-
公开(公告)号：CN110335327A
公开(公告)日：2019-10-15
申请号：CN201910617998.2
申请日：2019-07-10
Applicant: 东北大学
IPC: G06T11/00
Abstract: 本发明提供一种直接解决逆问题的医学图像重建方法，步骤包括：对采集的训练数据进行预处理；采用处理后的数据训练具有编码解码的卷积神经网络；利用训练后的卷积神经网络重建原始数据，得到高质量图像。本发明利用深度学习解决图像重建问题，网络被训练成能够立即学习物理模型的非线性关系。不同于图像后处理方法普遍针对像素值之间的差异进行降噪，本发明针对原始数据本身，能够快速、有效地建立训练样本和训练标签之间复杂的非线性关系，从原始数据精确重建出高质量图像。
-
公开(公告)号：CN110276815A
公开(公告)日：2019-09-24
申请号：CN201910569253.3
申请日：2019-06-27
Applicant: 东北大学
Abstract: 本发明提供一种基于具有增强编码解码的医学图像重建和降噪方法，包括分类收集高噪声扫描图像和低噪声扫描图像，并对采集的图像数据进行预处理；搭建重建部分网络，一定尺寸的高噪声图像作为训练数据、低噪声图像作为训练标签，对所述重建部分网络进行训练；搭建降噪部分网络，并利用所述降噪部分网络对重建后的数据进行降噪。本发明利用深度学习解决图像重建和降噪问题，针对原始数据本身，能够快速、有效地建立训练样本和训练标签之间复杂的非线性关系，从原始数据精确重建出高质量图像。
-
公开(公告)号：CN110310244A
公开(公告)日：2019-10-08
申请号：CN201910586767.X
申请日：2019-07-01
Applicant: 东北大学
Abstract: 本发明公开了一种基于残差编码解码的医学图像降噪方法，包括：对采集的训练数据进行预处理；采用处理后的数据训练基于残差编码解码的卷积神经网络；利用训练后的卷积神经网络对高噪图像降噪，得到高质量图像。本发明解决了现有技术中存在的图像边缘损失、成像速度慢等问题，通过分层网络框架从像素数据中有效地学习高级特征，从而建立训练样本和训练标签之间复杂的非线性关系。
-
公开(公告)号：CN110070510A
公开(公告)日：2019-07-30
申请号：CN201910345935.6
申请日：2019-04-26
Applicant: 东北大学
IPC: G06T5/00
Abstract: 本发明提供一种基于VGG-19提取特征的CNN医学图像降噪方法，包括搭建CNN降噪网络，提取训练图像和训练标签图像并以损失函数最小化为原则对搭建好的降噪网络进行训练，以及利用训练后的降噪网络对高噪声图片进行降噪处理，输出降噪结果。本发明为了克服降噪后图像边缘平滑，失去原有图像细节的问题，提出一种将降噪后的图像和原本清晰的图像用VGG-19做特征提取之后的差值作为损失函数进行优化的图像降噪方法，以达到保存图像原有细节，提高图像清晰度的效果。
-
-
-
Search Results
4
records
(took 0.012 seconds)
