研究人员开发了新的自监督学习方法,用于去噪低剂量CT扫描,这是减少医学成像辐射暴露的关键步骤。一种方法是渐进式$\mathcal{J}$-不变学习(Progressive $\mathcal{J}$-Invariant Learning),它使用分步机制和噪声注入来提高去噪效率和性能,在梅奥LDCT数据集上优于现有的自监督方法。另一种方法Neighbor2Inverse,将Neighbor2Neighbor原理应用于相衬CT,通过欠采样投影创建去噪网络,以在抑制噪声的同时保留结构细节,这两种方法都为专业和临床CT应用展示了潜力。 AI
影响 自监督去噪的进步可以通过在不牺牲图像质量的情况下降低辐射剂量,从而实现更安全的医学成像。
排序理由 两篇arXiv论文详细介绍了用于低剂量CT去噪的新型自监督学习方法。
- arXiv
- CT
- Johannes Thalhammer
- Mayo LDCT dataset
- Neighbor2Inverse
- PBI-CT
- Progressive $\mathcal{J}$-Invariant Learning
- Yichao Liu
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →