期刊文献+
共找到3篇文章
< 1 >
每页显示 20 50 100
平稳小波域深度残差CNN用于低剂量CT图像估计 被引量:7
1
作者 高净植 刘祎 +2 位作者 白旭 张权 桂志国 《计算机应用》 CSCD 北大核心 2018年第12期3584-3590,共7页
针对低剂量计算机断层扫描(LDCT)重建图像中存在大量噪声的问题,提出了一种平稳小波的深度残差卷积神经网络(SWT-CNN)模型,可以从LDCT图像估计标准剂量计算机断层扫描(NDCT)图像。该模型在训练阶段,将LDCT图像经平稳小波(SWT)三级分解... 针对低剂量计算机断层扫描(LDCT)重建图像中存在大量噪声的问题,提出了一种平稳小波的深度残差卷积神经网络(SWT-CNN)模型,可以从LDCT图像估计标准剂量计算机断层扫描(NDCT)图像。该模型在训练阶段,将LDCT图像经平稳小波(SWT)三级分解后的高频系数作为输入,将LDCT图像高频系数与NDCT图像高频系数相减得到残差系数作为标签,通过深度卷积神经网络(CNN)学习输入和标签之间的映射关系;在测试阶段,利用此映射关系即可从LDCT图像的高频系数中预测NDCT高频系数,最后通过平稳小波反变换(ISWT)重构预测的NDCT图像。实验采用50对大小为512×512的同一体模的常规剂量胸腔及腹腔扫描切片和投影域添加噪声后的重建图像作为数据集,其中45对作为训练集,其余5对作为测试集。将所提模型与效果较好的非局部降噪算法、K-奇异值分解(K-SVD)算法、匹配三维滤波(BM3D)算法及图像域CNN(Image-CNN)模型对比,实验结果表明,SWT-CNN模型预测的NDCT图像信噪比(PSNR)和结构相似性(SSIM)高,且均方根误差(RMSE)小于其他算法处理结果。该模型对于提高低剂量CT图像质量是可行且有效的。 展开更多
关键词 低剂量计算机断层扫描 平稳小波变换 卷积神经网络 残差学习 深度学习
下载PDF
改进深度残差卷积神经网络的LDCT图像估计 被引量:6
2
作者 高净植 刘祎 +1 位作者 张权 桂志国 《计算机工程与应用》 CSCD 北大核心 2018年第16期203-210,219,共9页
针对低剂量计算机断层扫描(Low-Dose Computed Tomography,LDCT)重建图像出现明显条形伪影的现象,提出了一种基于残差学习的深度卷积神经网络(Deep Residual Convolutional Neural Network,DR-CNN)模型,可以从LDCT图像预测标准剂量计算... 针对低剂量计算机断层扫描(Low-Dose Computed Tomography,LDCT)重建图像出现明显条形伪影的现象,提出了一种基于残差学习的深度卷积神经网络(Deep Residual Convolutional Neural Network,DR-CNN)模型,可以从LDCT图像预测标准剂量计算机断层扫描(Normal-Dose Computed Tomography,NDCT)图像。该模型在训练阶段,将数据集中的LDCT图像和NDCT图像相减得到残差图像,将LDCT图像和残差图像分别作为输入和标签,通过深度卷积神经网络(Convolution Neural Network,CNN)学习输入和标签之间的映射关系;在测试阶段,利用此映射关系从LDCT图像预测残差图像,用LDCT图像减去残差图像得到预测的NDCT图像。实验采用50对大小为512×512的同一体模的常规剂量胸腔扫描切片和投影域添加噪声后的重建图像作为数据集,其中45对作为训练集,其他作为测试集,来验证此模型的有效性。通过与非局部降噪算法、匹配三维滤波算法和K-SVD算法等目前公认效果较好的图像去噪算法对比,所提模型预测的NDCT图像均方根误差小,且信噪比略高于其他算法处理结果。 展开更多
关键词 低剂量计算机断层扫描 卷积神经网络 残差学习 深度学习
下载PDF
基于NSST域卷积神经网络的低剂量CT图像恢复 被引量:1
3
作者 刘祎 高净植 桂志国 《计算机工程与应用》 CSCD 北大核心 2019年第23期209-215,共7页
为解决低剂量CT(Low-Dose Computed Tomography,LDCT)图像中的噪声/伪影问题,提出一种基于非下采样Shearlet变换(Non-Sample Shearlet Transformation,NSST)的卷积神经网络(Convolution Neural Network,CNN)的NSST-CNN模型。训练时,对... 为解决低剂量CT(Low-Dose Computed Tomography,LDCT)图像中的噪声/伪影问题,提出一种基于非下采样Shearlet变换(Non-Sample Shearlet Transformation,NSST)的卷积神经网络(Convolution Neural Network,CNN)的NSST-CNN模型。训练时,对数据集中的常规剂量CT(Normal-Dose Computed Tomography,NDCT)和LDCT图像做NSST分解,将LDCT图像的高频子图作为输入,LDCT和NDCT图像的高频子图的残差图像作为标签,通过CNN训练,学习LDCT高频子图和高频残差子图的映射关系;测试时,将LDCT图像的高频子图减去利用映射关系预测的主要包括噪声/伪影的高频子图,然后做NSST反变换得到高质量的LDCT图像。实验结果表明,与KSVD、BM3D以及图像域CNN方法相比,NSST-CNN模型得到的结果具有更高的峰值信噪比和结构相似度,更接近NDCT图像。 展开更多
关键词 低剂量CT 图像恢复 非下采Shearlet变换 卷积神经网络 残差学习
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部