据。此外,保证准确对应的图像内容之间的输出和NDCT,之前获得的信息从结果使用LDCT图像预处理是集成到网络监督的生成内容。鉴于分布的地图通过循环损失和监督的内容通过形象损失之前,我们的方法不仅可以减少图像噪声也保留关键信息。 Real-data experiments were carried out to test the performance of the proposed method. The peak signal-to-noise ratio (PSNR) improves by more than 3 dB, and the structural similarity (SSIM) increases when compared with the original CycleGAN without prior information. The real LDCT data experiment demonstrates the superiority of the proposed method according to both visual inspection and quantitative evaluation.

1。介绍

x射线计算机断层扫描(CT)是一个最重要的成像方式在现代医院和诊所。然而,在CT辐射诱发的风险基因,癌症和其他疾病患者和已成为一个重要关注和运营商1- - - - - -3]]。常见和有效的策略来缓解风险是实现低剂量CT (LDCT)成像扫描期间通过减少管电流,从而降低光子的数量由探测器接收。减少剂量增加噪声和工件在重建CT图像,从而严重降低了图像质量,危害临床诊断。为了解决这个问题,研究者提出各种消声策略,包括迭代重建(IR) [4,5),正弦图域去噪(6- - - - - -9),和图像域后处理(10- - - - - -12]。

在过去的几十年中,研究人员致力于开发新的LDCT图像重建迭代算法。一般来说,这些算法优化一个目标函数,包含一个系统模型(13,14),统计噪声模型,和之前的信息在图像域(4,15,16]。著名的图像先验由全变差(电视)及其变种(17- - - - - -19),字典学习(20.,21),和小波帧22]。这些迭代重建算法表现出令人满意的表现在改善图像质量,但他们的计算负担和敏感参数限制其实际应用。

图像后处理计算效率与迭代重建相比,这催生了大量的简单而有效的方法。外地意味着(NLM)过滤方法估计噪声组件通过使用多个补丁提取图像中不同位置(23),已被广泛用于CT (24]。出于压缩传感方法,一种自适应K-SVD方法(25提出了减少工件在CT重建。块匹配3 d (BM3D)方法也是一个杰出的CT成像领域的图像后处理方法(26,27];该方法利用相似图像块。这些传统的后处理方法提高了CT图像的质量;然而,结果经常进行边缘模糊和/或剩余工件重建非均匀分布的噪声。

最近,几个监督机器学习方法提出了LDCT降噪。这些方法通常揭示LDCT图像中的像素值之间的关系和相对应的像素值在同一地点NDCT图像通过培训与图片配对。陈等人。28)设计了一个深卷积神经网络(CNN)映射LDCT图像对其相对正常剂量同行patch-by-patch的方式。康等。29日)使用类似的方法,但采用CNN方向小波变换的CT图像。然后,更复杂的网络提出了处理LDCT去噪等问题剩余encoder-decoder卷积神经网络(RED-CNN) (30.),从而达到竞争性能相对于最先进的方法在临床病例。

尽管上述网络提出了令人印象深刻的去噪结果,他们都属于端到端网络,通常采用均方误差(MSE)之间的网络输出和地面真理作为损失函数。然而,最近的研究(31日,32)表示,这单像素MSE经常遭受oversmoothed边缘和细节的损失。MSE-based方法倾向于高分辨率补丁的意思是利用欧几里得距离而不是测地距离。考虑到医学图像通常躺在一个高度非线性流形(33),该算法容易忽视的细节,对临床诊断至关重要时,它试图最小化逐像素MSE。克服的局限性逐回归在降噪,生成对抗网络(GAN) [34)基于对抗损失介绍医学图像重建。2017年,Wolterink et al。35)是第一个应用心脏CT图像重建的氮化镓。杨,et al。36)利用GAN和瓦瑟斯坦的距离(WGAN)。为了提高降噪功能,感知损失同时用于优化损失函数。易和Babyn37)结合网络对抗训练和清晰度检测网络,以减轻噪音LDCT,取得了令人满意的性能。因此,估计生成模型的总体框架使用一个敌对的过程显示突出表现在医学图像重建。

上述去噪网络通常需要空间搭配。然而,在医学成像,well-paired同行是很难获得的。例如,在LDCT成像,不断在正常和低剂量扫描病人两次在正常情况下是不可能的。成对数据的短缺的因素之一,限制深度学习的广泛应用在低剂量CT重建。最近,甘斯的无监督变体,如CycleGAN [38]和DualGAN [39),提出了映射不同的领域没有匹配的数据对。出于他们的成功在图像处理中,未配对甘斯已经成功地应用于CS-MRI重建(40基于图像(先生)和CT合成41,42]。LDCT重建,well-paired临床扫描获得在不同剂量水平并不容易。即使我们获得相同的不同剂量水平的患者数据,数据很难匹配完全由于身体活动和不可避免的轻微运动的扫描位置,这可能会影响到网络的去噪能力。

在这项研究中,我们提出一个未配对LDCT去噪前网络基于CycleGAN图像信息。在提出网络的设计cycle-consistent结构推动网络学习之间的映射关系(图LDCT图像采集和NDCT图像集合1(一)),而不是一个图像LDCT图像和NDCT图像(图1(b))。因此,提出网络不需要一对一的对应与未配对数据集训练数据集,可以学习。同时,之前从预处理的图像中提取图像信息通过使用LDCT引入网络监督的生成图像的内容,确保通信的内容。地图的图像集合之前通过循环损失和监督内容形象损失赋予我们的方法产生的结果,不仅降低噪音而且准确的细节。

2。方法

2.1。降噪模型

在LDCT成像,严重的噪音通常发生在CT图像作为光子探测器接收到的数量减少。改善图像质量的有效途径之一是设计一个定制的网络使输入LDCT图像尽可能接近NDCT图像。这个过程可以分为图像去噪问题,可以被以下模型: 在哪里表示一个LDCT形象和表示相应的NDCT形象。降噪的目的是获取一个转换过程映射来 。

在这个过程中,可以被视为从LDCT分布样本吗和可以被视为从NDCT分布样本吗 。去噪过程转换一定的分布 。的去噪过程旨在确定一个最优为了使接近 。然而,在重建LDCT图像,噪声是复杂和均匀分布在整个形象;因此,分布和没有明确的数学关系更新(36]。传统的方法通常有困难去噪LDCT图像。基于深学习方法、噪声模型的不确定性可以忽略由于学习能力的高级功能和表示数据分布的CNN。因此,设计一个定制的CNN是一种有效的方法在LDCT抑制噪声,改善图像质量。

2.2。引入CycleGAN

2017年,朱镕基et al。38)提出了一个未配对的网络叫CycleGAN,已获得了广泛的关注。这个网络可以捕获一个图像采集的特殊特征,找出这些特征可以翻译成其他图像集合不使用任何成对训练例子;这个网络已经成功地利用在风格上转移,增强对象变形,季节的转移,和照片。

假设有一些潜在的源域之间的关系和目标域 ,CycleGAN的目标是学习映射这样的分布图像从域分布的图像是不可区分的吗 。这个网络包括两个映射函数,即和而且还介绍了两个鉴别器,即和 。鉴频器旨在区分翻译样本和实际样品 。鉴频器旨在区分翻译样本和实际样品 。理论上,对抗的训练可以识别映射和产生输出恒等分布作为目标域和(34]。然而,足够的能力大,网络可以映射相同的输入图像任意随机排列的图像在目标域,任何学习映射可以产生一个输出分布相匹配的目标。因此,对抗的损失无法保证学习函数可以映射个人输入到所需的 。进一步减少可能的空间映射函数,函数的映射和应周期一致。如图2(一),为每个图像从域 ,应该能够把图像转换周期回到原来的图片: ,这是命名为正向循环的一致性。同样,作为显示在图2(b),对于每一个图像从域 ,应该能够把图像转换周期回到原来的图片: ,这是命名为向后周期的一致性。上述行为可以鼓励cycle-consistency损失。 在哪里的分布和的分布_。

LDCT成像,尽管投影数据含有大量的噪声,通常是完整的。因此,重建的图像仍然包含有用的信息,基本上是符合相应NDCT图像。这表明有密切关系LDCT形象和NDCT形象和满足CycleGAN的基本假设。因此,本研究认为使用这种未配对网络LDCT图像重建。

基于其结构,CycleGAN主要集中在地图上的分布。这个网络是更好的图像的整体转换,可能忽视细节的信件。然而,对于LDCT降噪,输出不应该只出现类似NDCT图像还保留尽可能多的细节;更重要的是,输出必须不包含虚假信息,这可能会导致误诊。这些问题需要额外的监督和制约网络在训练过程中,使之更适合LDCT重建。在这项研究中,我们考虑将之前的图像信息纳入网络保证内容对应,防止假的去噪过程中细节的一代。

2.3。未配对去噪网络基于CycleGAN先验信息

图3显示了我们的方法的概述。网络包含前后周期和两个发电机和鉴别器。为了更清楚地说明提出网络的培训机制,我们随机选择一个LDCT图像从一个NDCT LDCT图像采集和图像从NDCT input-ground真理对图像集合。注意LDCT形象不是NDCT对应图像,如图4。

在远期周期中,发电机训练生成图像尽可能接近相应的NDCT图像(图3(一个))。发电机是训练有素的翻译产生的形象吗回相应的LDCT形象。落后的周期,发电机训练生成图像尽可能接近相应的LDCT图像(图3 (b))。发电机是训练有素的翻译产生的形象吗回到NDCT形象。在网络的训练过程,鉴别器和被用来估计的概率样本来自真实的图像而不是生成图像。与此同时,发电机和为了生成图像不是容易区分的鉴别器。本文利用对手的损失(43)作为目标函数训练“游戏”的过程:

为了减少可行域空间的映射函数,介绍了周期的一致性,进一步约束网络的训练过程,这样可以训练网络下未配对数据:

循环网络的一致性,发电机的性能要求的间接监督通过另一个发电机的结果。例如,在正向循环,除了鉴别器 ,发电机的性能也需要监督的结果另一个发电机 。这种机制并不能保证最后输入的准确性和可能导致出现假的细节。LDCT图像重建结果的准确性至关重要,如果虚假信息生成,它可能导致误诊,导致严重的后果。这种情况下需要发电机直接约束,尤其是发电机 ,直接产生期望的结果。因此,本文结合了之前的图像信息网络直接监督发生器 ,如图3(一个)。因为害怕改变网络的未配对的属性,由此产生的图像处理BM3D方法利用LDCT图像被视为前图像。,之间的平均绝对误差(MAE)之前的形象和生成的图像是引入损失函数来约束网络的训练。敌对的损失的周期可以写成 在哪里是梅的重量。在培训过程中,发电机试图最小化目标函数(5),而鉴别器试图最大化,也就是说, 。我们作为CycleGAN-BM3D表示该网络。

通过上述分析,我们提出的总损失函数方法 在哪里是一个非负参数用来平衡周期一致性的重量损失。的总目标函数提出CycleGAN-BM3D

2.4。网络体系结构

在拟议的方法中,网络的发电机,如图5(一个),包括三个子模块:编码器、转换器、译码器。编码器提取输入图像的特征利用CNN。编码器的网络包括一个7×7 Convolution-InstanceNorm-ReLU层与64过滤器和步幅1表示c7s1 - 64,两个3×3 Convolution-InstanceNorm-ReLU层过滤器和步幅2中分别等于128年和256年。我们表示这两个层d128和月。转换器,如图5 (b),用于将特征向量提取从源域到目标域 。转换器包含六个残余网络(Resnet)块(44),每个块包含两个3×3卷积与256年层过滤层。译码器包括三层。前两层3×3 fractional-strided-Convolution-InstanceNorm-ReLU层与步伐分别和64和32个过滤器。我们表示两层u64 u32。第三层是7×7 Convolution-InstanceNorm-ReLU c7s1-3 3过滤器和步幅1表示。网络的鉴频器,如图5 (c)卷积,由五层。前四层4×4 Convolution-InstanceNorm-LeakyReLU层2步和64年,128年,256年和512年的过滤器,分别。我们表示他们是C64 C128 C256, C512。我们使用漏ReLUs坡0.2。在最后一层,一个4×4卷积与过滤和步幅1层是用来产生一维输出。

3所示。实验和结果

3.1。实验数据集和性能评估

已故的CT图像小猪被选为实验数据来验证该网络的性能。这些照片是由64片多通用电气医疗集团的扫描仪扫描(发现CT750 HD)通过使用100千伏和0.625毫米厚度。五种不同管电流将产生CT图像与不同剂量水平。具体的扫描参数和有效剂量不同的管电流表中列出1。

在每一个剂量水平,906图像大小512×512。如图6片通过一个ʼ年代,我们分区数据,然后跳过10片。我们最终获得了360张图片之间使用投影数据重建5%剂量随着嘈杂的数据集,即源集合 。,180年获得的图像进行测试。正常剂量数据集使用包含360张图片,对应的数据集和由FBP从NDCT获得图像。正常剂量数据集是目标集合 。给定的未配对属性提出了网络,训练图像和地面真理不需要一一对应。两个图像数据集的数量也可以是不同的。在训练阶段,我们进行了一个未配对操作的输入和标签网络。此外,每个图像分为16个128×128图像扩大训练数据集5760张照片。

为了便于比较,我们选择了一些具有代表性的传统方法和其他网络。

3.1.1。BM3D

这种方法在降噪展品突出表现比其他传统的图像去噪方法。

3.1.2。原始CycleGAN

这网络训练前没有约束的图像测试前图像的监督效果。输入数据集和地面实况数据集是一样的该方法CyclGAN-BM3D,这并非一一对应。

结构相似度(SSIM) (45),峰值信噪比(PSNR)和归一化平均绝对距离(NMAD)选为措施的重建质量的定量评估提出了网络和上述对比算法。具体来说,PSNR和NMAD定义如下: 在哪里和分别代表了图像去噪和理想的形象,图像中的像素,是图像中像素的总数。一个更高的PSNR值表明,更高质量的图像。NMAD值接近于0表示小的理想形象,重建结果之间的区别。一般来说,SSIM≤1和SSIM = 1表示确切的理论重建。

3.2。实现细节

在培训过程中,前两项的负对数似然目标和取而代之的是最小二乘损失稳定模型(46]。更换后,我们的火车最小化

我们也训练最小化

为鉴别器和 ,的目标是

设置的参数,是设置为10。亚当解决批量大小的1是选为优化器优化网络。我们保持相同的第一10000时代,学习速率线性衰减率为零的未来10000年的时代。本文提出了网络训练40000时代。是一个重要的参数控制信息在培训之前的重量。时的值太小,先验信息的影响可以忽略不计,因为最小的改善图像质量。相比之下,一个非常大的会过分强调信息和之前的作用,在某种程度上,限制网络本身的学习能力。在这篇文章中,一系列的网络训练,通过设置不同的值确定一个合适的值。为了公平,每个网络参数的设置,除了相同 。我们随机选择10 LDCT图像测试不同网络的性能。的影响定量地确定了策划的平均SSIM和NMAD去噪图像如图7。

从图的曲线7,当SSIM达到最大,这表明NDCT图像的去噪图像最相似的结构,也就是说,在这种情况下,网络的最大能力保留LDCT图像的细节。NMAD在某种程度上反映了去噪的准确性。小NMAD表明LDCT图像中的噪声去除更彻底。考虑到网络的细节保留和降噪,本文设置10。

分析潜在的选择算法的去噪能力和网络感兴趣的两个代表片和相应的放大区域(roi)所示的数据8- - - - - -10,分别。

如图8,当使用传统方法(BM3D)或基于深度学习方法,LDCT图像中出现的噪声是不同程度的抑制。经典BM3D方法有一个出色的噪声抑制效果但使处理过的图像oversmoothed如此,一些重要的细节消失。红色箭头指示的ROI,骨头的BM3D失去一些信息的结果。尽管原始CycleGAN不是oversmoothed的结果,它表明假细节,无关的连接骨头的NDCT形象。CycleGAN-BM3D,介绍了图像信息之前,没有冗余的细节和保留应该保留的信息。

图9显示了整个第二片不同的方法和相应的绝对差图像之间NDCT图像和由此产生的图像。在不同的图像,较暗的颜色,误差越小。它可以清楚地观察到的结果CycleGAN-BM3D最小的区别。

为进一步分析的图像细节,两个地区被选为roi,如图10。在ROI,组织指出,红色方块是涂抹在BM3D图片但CycleGAN很容易识别和CylceGAN-BM3D图像。标志的黄色椭圆ROI二世的三个黑洞结果BM3D和CycleGAN模糊,不可分割,但辨认CycleGAN-BM3D的结果。此外,下面的平滑区域ROI II CycleGAN-BM3D是最类似于NDCT形象。

视觉效果的基础上,提出网络CycleGAN-BM3D不仅能够更好的抑制噪声比其它网络还保留更多的细节。更重要的是,在添加之前的约束信息之后,CycleGAN-BM3D可以有效防止代假细节与原来相比CycleGAN未经信息。

定量分析、平均PSNR SSIM, NMAD计算180片的测试数据集来测量性能相比,提出的方法和其他方法。(表2)。

在每个评估项目,结果与最佳性能黑色。CycleGAN-BM3D排名第一的SSIM即使未配对的训练数据集。因此,结果CycleGAN-BM3D最结构类似于NDCT图像。的PSNR和NMAD CycleGAN-BM3D也表现出令人满意的性能,表明噪声去除相对干净。与其他算法相比,CycleGAN显示最糟糕的性能,因为它主要关注映射的数据分布LDCT NDCT,和循环损失可能不足以监督细节和抑制噪声的产生。这种方法需要增加监督在训练来改善图像质量。先验信息的引入CycleGAN-BM3D提高约束的图像内容。提出CycleGAN-BM3D方法,循环损失发挥作用前分布映射和信息丢失是用来保证内容的相关性。因此,该方法演示了在噪声抑制和细节保护性能好。我们注意到的数值结果BM3D前列。 From the visual effect, the noise removal of BM3D is complete and the main information of the image is basically retained, as much, BM3D has a high quantitative evaluation result. That finding is the reason why we choose the result of BM3D as the prior information.

4所示。讨论和结论

在现代CT成像领域,辐射剂量的隐藏风险增加了LDCT的需求。然而,LDCT图像经常遭受严重的噪音,这会降低图像质量和临床诊断。在过去的两年里,深层神经网络提供了一个新的想法LDCT降噪。大多数现有的神经网络LDCT重建通常需要和谐的网络训练数据集。然而,不同剂量水平的和谐的CT图像是很难获得的。这可能会影响网络的性能,导致模糊细节或虚假信息在生成的图像中。

提高LDCT图像的质量和扩大LDCT降噪中的应用神经网络,提出了一个未配对的网络基于CycleGAN之前的图像信息。与现有的去噪网络相比,该网络可以通过未配对的训练数据集,从而减轻成对数据集的限制要求。大多数甘斯用来减少噪声主要集中在分布的映射LDCT NDCT,这个过程可能忽视了准确对应的内容。提高约束的内容和防止伪造的细节,我们将之前的图像处理BM3D CycleGAN监督图像内容的生成。在真实数据的实验,视觉检验表明,该方法可以抑制噪音LDCT形象和防止假的一代的细节。定量评估的结果表明,将之前的信息后,PSNR提高超过3 dB和SSIM也增加了与原来相比CycleGAN未经信息。定性和定量评价的结果表明,该方法具有合理的性能优于原CycleGAN当应用于LDCT重建。

先验信息的有效性影响该方法的性能。在这部作品中,LDCT图像处理的传统方法是获得信息之前,这是一个简单而有效的方法。在未来,我们打算探索其他代表共享特性之间LDCT和NDCT图像先验信息进一步改善提出了网络的性能,如稀疏或锐度信息。

数据可用性

在这项研究中使用的数据可以获得http://homepage.usask.ca/∼xiy525 /出版/萨根/。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

唐朝和杰李同样这项工作。

确认

这项研究是由中国国家自然科学基金(批准号61601518)和中国国家重点研发项目(批准号2018 yfc0114500)。

引用

1. d·j·布伦纳和e . j .大厅,“癌症风险从CT扫描:现在我们有数据,下一个什么?”放射学,卷265,不。2、330 - 331年,2012页。视图:出版商的网站|谷歌学术搜索
2. o·w·林惇和f·a·梅特勒”全国会议在CT剂量减少,重点是儿科患者,”美国放射学杂志》,卷181,不。2、321 - 329年,2003页。视图:出版商的网站|谷歌学术搜索
3. d·j·布伦纳和e . j .大厅,“计算tomography-an增加辐射的来源,”新英格兰医学杂志》上,卷357,不。22日,第2284 - 2277页,2007年。视图:出版商的网站|谷歌学术搜索
4. 中情局Elbakri和j·a·费斯勒”,统计为多能x射线计算机断层图像重建,”IEEE医学成像,21卷,不。2、89 - 99年,2002页。视图:出版商的网站|谷歌学术搜索
5. 李t . j . Wang, l .兴”之前使用edge-preserving CBCT迭代图像重建,”医学物理学36卷,第260 - 252页,2009年。视图:出版商的网站|谷歌学术搜索
6. p . j . l .河,j .扁,p . a . Vargas”Penalized-likelihood正弦图恢复计算机断层扫描,”IEEE医学成像,25卷,不。8,1022 - 1036年,2006页。视图:出版商的网站|谷歌学术搜索
7. t . j . Wang, h . Lu, z梁,“惩罚加权最小二乘方法正弦图降噪和低剂量x射线计算机断层图像重建,”IEEE医学成像,25卷,不。10日,1272 - 1283年,2006页。视图:出版商的网站|谷歌学术搜索
8. y, j·张,h . Lu”统计正弦图平滑的低剂量CT有效自适应过滤”IEEE核科学卷,57号5,2587 - 2598年,2010页。视图:出版商的网站|谷歌学术搜索
9. 问:谢,d .曾问:赵et al .,“健壮的低剂量CT正弦图预处理通过利用噪声产生机制,“IEEE医学成像,36卷,不。12日,第2498 - 2487页,2017年。视图:出版商的网站|谷歌学术搜索
10. a . m . r . Schilham b . van Ginneken h . Gietema和m . h神“本地噪声肺气肿得分加权滤波的低剂量CT图像,”IEEE医学成像,25卷,不。4、451 - 463年,2006页。视图:出版商的网站|谷歌学术搜索
11. a . Borsdorf r . Raupach t·弗洛尔,j . Hornegger“基于小波降噪的ct图像使用相关分析,“IEEE医学成像,27卷,不。12日,第1703 - 1685页,2008年。视图:出版商的网站|谷歌学术搜索
12. y y, z,胡et al .,“胸低剂量CT图像处理使用工件抑制大规模的外地的意思,“物理学在医学和生物学卷,57号9日,第2688 - 2667页,2012年。视图:出版商的网站|谷歌学术搜索
13. b . d .人与美国巴苏,”行驶距离投影和投影在三维空间中,“物理学在医学和生物学卷,49号11日,第2475 - 2463页,2004年。视图:出版商的网站|谷歌学术搜索
14. r . m . Lewitt“多维数字图像使用广义Kaiser-Bessel窗口函数表示,“美国光学学会杂志》上,7卷,不。10日,1834 - 1846年,1990页。视图:出版商的网站|谷歌学术搜索
15. b . r .白粉,p . Massoumzadeh O·a·厄尔·j·a·奥沙利文d·l·斯奈德和j·f·威廉森”在x射线计算机断层扫描预处理正弦图数据的性质,“医学物理学,33卷,不。9日,第3303 - 3290页,2006年。视图:出版商的网站|谷歌学术搜索
16. Ramani和j·A·费斯勒”,splitting-based迭代算法加速统计x射线CT重建,”IEEE医学成像没有,卷。31日。3、677 - 688年,2012页。视图:出版商的网站|谷歌学术搜索
17. e . y . Sidky x锅,“圆cone-beam ct图像重建的限制,总波动最小化,“物理学在医学和生物学,53卷,不。17日,第4807 - 4777页,2008年。视图:出版商的网站|谷歌学术搜索
18. 马j . y . Liu, y风扇和z梁,“自适应加权稀疏数据的全变差最小化对低剂量x射线计算机断层扫描图像重建,”物理学在医学和生物学卷,57号23日,第7956 - 7923页,2012年。视图:出版商的网站|谷歌学术搜索
19. 贾x, z田k元,t .锅和s . b .江“低剂量CT重建通过edge-preserving全变差正则化,“物理学在医学和生物学卷,56号18日,第5967 - 5949页,2011年。视图:出版商的网站|谷歌学术搜索
20. 问:徐,h . Yu x谅解备忘录,l . Zhang j .谢长廷和g·王,“低剂量x射线CT重建通过字典学习,”IEEE医学成像没有,卷。31日。9日,第1697 - 1682页,2012年。视图:出版商的网站|谷歌学术搜索
21. x y,备忘录,g . Wang和h . Yu“Tensor-based字典学习光谱CT重建,”IEEE医学成像,36卷,不。1,第154 - 142页,2017。视图:出版商的网站|谷歌学术搜索
22. j·k·崔、b盾和x张“有限断层重建通过严格的框架和同步正弦图推断,“计算数学学报,34卷,不。6,575 - 589年,2016页。视图:出版商的网站|谷歌学术搜索
23. A . Buades b·科尔和j·m·莫雷尔”的图像去噪算法,用一个新的“多尺度建模和仿真,4卷,不。2、490 - 530年,2005页。视图:出版商的网站|谷歌学术搜索
24. j·d·李z l . Yu Trzasko et al .,“自适应外地意味着CT过滤基于局部噪声去噪,”医学物理学第41卷。。1,文章ID 011908, 2014。视图:出版商的网站|谷歌学术搜索
25. m . Aharon m·兰德,a . Bruckstein”K-SVD:算法设计overcomplete字典稀疏表示,“IEEE信号处理,54卷,不。11日,第4322 - 4311页,2006年。视图:出版商的网站|谷歌学术搜索
26. p . f . Feruglio c . Vinegoni j·格罗斯,a . Sbarbati和r . Weissleder,微型核磁共振机”块匹配三维随机噪声过滤吸收光学投影层析成象,”物理学在医学和生物学,55卷,不。18日,第5415 - 5401页,2010年。视图:出版商的网站|谷歌学术搜索
27. d·康p . Slomka r .基本上et al .,“图像去噪低辐射剂量冠状动脉CT血管造影术的3 d算法,自适应块匹配”《医学影像:图像处理2013年3月,国际社会对于光学和光子学,。视图:谷歌学术搜索
28. h·陈,y, w . Zhang et al .,“aLow-dose CT通过卷积神经网络”生物医学光学表达布拉格,捷克共和国,8卷,没有。2、679 - 694年,2017页。视图:出版商的网站|谷歌学术搜索
29. 大肠Kang j . Min, j . c .你们“深卷积神经网络使用方向小波低剂量x射线CT重建,”医学物理学,44卷,不。10、pp. e360-e375, 2017年。视图:出版商的网站|谷歌学术搜索
30. h·陈,y, m . k .卡尔拉et al .,“低剂量CT与残余encoder-decoder卷积神经网络(RED-CNN)”IEEE医学成像,36卷,不。12日,第2535 - 2524页,2017年。视图:出版商的网站|谷歌学术搜索
31. j·约翰逊、a . Alahi和l .菲菲”实时传输和超分辨率风格,知觉损失”欧洲计算机视觉的诉讼施普林格,页694 - 711年,阿姆斯特丹,荷兰,2016年10月。视图:谷歌学术搜索
32. c . Ledig l·泰斯f . Huszar et al .,“写实的单一图像超分辨率使用生成对抗的网络,”2016年,https://arxiv.org/abs/1609.04802。视图:谷歌学术搜索
33. f·g·k·d . Wu Kim El et al .,“迭代低剂量CT的重建与先验训练人工神经网络,”IEEE医学成像,36卷,不。12日,第2486 - 2479页,2017年。视图:出版商的网站|谷歌学术搜索
34. ”格拉汉姆·古德费勒,急忙赶往2016教程:生成对抗的网络,”2016年,https://arxiv.org/abs/1701.00160。视图:谷歌学术搜索
35. j . m . Wolterink t . lein m·a . Viergever i Isgum,“生成对抗网络在低剂量CT降噪,”IEEE医学成像,36卷,不。12日,第2545 - 2536页,2017年。视图:谷歌学术搜索
36. 问:杨,p, y . Zhang et al .,“低剂量CT图像去噪与瓦瑟斯坦距离和使用生成对抗网络感知损失,”IEEE医学成像,37卷,不。6,1348 - 1357年,2017页。视图:出版商的网站|谷歌学术搜索
37. x易和p . Babyn Sharpness-aware低剂量CT去噪使用条件生成对抗的网络,”数码影像杂志没有,卷。31日。5,655 - 669年,2018页。视图:出版商的网站|谷歌学术搜索
38. j.y.朱,t .公园,p .伊索拉和a . a .埃,“孤image-to-image翻译使用cycle-consistent敌对的网络,”学报2017年IEEE计算机视觉国际会议(ICCV),第2251 - 2242页,威尼斯,意大利,2017年10月。视图:出版商的网站|谷歌学术搜索
39. z, h·张,p . Tan和m .锣”DualGAN:无人监督的双重学习image-to-image翻译”学报2017年IEEE计算机视觉国际会议(ICCV),第2876 - 2868页,威尼斯,意大利,2017年10月。视图:出版商的网站|谷歌学术搜索
40. t . m .全、t . Nguyen-Duc和w·k·宋“压缩传感重建MRI与循环使用生成对抗网络损失,”IEEE医学成像,37卷,不。6,1488 - 1497年,2018页。视图:出版商的网站|谷歌学术搜索
41. j . m . Wolterink a . m . Dinkla m·h·f·Savenije et al .,“深CT综合使用未配对的数据,先生”在医学成像仿真和综合5,页,施普林格,柏林,德国,2017年。视图:谷歌学术搜索
42. C.-B。w·金,h . Kim Jung et al .,“深CT使用配对和未配对数据合成先生,”2018年,https://arxiv.org/abs/1805.10790。视图:谷歌学术搜索
43. 格拉汉姆·古德费勒,j . Pouget-Abadie m . Mirza et al .,“生成敌对的网,”诉讼进展的神经信息处理系统27(少量的2014)蒙特利尔,魁北克,加拿大,2014。视图:谷歌学术搜索
44. k . x张,他任美国,j .太阳,“深残余学习图像识别,”学报2016年IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
45. z, a·c·Bovik h·r·谢赫和e . p . Simoncelli“图像质量评估:从错误的可见性结构相似,“IEEE图像处理,13卷,不。4、600 - 612年,2004页。视图:出版商的网站|谷歌学术搜索
46. 毛x,李问:h .谢r . y .刘和z . Wang“多级L2损失函数生成对抗的网络,”2016年,https://arxiv.org/abs/1611.04076v1。视图:谷歌学术搜索

版权

版权©2019年唐朝等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。