采用EM算法通过求解后验概率的条件期望最大的方法达到图像复原目的，同时在算法中实现了图像模型参数的设计。

基于深度学习的低剂量CT去噪后处理算法研究.doc

低剂量CT投影恢复及不完备数据重建算法研究.pdf.doc.doc

低剂量CT（LDCT）扫描是减少人群中X射线辐射的一种潜在方法。 有必要提高低剂量CT图像的质量。 在本文中，我们提出了一种有效的算法，用于利用剪切波变换去除LDCT图像中的量子噪声。 因为可以通过泊松过程来模拟量子噪声，所以我们首先使用安斯科姆方差稳定变换（VST）对量子噪声进行变换，从而产生具有单位方差的近似高斯噪声。 其次，通过在小波域中的自适应硬阈值处理获得无噪声的小波系数。 第三，我们使用逆剪切波变换来重建去噪图像。 最后，将anscombe逆变换应用于降噪后的图像，从而可以产生改进的图像。 主要贡献是将anscombe VST与Slicelet变换相结合。 通过这种方式，可以有效地将边缘系数和噪声系数与高频子带分离。 使用所提出的方法对一些LDCT图像进行了许多实验。 定量和视觉结果均表明，该方法可以有效地减少量子噪声，同时增强细微的细节。 在临床应用中具有一定的价值。

低剂量CT去噪 低剂量CT去噪的代码和文件 基于模型的方法 通过局部一致的非局部方式有效地进行低剂量CT降噪（LC-NLM）（MICCAI 2016） 高斯混合MRF用于基于模型的迭代重建及其在低剂量X射线CT中的应用 区分学习的方法 卷积神经网络的低剂量CT去噪（ISBI 2016） （SAGAN）使用条件生成对抗网络的敏锐度低剂量CT去噪 神经网络卷积（NNC）用于将超低剂量图像转换为“虚拟”高剂量CT图像（MLMI 2017） （KAIST-Net）使用方向小波进行低剂量X射线CT重建的深层卷积神经网络 （RED-CNN）小剂量CT，带残差编码器-解码器卷积神经网络（TMI 2017） （KSAERecon）通过神经网络训练的先验者进行的低剂量迭代CT重建（TMI 2017） PWLS-ULTRA：一种有效的基于聚类和学习的低剂量3D CT图像重建方法（TMI

ct Matlab代码LD-CT模拟 低剂量CT模拟器可从高剂量1产生低剂量CT图像 To run the matlab code, you should install the [MIRT](http://web.eecs.umich.edu/~fessler/code/index.html) first. 参考文献：曾丹，黄洁，B，牛，牛，张，张，冯，梁，梁，马建中，2015。简单的低剂量x高剂量扫描的X射线CT模拟。 IEEE核科学交易，62（5），第2226-2233页。

人工智能肺小结节检测系统在低剂量CT肺筛查中的价值.pdf

为了改善低剂量计算机断层扫描(CT)图像的视觉质量, 提出一种基于卷积神经网络的图像去噪方法。网络引入批量归一化, 并且学习的是低剂量CT图像到其噪声图像之间的映射; 使用空洞卷积在不提高复杂度的情况下增大感受野; 此外, 还将前后层的特征图进行连接, 使后方的卷积层能够利用前方各层的特征图作为输入, 鼓励网络中特征图的重用。实验结果表明, 与目前较先进的方法相比, 所提网络结构在实现了更好去噪效果的同时大幅度降低了网络复杂度, 能够快速、显著地改善低剂量CT图像的视觉质量。

针对低剂量医学CT图像噪声大且配对数据集难以获得的问题,提出一种基于改进型循环一致性生成对抗网络的低剂量CT去噪算法。该算法使用循环一致性生成对抗网络,由未配对的数据集实现了从低剂量CT图像到标准剂量CT图像的端到端映射;同时将密集型残差学习网络模型引入到该网络生成器中,利用残差网络的特征复用性来恢复图像细节,使生成器输出图像更接近目标图像。实验研究表明,本文算法提升了去噪效果,并准确地恢复了图像细节及边缘结构,修复后的图像质量显著提升,有助于病灶的检测与分析。