公开(公告)号：CN117196987A

公开(公告)日：2023-12-08

申请号：CN202311187498.2

申请日：2023-09-14

Applicant: 电子科技大学长三角研究院(衢州)

Inventor： 王晓敏 ,  王振川 ,  朱金奇 ,  龚海刚 ,  刘明辉 ,  刘明

IPC: G06T5/00 ,  G06T7/00 ,  G06V10/30 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明公开了一种低剂量CT图像去噪方法，包括以下步骤：S1：建立数据集，设定带有噪声的LDCT图像集合x，和与LDCT图像集合x对应的高质量的NDCT图像集合y；S2：搭建参数为θ的去噪模型 使用模构建 的映射；S3：使用混合损失训练去噪模型 设置学习率和动量参数，采用误差反向传播训练去噪模型 达到迭代最大次数，生成训练好的去噪模型；S4：图像去噪；将测试集中的LDCT图像预处理后，输入至训练好的去噪模型，得到对应的去噪后图像，本申请提出的去噪方法考虑到了图像不同区域的去噪难度，通过添加权重的方式对其进行自适应平衡，并通过高频信息损失促进图像纹理细节的生成，避免去噪后图像变得过度平滑。

公开(公告)号：CN118351016A

公开(公告)日：2024-07-16

申请号：CN202410570782.6

申请日：2024-05-09

Applicant: 电子科技大学长三角研究院(衢州)

Inventor： 朱金奇 ,  王振川 ,  刘明辉 ,  王晓敏 ,  龚海刚 ,  刘明

IPC: G06T5/70 ,  G06T5/60 ,  G06T7/00 ,  G06N3/0455 ,  G06N3/0475 ,  G06N3/094 ,  G06N3/092

Abstract: 本发明涉及一种生成对抗网络梯度自适应低剂量CT去噪方法，属于图像处理领域，包括：利用编码器将低剂量CT图像映射到高维工具，得到低剂量图像的隐藏层表示和去噪结果；将RGA‑GAN模型中生成器的第四层残差块的输出作为图像的隐层特征输入到智能体网络中，得到强化学习的策略，基于策略在每次迭代中选择最合适的对抗损失用于更新RGA‑GAN模型，为模型选择最佳优化方向；于损失函数和强化学习的策略不断更新RGA‑GAN模型的生成器和判别器，每次更新后，更新强化学习的奖励，再对智能体网络进行更新。本发明能够根据样本特征选择适当的对抗损失和损失函数，以实现更精确的目标导向和最优控制。