基于深度能量模型的低剂量CT重建
朱元正
吕启闻
官瑜
刘且根
南昌大学信息工程学院,南昌330036
摘要：降低计算机断层扫描(CT)的剂量对于降低临床应用中的辐射风险至关重要,深度学习的快速发展和广泛应用为低剂量CT成像算法的发展带来了新的方向.与大多数受益于手动设计的先验函数或有监督学习方案的现有先验驱动算法不同,本文使用基于深度能量模型来学习正常剂量CT的先验知识,然后在迭代重建阶段,将数据一致性作为条件项集成到低剂量CT的迭代生成模型中,通过郎之万动力学迭代更新训练的先验,实现低剂量CT重建.实验比较,证明所提方法的降噪和细节保留能力优良.
关键词：低剂量CT深度学习郎之万动力学深度能量模型
分类号：O242(计算数学)TP391(计算技术、计算机技术)
资助基金：国家优秀青年科学基金项目(62122033)国家自然科学基金(61871206)江西省研究生创新专项资金项目(YC2020-S107)
论文发表日期：2022-11-28
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：12( 709-720 )
英文信息