|
|
相关文章推荐
|
爱吹牛的大熊猫 · Java中的JSON序列化和反序列化-腾讯云 ...· 1 年前 · |
|
|
狂野的毛豆 · must be real number, ...· 1 年前 · |
|
|
面冷心慈的开心果 · shellexecute ...· 1 年前 · |
|
|
发财的枕头 · Arch Linux遇到的坑（下） - 知乎· 1 年前 · |
|
|
威武的登山鞋 · Best practices for ...· 1 年前 · |
基于深度学习的图像增强
专栏作者
举报
40
文章
36665
阅读量
19
订阅数
- 全部文章
- 神经网络
- 机器学习
- 深度学习
- 人工智能
- 编程算法
- image
- 卷积神经网络
- https
- network
- 腾讯云测试服务
- 图像处理
- 网络安全
- github
- serverless
- data
- map
- max
- 对象存储
- python
- 数据库
- sql
- git
- linux
- 文字识别
- 视频处理
- 缓存
- 图像识别
- ssh
- 强化学习
- kernel
- 数据分析
- arrays
- block
- connection
- dom
- edge
- filter
- function
- lm
- local
- mef
- prediction
- prisma
- ref
- scale
- sequence
- sh
- shuffle
- space
- spatial
- stack
- sum
搜索文章
用于实时MRI脑部肿瘤分割的3D膨胀多纤维网络
Authors: Chen Chen, Xiaopeng Liu, Meng Ding, Junfeng Zheng, Jiangyun Li
Code：https://github.com/China-LiuXiaopeng/BraTS-DMFNet
不同模态MRI医学图像合成
医学影像对于不同疾病的诊断和治疗至关重要。通常不止一种成像模式参与临床决策，因为不同的模式常常提供互补的见解。 例如，计算机断层扫描(CT)具有提供组织的电子密度和物理密度的优势，这对于癌症患者的放射治疗剂量规划是必不可少的。然而，CT的缺点是软组织缺乏良好的对比度，且采集期间的辐射暴露也可能增加继发性癌症的风险。另一方面，磁共振成像(MRI)可以很好地对比软组织。与CT相比，MRI更安全，不涉及任何辐射;但它比CT昂贵得多，而且没有放射治疗计划或PET图像重建所需的密度信息。因此，近年来，研究人员极大地激发了从放射治疗计划中同一受试者对应的MR图像中估算CT图像的兴趣。医学图像合成可以在不需要实际扫描的情况下估计所需的成像模态。
医学图像MRI增强相关论文
在MRI扫描中，与常规3T MRI相比，特高磁场7T MRI具有更高的分辨率和更好的组织造影，有助于更准确、早期的脑部疾病诊断。然而，目前7T MRI扫描仪在临床和研究中更昂贵且数量更少，这促使研究者提出从3T MRI中重建与7T MRI质量相近的图像的方法，以提高图像的分辨率和对比度。 这样可以更准确地完成组织分割等后处理任务，以更高的分辨率和对比度看到脑组织的细节。这篇文章主要介绍从低分辨率的3TMRI中重建高分辨率的类7TMR图像的相关论文。
简单介绍两篇低光照视频增强的论文
这篇文章的主要贡献有：①建立了一个新的共轴光学系统来捕获时间同步和空间对齐的低光和光线充足的视频对；②提供了第一个包含动态车辆和行人的街景低光/正常光视频数据对；③采用3Dconv和2D pooling/deconv相结合的改进UNet结构作为框架用于低光照视频增强，在色彩保真度和时间一致性上表现出卓越的性能。
摄像系统结构如下：
介绍几篇图像融合相关的论文
这篇文章的目标是利用一张单目图像和一张稀疏的深度图进行深度补全，文中采用一种多尺度融合的方式来学习两种不同数据的关联性，并引入稀疏卷积操作来增强稀疏深度图中特征的鲁棒性。网络结构如下：
介绍两篇比较新的低光照图像增强的论文
基于Retinex的低光照图像增强包含对比度增强和噪声抑制两个任务，并存在一定的耦合关系，若忽略两者之间的关系可能会导致过度/欠平滑的结果。为了解决这一问题，本文提出了一种改进的Retinex框架，其中，低光照图像的噪声和亮度以一种互相增强的方式感知，来实现基于retinex的图像增强。本文设计了两个“逐点式”(即1*1的滤波器)的卷积神经网络分别用于建模环境光和图像噪声的统计规律，并利用它们作为约束来处理共同学习的过程，两个模型渐进地处理直到获得稳定的结果。网络结果图如下：
简单介绍两篇去噪论文
这篇论文提出了一个自指导的网络用于图像快速去噪，该网络采用一种自指导的方式，用低分辨率下得到的图像特征和上下文信息来指导精细尺度下图像的去噪过程，其中每个分支的输入图像是用shuffle操作来得到的，与以往的下采样有所不同，作者认为shuffle操作可以减小图像的空间分辨率，同时保持输入图像信息。总体的网络结构如下：
空间特征转换网络及其在超分辨中的应用
本文提出了一个独立的神经网络模块，空间变换网络，可以直接加入到已有的CNN或FCN中对数据进行空间变换操作。它不需要关键点的标定，能够根据分类或者其他任务自适应地将数据进行对齐或空间变换（包括平移、缩放、旋转以及其他几何变换），从而减少由于物体变换对任务的影响，提升网络的学习能力。
整个空间变换器包含三个部分，本地网络(Localisation Network)、网格生成器(Grid Genator)和采样器(Sampler),如下：
Self-supervised Image Enhancement Network Training with Low Light Images Only
现有的图像增强数据集都是通过合成或者调整曝光时间得到的，但存在两个问题：①如何确保预先训练的网络可以用于不同设备、不同场景和不同照明条件下收集的图像，而不是构建新的训练数据集。②如何确定用于监督的正常光图像是最好的,因为相对于一张低光照图像，我们可以得到很多的正常光图像。
为了解决上述问题，本文基于信息熵理论和Retinex模型，提出了第一篇基于深度学习的完全自监督做图像增强的论文，本文提出的网络不用成对的数据集，只需要低光照图像（甚至只要一张低光照图像），训练时间为分钟级（minute-level），可以取得实时的性能。该网络将低光照图像分解为反射部分和照度部分，其中反射部分即为增强后的结果。
本文的理论来源：根据信息熵理论，直方图均匀分布的图像熵最大，信息量最大。基于这一点，本文提出了一个假设，即增强后图像最大通道的直方图分布应与直方图均衡化后的低光照图像最大通道的直方图分布一致。有了这一假设，损失函数的设计就不需要正常光图像，不仅保留了增强后图像的真实性，而且包含充足的信息。作者认为，该方法对低亮度图像的获取没有任何依赖,且训练过程完全self-supervised,因此本文提出的方法具有良好的泛化能力,即使预训练的网络对于新的环境结果不是很好,也可以通过重新训练或者微调的方式改善。
基于最大熵的Retinex模型，其理论来源如下，根据Retinex理论，图像可以分解成反射和照度部分，即
Unpaired Image Enhancement Featuring Reinforcement-Learning-Controlled Image Editing Software
论文题目： Unpaired Image Enhancement——Featuring Reinforcement-Learning-Controlled Image Editing Software
Deep Learning Enables Reduced Gadolinium Dose for Contrast-Enhanced Brain MRI
这是一篇医学图像增强的论文，介绍了研究人员正在使用人工智能来减少MRI检查后留在体内的造影剂的剂量。
Multi-Stage Prediction Networks for Data Harmonization
论文题目：Multi-Stage Prediction Networks for Data Harmonization (MICCAI19)
推荐文章
|
|
发财的枕头 · Arch Linux遇到的坑（下） - 知乎 1 年前 |