自主监督学习用于CT图像消极化和重建:一篇综述
1Department of Applied Artificial Intelligence, Seoul National University of Science and Technology, 232 Gongneung-ro, Nowon-gu, Seoul, 01811 Republic of Korea.
Biomedical engineering letters
|October 28, 2024
概括
本综述探讨了计算机断层扫描 (CT) 图像消极化和重建的自我监督学习. 这些方法可以从数据中学习,而不需要配对干净和杂的图像,从而推进医学成像.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 深度学习是医学成像和计算机视觉中的关键技术.
- 自主监督学习 (SSL) 正因其从未标记的数据中学习的能力而越来越突出.
- CT成像对于诊断至关重要,但图像质量可能会受到噪音和重建文物的影响.
研究的目的:
- 审查用于CT图像消灭和重建的自我监督学习方法.
- 检查CT图像处理中的深度学习的进步和演变.
- 为SSL在这一领域的理论和方法进步提供见解.
主要方法:
- 对CT自主监督学习现有文献的审查.
- 分析深度学习技术,用于图像消光和重建.
- 专注于SSL的理论基础和方法的发展.
主要成果:
- 自主监督学习为CT图像的否定和重建提供了一个有希望的途径,而无需配对数据.
- 深度学习显著影响了CT图像处理能力.
- SSL方法正在发展,显示出改善图像质量和减少辐射剂量的潜力.
结论:
- 自主监督学习代表了CT图像除和重建的重大进步.
- 预计SSL的持续研究将进一步提高医学成像质量和应用.
- SSL技术对于克服传统CT成像方法的局限性至关重要.


