基于自注意力连接UNet的磁共振成像去吉布斯伪影算法

为去除磁共振成像（MRI）中的吉布斯伪影，提出一种基于自蒸馏训练的自注意力连接UNet(SDSacUNet)算法。为了缩小UNet框架中跳连接两端编码和解码特征之间的语义差距，帮助捕捉伪影的位置信息，将UNet编码端每个下采样层的输出特征分别输入各自的自注意力连接模块进行自注意力机制的运算，而后与解码特征进行融合，参与特征的重建；在网络解码端进行自蒸馏训练，通过建立深层与浅层特征之间的损失函数，使深层重建网络的特征信息可以用于指导浅层网络的训练，同时优化整个网络，提升图像重建水平。在公开的MRI数据集CC359上评估SD-SacUNet算法的性能，获得的峰值信噪比（PSNR）为30.26 dB，结构相似性（SSIM）为0.917 9；与GRACNN(Gibbs-Ringing Artifact reduction using Convolutional Neural Network)、SwinIR(Image Restoration using Swin Transformer)相比，SD-SacUNet的PSNR分别提高了0.77 dB、0.14 dB,SSIM分别提高了0.018 ...     

基于多残差UNet的CT图像高精度稀疏重建

为了解决计算机断层成像（CT）稀疏解析重建过程中产生条状伪影的问题,在经典的UNet网络结构的基础上,提出了多残差UNet （Mr-UNet）网络结构,以更好地压制条状伪影。首先,用传统滤波反投影（FBP）解析重建算法稀疏重建出含条状伪影的稀疏图像;然后,将该类图像作为网络结构的输入,且将相对应的高精度图像作为网络的标签进行训练,使得该网络具有很好的压制条状伪影的性能;最后,将经典UNet原先的四层下采样加深到五层,并在模型中引入残差学习机制将每个卷积单元构建为残差结构,从而提升网络的训练性能。实验中采用了2 000对大小为256×256的含条状伪影图像和对应的高精度图像作为数据集,其中,1 900对作为训练集,50对作为验证集,其余的作为测试集来训练网络,并验证、评估网络性能。实验结果表明,与传统的总变差（TV）最小化算法及经典的UNet深度学习方法的比较表明,所提模型重建图像的均方根误差（RMSE）平均降低了约0.002 5,结构相似度（SSIM）平均提高了约0.003,且能更好地保留图像纹理和细节信息。     

基于迭代修正法的CT金属伪影消除

人体内的金属植入物会导致CT重建图像中出现金属伪影。传统的方法利用插值技术替换掉原始投影数据中受金属物污染的数据,以此来达到去除金属伪影的目的,但是容易产生次生伪影。为了解决传统方法的缺陷,提出了一种基于迭代修正的金属伪影消除方法。首先,利用插值修正法获取到一张预处理图像;然后,以该预处理图像为基础进行迭代修正,每一次迭代过程中利用全变分滤波来优化图像质量;经过多次迭代后得到最终图像。实验表明,相比于传统的插值修正法,提出的方法能够更加有效地去除金属伪影,同时较好地抑制次生伪影的产生。     

基于Transformer的结构强化IVOCT导丝伪影去除方法

为去除导丝伪影以提高血管内光学相干断层扫描（IVOCT）的图像质量,辅助医师更加准确地诊断心血管疾病,降低误诊及漏诊的概率,针对IVOCT图像结构信息复杂且伪影区域占比大的难点,提出一种采用生成对抗网络（GAN）架构的基于Transformer的结构强化网络（SETN）。首先,GAN的生成器在提取纹理特征的原始图像（ORI）主干生成网络的基础上,并联了RTV(Relative Total Variation)图像强化生成网络用于获取图像的结构信息;其次,在ORI/RTV图像的伪影区域重建过程中,引入了分别关注时/空间域信息的Transformer编码器,用于捕获IVOCT图像序列的上下文信息以及纹理/结构特征之间的关联性;最后,利用结构特征融合模块将不同层次的结构特征融入ORI主干生成网络的解码阶段,配合判别器完成导丝伪影区域的图像重建。实验结果表明,SETN的导丝伪影去除结果在纹理和结构的重建上均十分优秀。此外,导丝伪影去除后IVOCT图像质量的提高,对于IVOCT图像的易损斑块分割及管腔轮廓线提取任务均具有积极意义。     

基于多尺度注意力融合网络的胃癌病理图像分割方法

近年来,随着深度学习技术的发展,基于编解码的图像分割方法在病理图像自动化分析上的研究与应用也逐渐广泛,但由于胃癌病灶复杂多变、尺度变化大,加上数字化染色图像时易导致的边界模糊,目前仅从单一尺度设计的分割算法往往无法获得更精准的病灶边界。为优化胃癌病灶图像分割准确度,基于编解码网络结构,提出一种基于多尺度注意力融合网络的胃癌病灶图像分割算法。编码结构以EfficientNet作为特征提取器,在解码器中通过对多路径不同层级的特征进行提取和融合,实现了网络的深监督,在输出时采用空间和通道注意力对多尺度的特征图进行注意力筛选,同时在训练过程中应用综合损失函数来优化模型。实验结果表明,该方法在SEED数据集上Dice系数得分达到0.806 9,相比FCN和UNet系列网络一定程度上实现了更精细化的胃癌病灶分割。     

PNet：融合注意力机制的多级低照度图像增强网络

低照度图像存在亮度低、噪声伪影、细节丢失、颜色失真等退化问题,使得低照度图像增强成为一个多目标增强任务。现有多数增强算法不能很好地在多个增强目标上取得综合的性能,对此,提出PNet——融合注意力机制的多级低照度图像增强网络模型,通过构建多级串联增强任务子网,结合注意力机制设计多通道信息融合模块进行有效特征筛选及记忆,网络以序列方式处理图像流,协同渐进式完成图像全局自适应亮度提升、噪声伪影抑制、细节恢复、颜色矫正等多任务。此外,通过与现有主流算法进行定量及定性分析对比,结果显示该方法能实现自适应图像亮度增强、细节对比度提升,增强后图像整体亮度自然,没有明显光晕及伪影且色彩较丰富真实,在PSNR、SSIM、RMSE指标中较次优算法分别提升0.229、0.112、0.335。实验结果表明,该方法在低照度图像增强的多目标任务上取得了综合较优秀的表现,具有一定的应用价值。     

基于数学形态学的CT图像金属伪影消除算法

金属伪影的有效校正一直都是CT重建的一个重要课题。传统的插值校正法和迭代去模糊法将投影数据作为输入值,但在实际应用中经常不能得到原始投影数据。针对该问题,提出一种基于数学形态学的金属伪影消除算法。首先,通过线检测和霍夫变换提取初始图像中的条纹伪影,并找到金属物体的中心坐标;其后,以金属物体的中心坐标为注视点,对含有伪影的初始图像进行极坐标变换;继而在极坐标图像中,选择合适的结构元素和形态学过滤器消除伪影;最后将过滤后的极坐标图像转换为笛卡尔坐标系中的图像。实验结果表明,该算法能够有效消除金属伪影,并将滤波反投影图像作为输入值,能够应用于无法得到原始投影数据的情况。     

基于变分的CT图像环形伪影校正

有效去除CT图像中环形伪影是医学图像处理领域的一个重要研究方向,现有的方法在去除环形伪影的同时,对CT图像的边缘及细节保留存在困难和挑战.本文采用变分优化的思想,将环形伪影的去除问题建模为一个能量最小化问题,来缓解保持图像信息和去除伪影之间的矛盾,提出了一种后处理的伪影校正算法.根据环形伪影产生机理和特性表现构造有针对性的变分模型,一是从环形伪影的几何特性入手,设计更为合理的梯度保真形式,增强模型对图像细节信息的保护;二是从环形伪影的边缘特性入手,构建具有伪影辨识能力的相对全变分正则项,降低模型对图像结构性信息的影响.基于构造的变分模型,采用高效的优化求解算法,实现环形伪影的有效去除.对比实验表明,无论在视觉观察还是定量分析方面,本文算法均体现出了较好的性能.     

一种基于先验图像的锥束CT 金属伪影校正算法

为了有效抑制锥束CT(CBCT)重建中金属植入物引入的伪影,提出一种基于先验 图像的金属伪影校正算法。首先对含金属伪影的重建图像进行双边滤波、金属阈值分割、组织 聚类等预处理,获得金属图像和不含金属信息的先验图像;再对二者正向投影,获得金属投影 区域和先验投影数据;而后利用先验投影数据及金属边界邻域的投影数据对金属投影区域插值, 获得修复的投影数据;最后利用FDK 算法对修复的投影数据重建,并将其与金属图像融合,获 得最终的校正图像。为了验证该算法的性能,利用三维Shepp-Logan 头部模型数据和临床头部 CT 数据开展金属伪影校正实验,结果表明：与常用的线性插值算法和图像修补算法相比,该算 法的校正图像均方根误差最小、峰值信噪比最大。这说明该算法在有效保留图像边缘信息的同 时,可有效地抑制金属伪影。     

基于自适应残差的运动图像去模糊

针对当前运动图像去模糊网络忽略了运动模糊图像的非均匀性,不能有效地恢复图像的高频细节及去除伪影等问题,在对抗网络基础上提出一种基于自适应残差的运动图像去模糊方法.在生成网络中构造由形变卷积模块和通道注意力模块组成的自适应残差模块.其中,形变卷积模块学习运动模糊图像特征的形变量,可以根据图像的形变信息动态调整卷积核的形状和大小,提高网络适应图像形变的能力.通道注意力模块对所提取的形变特征进行通道调整,获取更多的图像高频特征,增强恢复后图像的纹理细节.在公开的GOPRO数据集上进行实验,实验结果表明,该算法的峰值信噪比(PSNR)有较大的提升,能够重建出纹理细节丰富的高质量图像.     

X射线工业CT成像过程复杂伪影抑制方法综述

X射线工业计算机断层(Computerized tomography, CT)技术是一种先进的非接触式无损三维检测技术,能在无损伤情况下以灰度图像的形式对物体内部结构进行全面、详细地分析,在航空航天、工业生产、安检等领域发挥着重要的作用.针对工业CT伪影严重降低图像质量问题,对工业CT成像过程复杂伪影形成机理进行分析,对不同类型伪影抑制方法进行归纳总结.阐述了基于射线衰减、探测器及高密度差异、采样数据及重建等不同过程伪影成因及伪影消除相关算法的最新技术进展,并对近年来人工智能深度学习背景下新兴的基于深度学习及神经网络的工业CT无损检测研究与发展方向进行了总结和展望.     

基于深度学习高分辨率遥感影像语义分割

高分辨率遥感影像含有丰富的地理信息. 目前基于传统神经网络的语义分割模型不能够对遥感影像中小物体进行更高维度的特征提取, 导致分割错误率较高. 本文提出一种基于编码与解码结构特征连接的方法, 对DeconvNet网络模型进行改进. 模型在编码时, 通过记录池化索引的位置并应用于上池化中, 能够保留空间结构信息; 在解码时, 利用编码与解码对应特征层连接的方式使模型有效地进行特征提取. 在模型训练时, 使用设计的预训练模型, 可以有效地扩充数据, 来解决模型的过拟合问题. 实验结果表明, 在对优化器、学习率和损失函数适当调整的基础上, 使用扩充后的数据集进行训练, 对遥感影像验证集的分割精确度达到95%左右, 相对于DeconvNet和UNet网络模型分割精确度有显著提升.     

基于自适应可分离卷积核的视频压缩伪影去除算法

针对目前视频质量增强和超分辨率重建等任务中常采用的光流估计相关算法只能估计像素点间线性运动的问题，提出了一种新型多帧去压缩伪影网络结构。该网络由运动补偿模块和去压缩伪影模块组成。运动补偿模块采用自适应可分离卷积代替传统的光流估计算法，能够很好地处理光流法不能解决的像素点间的曲线运动问题。对于不同视频帧，运动补偿模块预测出符合该图像结构和像素局部位移的卷积核，通过局部卷积的方式实现对后一帧像素的运动偏移估计和像素补偿。将得到的运动补偿帧和原始后一帧联结起来作为去压缩伪影模块的输入，通过融合包含不同像素信息的两视频帧，得到对该帧去除压缩伪影后的结果。与目前最先进的多帧质量增强（MFQE）算法在相同的训练集和测试集上训练并测试，实验结果表明，峰值信噪比提升（ΔPSNR）较MFQE最大增加0.44 dB，平均增加0.32 dB，验证了所提出网络具有良好的去除视频压缩伪影的效果。     

基于注意力和卷积特征重排的图像修复

近年来,基于UNet与GAN（生成对抗网络）的深度学习网络模型在图像修复领域展现出了独特的优势,但是修复结果中仍然存在伪影、模糊、纹理细节退化、对于大面积破损难以修复、修复后的孔洞与背景图像不相容等现象。为了解决现有模型对大面积破损图像修复不友好以及修复后的图像存在退化现象等问题,通过对现有方法进行研究,改进了Shift-UNet（移位网络）模型：在UNet与GAN的基础上,在每一层编码器和解码器之间增加了改进之后的注意力机制Attention-UNet并融入shift-UNet,形成Attention-Shift-UNet;并且通过研究,将原来下采样部分的激活函数由Leaky_ReLU改为了SiLU函数。改进模型不仅在64×64的中心遮罩上取得了较好的效果,还实现了随机遮罩,遮罩面积由20%增加到80%。通过实验结果证明,该模型的修复效果更优,特别是针对大面积破损图像的修复。在CelebA、ParisArchitecture以及Paris Streetview数据集上经过测试,各评价指标都有明显的提高,其中结构相似性（SSIM）由原来的0.944 5提高到0.947 1,峰值信噪比（PSNR）由原来的27.992 7提高到28.553 6,L2损失由原来的0.001 7降低到0.001 5。     

基于三维加权和双域滤波的螺旋CT伪影校正

螺旋CT重建会受到锥束伪影和风车伪影的影响,锥束伪影是由于锥角和螺距过大而导致的,而风车伪影由纵向方向采样不足引起,为了降低锥束伪影与风车伪影对CT图像的影响,提出一种螺旋CT伪影校正算法;首先采用三维加权螺旋FDK算法进行重建,有效去除重建图像中的锥束伪影,然后采用改进的双域滤波算法对含风车伪影图像进行校正;三维加权螺旋FDK算法通过对大锥角的射线给予不利权重来抑制锥束伪影,改进的双域滤波算法可以在去除风车伪影的同时保留更多的细节;计算机仿真实验结果表明,该算法能有效地抑制重建图像中的锥束伪影和风车伪影,提高CT图像的质量。     

一种基于 CycleGAN 改进的低剂量 CT 图像增强网络

低剂量 CT 是一种有效且相对安全的胸腹部疾病筛查手段,但图像中的伪影和噪声会严重影响医生的诊断。基于深度学习的图像增强方法中网络训练大多依赖于难以获取的配对数据,即同一患者相同部位像素级匹配的低剂量和常规剂量 CT 图像。针对非配对数据,提出了一种基于循环一致性生成对抗网络(CycleGAN)改进的低剂量 CT 图像增强网络,在生成器前添加浅层特征预提取模块,增强对 CT 图像特征的提取能力;并利用深度可分离卷积替换生成器中的部分普通卷积,减少网络参数和显存占用。该网络使用 3 275 张低剂量 CT 图像和 2 790 张非配对常规剂量 CT 图像进行训练,另外 1 716 张低剂量 CT 图像进行测试。结果表明,该网络生成的CT 图像的平均感知图像质量评价指标(PIQE)为 45.53,比 CycleGAN 的结果降低了 8.3%,更远低于三维块匹配滤波(BM3D) 31.9%、无监督图像转换网络(UNIT) 20.9%,且在结构细节保持、噪声和伪影抑制方面均获得了更好的主观视觉效果,是一种具有潜在临床应用前景的低剂量 CT 图像增强方法。     

基于改进UNet3+的岩心图像颗粒提取算法

在石油勘探过程中, 岩心颗粒是研究地质层序、评估油气含量以及认识地质构造的有效资料, 对岩心颗粒图像进行颗粒提取有利于地质研究人员后续的深入分析. 岩心颗粒图像通常存在颗粒边缘模糊、背景与颗粒色彩复杂的问题. 为了改善岩心颗粒提取的效果, 本文设计了一种基于改进UNet3+的岩心图像颗粒提取算法. 该算法在UNet3+的每个编码层后加入感受野模块(RFB)来扩大网络的感受野, 从而有效地解决网络因感受野受限而导致的分割精度低的问题, 并在RFB模块后嵌入了卷积块注意力模块(CBAM)使网络更加精确地聚焦于目标区域, 提高目标区域的特征权重. 实验结果表明, 改进后的算法在岩心颗粒图像上具有良好的分割效果, 相比原始UNet3+网络, 分别在mIoU、mPA和FWIoU上提升了5.43%、2.99%和5.34%.