概括
这项研究引入了一种半监督的双生成对抗网络,用于低剂量计算机断层扫描 (LDCT) 检测噪音. 该方法有效地减少了LDCT图像中的噪声和人工物,使用了配对和未配对的数据.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深度学习,特别是监督的方法,已经先进的低剂量计算机断层扫描 (LDCT) denoising.
- 获取足够的配对培训数据来进行LDCT撤销是具有挑战性的.
- 监督学习很难直接应用于未配对的CT图像数据.
研究的目的:
- 开发一种新的半监督深度学习方法,用于最不发达国家和地区的信息泄露.
- 为了有效地利用配对和未配对的CT数据来提高网络性能.
- 为了增强LDCT图像中的文物和噪音抑制.
主要方法:
- 设计了一个半监督的双生成对抗网络 (GAN).
- 采用交替代的监督和无监督培训,使用配对和未配对的数据.
- 利用两个GAN之间的交互式对抗训练来生成图像和降低噪音.
- 整合了多描述损失功能,以提高训练稳定性和性能.
主要成果:
- 在LDCT图像中实现了对文物和噪声的有效抑制.
- 与现有的监督和无监督方法相比,证明了优异的降噪.
- 有效地保存CT图像的原始结构信息.
结论:
- 拟议的半监督双GAN有效地破坏了LDCT的形象.
- 这种方法克服了数据采集和使用未配对数据的局限性.
- 它提供了一种有希望的方法,可以提高LDCT图像质量,同时保持解剖完整性.
