结合残差U-Net神经网络和DIP的PET图像降噪

您当前的位置：

首页 >

文章列表页 >

生物医学光学 | 更新时间：2025-09-01

- 结合残差U-Net神经网络和DIP的PET图像降噪
- PET image denoising based on residual U-Net neural network and DIP
- 光学技术 2021年47卷第2期页码：209-216
- 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：
  
  重庆市教育委员会科学技术研究项目(KJQN201902002)
- DOI：10.13741/j.cnki.11-1879/o4.2021.02.014
  中图分类号：
- 纸质出版：2021
- 稿件说明：
移动端阅览
黄兴, 杨瑞梅. 结合残差U-Net神经网络和DIP的PET图像降噪[J]. 光学技术, 2021,47(2):209-216.

PET image denoising based on residual U-Net neural network and DIP[J]. 2021, 47(2): 209-216.
黄兴, 杨瑞梅. 结合残差U-Net神经网络和DIP的PET图像降噪[J]. 光学技术, 2021,47(2):209-216. DOI： 10.13741/j.cnki.11-1879/o4.2021.02.014.

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.

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。

浏览量

342

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

结合残差学习和双模态CAE的图像描述方法

Φ1.3m望远镜的装调

基于多尺度并行残差网络的图像去雾算法

基于双波长自适应光源的静脉图像获取技术

基于光照强度叠加的视错觉现象分析