PET image denoising based on residual U-Net neural network and DIP

doi:10.13741/j.cnki.11-1879/o4.2021.02.014

您当前的位置：

首页 >

文章列表页 >

PET image denoising based on residual U-Net neural network and DIP

更新时间：2025-09-01

- PET image denoising based on residual U-Net neural network and DIP
- Vol. 47, Issue 2, Pages: 209-216(2021)
- 作者机构：
  
  1. 1:重庆邮电大学移通学院大数据与软件学院
  2. 2:重庆师范大学涉外商贸学院大数据与智能工程学院
- 作者简介：
- 基金信息：
- DOI：10.13741/j.cnki.11-1879/o4.2021.02.014
  CLC：
- Published：2021
- 稿件说明：
移动端阅览
PET image denoising based on residual U-Net neural network and DIP[J]. 2021, 47(2): 209-216.
DOI：

PET image denoising based on residual U-Net neural network and DIP[J]. 2021, 47(2): 209-216. DOI： 10.13741/j.cnki.11-1879/o4.2021.02.014.

摘要

由于正电子发射型计算机断层显像(PET)噪声较大

现有图像降噪效果不理想

提出了一种结合残差U-Net神经网络和深度图像先验(DIP)的PET图像降噪。在U-Net网络中引入残差学习

提高网络表达能力和收敛速度;提出一种无训练数据的DIP算法

将神经网络解释为图像的参数化

利用图像噪声参数化后呈现高阻抗的特性将其去除

达到降噪的目的;在BrainWeb脑部图像数据集上进行实验

并对实验结果进行了对比分析。分析结果表明

所提方法能够得到边缘清晰且平滑的图像

在不同噪声等级和时间帧中

其去噪效果均优于其他对比方法

可获得高质量的图像。

Abstract

关键词

Keywords

references

Views

342

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

Image description method based on residual learning and dual-mode CAE

Assembly for Ф1.3m aperture telescope

A multi-scale parallel residual network for image dehazing

A vein image acquisition technology based on dual wavelength adaptive light source

Analysis of visual dislocation phenomenon based on light intensity superposition

Related Author

邱一城

杨立身

陈佳夷

王海超

霍腾飞

李斌

张鑫

娄小平

Related Institution

2:河南理工大学计算机科学与技术学院

1:郑州经贸学院计算机与人工智能学院

1:北京空间机电研究所先进光学遥感技术北京市重点实验室

1:北京信息科技大学光电测试技术北京市重点实验室

1:北京理工大学光电学院国家重点实验室

⁰