医学信息学解锁24（2021）100573计算机断层扫描图像中金属伪影的减少改进的生成对抗神经网络Goli Khaleghia，Mohammad Hosntalab a，*，Mahdi Sadeghib，Reza Reiazi b，c，Seied Rabi Mahdaviba伊斯兰 阿扎德大学医学放射工程系科学研究处，P.O. Box：14515-775，Tehran，Iranb伊朗医科大学医学院医学物理系，P.O. Box：14155-6183，Tehran，Iran加拿大安大略省多伦多市学院街101号玛格丽特公主癌症中心A R T I C L EI N FO关键词：金属伪影GAN神经网络去噪A B S T R A C T目的：金属伪影是计算机断层扫描（CT）图像中遇到的主要问题之一，因为它们可能使区分健康和肿瘤器官以及通过放射治疗计算剂量分布变得非常困难。因此，设计生成对抗神经网络（GAN）将有助于减少金属伪影。方法：在MATLAB中模拟训练和验证有和无金属伪影的图像。然后，这些图像被用作GAN的输入数据，而30例头颈癌患者的CT图像被用作GAN的测试数据。最后，去噪图像的质量指标进行了比较与噪声图像。结果：单颗种植体患者的影像学检查显示口腔区域改善较多（16.81%），这对制定治疗计划具有重要意义。模拟图像用于验证GAN减少金属伪影的能力。此外，GAN还受到CT图像中金属伪影的密度和位置的影响。结论：校正后的图像使我们能够提高金属伪影患者的CT图像质量1. 介绍多色X射线束的非线性吸收通常用于X射线计算机断层扫描（CT），导致射束硬化和X射线光子的选择性吸收[1]。强衰减物体（包括金属植入物）的存在使得射束硬化和散射足够强，使得感测植入物的探测器发生严重的光子饥饿，这导致对数处理投影数据的损坏和不一致[2，3]。因此，数据不一致性在图像重建中表现为明暗条纹伪影，这可能会模糊植入物附近组织中的关键诊断信息[4此外，非线性部分体积效应和噪声可能会增加数据的损坏，从而产生伪影。随着时间的推移，CT扫描在临床实践中变得普遍，而对具有金属植入物的患者的更高质量成像的需求增加。这些问题促使人们不断尝试推进金属伪影减少（MAR）算法，以处理缺失和损坏的投影，从而对金属伪影进行分割[7]。例如，牙槽骨CT图像通常因条纹伪影的出现而用于诊断目的然而，在一项研究中，使用改进的迭代恢复方法减轻了颌面部和牙科X射线CT图像上出现的条纹伪影。此外，迭代校正的修改方法，即，最大似然-期望最大化（ML-EM）重建算法被应用于处理12个相邻图像。迭代修复的每个步骤重复50次。条纹伪影最初出现在处理后的图像上，其中一些随着迭代的进行而消失或至少被抑制。因此，改进的ML-EM方法是有效的，缩略语：计算机断层扫描（CT）;金属伪影减少（MAR）;生成对抗神经网络（GAN）;对比噪声比（CNR）;峰值信噪比（PSNR）;归一化均方根误差（NRMSE）;感兴趣区域（ROI）;标准差（Std）。* 通讯作者。电子邮件地址：goli. khaleghi gmail.com（G.Khaleghi），mhosntalab@yahoo.com（M.Hosntalab），sadeghi@iums.com（M.Sadeghi），reza.uhnresearch.ca，reza. uhn.ca（R. Reiazi），srmahdavi@hotmail.ac.ir（S.R.Mahdavi）。https://doi.org/10.1016/j.imu.2021.100573接收日期：2021年1月26日;接收日期：2021年4月4日;接受日期：2021年4月5日2021年4月20日网上发售2352-9148/© 2021作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuG. Khaleghi等人医学信息学解锁24（2021）1005732××减少牙槽X线CT图像中出现的条纹伪影[8]。此外，GAN近年来已成为计算机视觉研究的新途径。GAN是具有生成能力和众多应用的对抗网络[9]。 作者在一项研究中提供了一种使用深度卷积神经网络（DCNN）和GAN进行肺结节分类的方法。考虑到评估，与其他报告相比，特异性增加，而灵敏度没有任何降低[10]。在另一项研究中，提出了一种去噪GAN模型，以减少光学相干断层扫描（OCT）图像去噪生成器引导图像处理器识别地面实况和噪声图像之间的映射，这可以减轻背景和视网膜斑点噪声，并保留细节和边缘以提高图像质量[11]。创建卷积神经网络（CNN）来消除MAR过程中的伪影。该策略融合了来自初始图像和校正图像的数据，以及包括预校正、金属插入和无金属CT图像的数据库。此外，图像的补丁用于CNN训练[12]。2017年，研究人员将CNN与最先进的归一化NMAR算法相结合，以减少基本图片区域中的金属条纹。他们的研究结果表明，深度学习可能是一种有前途的新工具，解决CT重建难题。此外，它可以使更多用于放射治疗计划的精确肿瘤体积估计[13]。在MATLAB R2019a（Math Works，MA，USA）中模拟了具有和不具有金属伪影的训练和验证图像。这些图像被用作GAN的输入数据的发生器，而30例头颈癌患者的CT图像被用作GAN的测试数据。将去噪图像的图像质量度量与噪声图像的图像质量度量进行比较。模拟图像用于验证GAN减少金属伪影的能力。在这项研究中，GAN被用作一种新的方法来评估图像中金属伪影的位置、数量和密度的重要性和影响。在ImageJ软件中比较患者的噪声和去噪图像在图像质量指标方面的差异。使用GAN对MATLAB生成的模拟图像进行去噪，表明MAR中金属密度的影响。由于计算机中运行GAN代码的GPU限制，使用较少的模拟图像和患者图像输入数据是当前研究的主要限制。2. 材料和方法提高头颈部癌症患者CT图像质量的目的之一是消除这些图像上的金属伪影。GAN处理这个去噪过程，以比较图像质量指标。在本节中，说明了模拟过程和对模拟图像和患者图像的网络编码过程2.1. 模拟图像生成模拟的头部和颈部图像用于训练和验证GAN。使用具有SIX行和SIX列的矩阵在MATLAB中执行作为网络的输入数据（体模图像）的训练和验证图像的模拟。体模图像中的行数和列数被视为正整数。SIX数值度量显示了模拟图像的椭圆参数。对于输出图像中的每个pixel，pixel的值等于其中涉及pixel的整个椭圆的加性强度的值的总和。如果一个给定的PIXel不包括在椭圆中，则考虑零值[14]。在口腔区域的这些图像中模拟金属碎片，作为具有高密度的硬质材料，以评估和验证用于MAR的GAN的性能，并改善具有硬条纹的图像。为此，2000张健康图像（无噪声）和2000张噪声图像作为网络的训练数据400张健康图像和400张噪声图像，作为网络，200个健康和200个噪声图像，作为测试数据，在具有一到三个高Z（原子序数）金属芯片的随机位置中，模拟具有和不具有金属伪影的网络。金属伪影的一些随机位置如图1所示。GAN被认为是神经网络模型的重要类型，其中两个网络的训练同时发生，其中一个集中在生成图像上，另一个集中在区分上，这导致了一种用于学习深度表示的方法，而不需要广泛注释的训练数据。学术界和工业界都关注过拟合的鲁棒性和捕获数据分布的能力，这使得图像生成的任务更加简单。虽然必须满足几个要求，包括训练稳定性，生成的图像质量和多样性，但自2014年以来，随着其被采用到医学成像领域，已经取得了相当大的进展。这是一种学习深度表示而不需要大量训练数据的方法。此外，GAN的PiX2PiX框架被提出来通过直接用图像调节生成器来处理图像到图像的转换[15，16]。在这项研究中介绍了一个架构，使用这个框架。为了减少模拟头颈部CT图像中由金属碎片引起的金属伪影，GAN去噪代码是用Python 3.7（一个快速亲（一种允许更有效的系统集成的编程语言）[17 ]第10段。所有输入数据（训练和验证）通过导入Numpy，Keras，Glob，Matplotlib进行传输。Pyplot、Skimage和Ten- sorflow库到Google Colaboratory（Colab）Notebook中。这个笔记本可以在浏览器中编写和执行Python代码，无需配置，可以免费访问Google的GPU，并且可以轻松共享 [18]。本研究中应用的GAN架构如图2所示。在本架构中，除了以前的库之外，还导入了计算机视觉（CV）库。该库在GAN架构中用于将BGR（蓝-绿-红）图像转换为RGB（红-绿-蓝）图像。噪声和健康的图像作为输入给生成器，并且该生成器尝试在每个时期重建被认为是健康数据的图像。这个网络中的epoch数是200。生成器网络包含UNet，而卷积神经网络包含卷积神经网络（CNN）。UNet架构是对称的，包括两个主要部分。第一部分是包含一般卷积过程的收缩路径，而第二部分是包含转置的2D卷积层的扩展路径。第一部分有五个层，涉及64个过滤器，批量归一化，卷积2D，丢弃，Relu激活和相同的填充。在第二部分中，也有五个层，而卷积2D转置被用于连接具有与第一部分中相同信息的层。损失函数是二进制交叉熵，从Keras库导入。CNN计算清晰潜像和噪声图像之间这网络由20层组成，其中包括批量归一化，卷积，回归输出层使用1 1步， Relu激活。所有矩形图像的分辨率为256 256。 在健康、噪声和去噪图像之间比较图像质量指标。该模拟验证了GAN在下一阶段减少患者CT 图像的金属伪影的能力。2.2. 患者的评价首先，在syngo CT VC 40（Siemens，Shanghai Medical EquipmentLtd.）取自头颈部癌症患者。然后，通过RadiAnt DICOM查看器版本5.0.1对来自口腔区域的具有和不具有伪影的切片进行分割。 在MATLABR2019a（Math Works，MA，USA）[19]中上传图像的一个切片，并对牙齿区域进行分割。在下一步中，将一个和两个金属植入物放置在图像分割部分的随机位置。上传了图像矩阵X，并应用G. Khaleghi等人医学信息学解锁24（2021）1005733-+号Fig. 1. 训练和验证图像，其中随机位置的一到三种金属作为GAN输入。健康图像在第一行，噪声图像在第二行。图二. GAN架构。基于MATLAB中的Radon函数，构建了6000幅正常牙齿图像和6000幅噪声图像用于训练阶段，同时构建了1000幅健康图像头部和颈部图像上金属伪影的平均密度是MATLAB中牙齿图像的1.3倍，低于上一节[20]模拟图像中在GAN中，所有图像都应该具有相似的灰度级和像素。使用Python 3.7中的Histogram Equalization代码，将所有图像的灰度级从128更改为128。应该注意的是，最终采用了30个患者的CT图像来测试网络。最后，图像质量指标之间的噪声和去噪图像进行了比较。2.3. 图像增广应用Keras图像数据生成器类在模拟图像和患者CT图像的图像分类中非常有益，可以为GAN训练和验证数据 这种方法有助于在机器内存不足或输入数据不足时加载和生成数据集。图像增强技术用于对原始图像应用不同的变换，这导致图像的不同变换副本。因此，任何一个复制品在特定的方面都是不同的，这是由于增加的技术 基于原始图像上的旋转，移位，宽度，高度，翻转，缩放，亮度和重新缩放的差异不会改变目标类;它只会导致捕获对象的新视角。因此，该技术被应用于构建深度学习模型。这些图像增强技术增加了数据集的大小，并结合了数据集中的变化水平，从而可以更好地将模型推广到看不见的数据。此外，当在新的轻微变化的图像上训练时，模型的鲁棒性增加[21]。该过程在MATLAB的仿真部分中执行，以生成图像并为网络提供更多的输入数据2.4. 图像质量度量用于比较患者噪声和去噪图像与模拟图像的图像质量指标包括对比噪声比（CNR）、信号峰噪比（PSNR）和归一化均方根误差（NRMSE）[22]。为了比较图像之间的这些指标，将健康图像与去噪图像进行对比，以查看网络对模拟图像进行去噪的能力。图像. 此外，通过ImageJ（版本1.52a）选择具有相同X轴、Y轴和面积（306mm2）的三个图像的ROI进行比较模拟图像。ImageJ是一个针对多维科学图像的图像处理程序。该程序高度扩展了数千个脚本和插件来执行各种任务，拥有庞大的用户社区[23]。另一方面，将患者的噪声和去噪图像的图像质量指标与确认网络使用本软件，平均值、最小值、最大值和测量模拟和患者CT图像的图像标准差（std）计算图像质量指标的公式如下[22]：CNR=（最大-最小）标准峰值信噪比=10 log（最大2标准峰值）NRMSE=（max2+ min2）CNR使用从ImageJ软件获得的噪声、健康和去噪图像的最大值、最小值和标准值计算这些度量。3. 结果金属伪影是CT图像中的主要问题之一。人体内的多种金属植入物，如牙齿填充物和牙齿G. Khaleghi等人医学信息学解锁24（2021）1005734植入物在头颈部癌症中可能导致区分健康器官和肿瘤器官以及计算放射治疗的剂量分布的困难。GAN有助于减少金属伪影，这是当前研究的目标生成器和训练器用于训练GAN结构。生成式网络不断使图像更接近真实图像，而仿射器则识别真实图像与伪图像之间的差异，然后对其进行修改或缩减。包括GAN在内的深度神经网络在从大型数据集中提取大量特征的能力方面非常有效，从而在图像处理和分析方面取得了令人难以置信的成功。在模拟图像上选择具有相同X轴、Y轴和面积的三个ROI，以比较噪声、健康和去噪图像之间的CNR、PSNR和NRMSE。图3描绘了具有所选择的ROI的模拟CT图像的去噪图像，以估计图像质量度量。计算的质量指数如表1所示。表1中的统计数据表明，去噪图像中的CNR和NRMSE参数的值较低，并且它们的指数接近健康图像的指数，即，用一个金属芯片验证网络的图像性能。此外，PSNR参数，它揭示了图像的信噪比方面的改善，变得更高后，用一个和两个金属芯片的图像去噪。此外，CNR度量在具有两个金属碎片的口腔图像中变得更高，这是由于这些图像中的金属伪影的高密度。与噪声比参数相比，这是较高的;然而，这不是网络的问题。NRMSE度量表明，在两个金属芯片的图像中，去噪后有一个改善。表1中列出的所有这些可接受的统计数据验证了网络，鼓励我们使用GAN对头颈部癌症患者的CT图像进行金属伪影减少。然后，选择具有相同X轴、Y轴和面积的三个ROI对患者图4描绘了具有所选ROI的患者的去噪CT图像以估计图像质量度量。本研究中的图像处理流程图如图5所示。计算的质量指数见表2。这些统计数据表明， 的 患者图像， 一个牙科植入物有更多口腔面积改善（16.81%），这对治疗计划具有高度意义。然而，在图像的颊侧和中央区域没有观察到改善，因为这些区域没有金属伪影。GAN成功地对高密度或低密度材料的金属伪影引起的强条纹附近进行去噪。改进方程如下所示。在这些等式中，1代表ROI中的噪声图像，2代表同一ROI中的去噪图像。此外，A、B和C是噪声图像和去噪图像的图像索引之间的差。根据A、B和C的平均值计算改善A=（CNR2B=（PSNR2C=（NRMSE 2每个ROI的改善=（A+ B+ C）× 34. 讨论2018年，使用最先进的基于插值的算法，即，NMAR，几位作者探索了深度网络的结构，使用残差学习来校正第一遍后的金属条纹的伪影。他们将均方误差（MSE）损失函数与感知损失函数进行了比较，以专注于保留图像的特征和纹理。使用定量和视觉指标研究存在金属植入物情况下生成图像的质量。他们的结果表明，图像域中的深度学习可能对MAR非常有效，揭示了各种损失性能的优点和缺点，以解决主要的CT重建挑战。这两种网络都大幅提高了PSNR和SSIM分数[24]。为了减少金属物体外图像关键区域的条纹伪影，将CNN与最先进的NMAR方法相结合。 该网络经过训练，使用金属损坏的CT扫描及其等效的无伪影地面实况创建端到端补丁钛合金外壳很好地映射到地面实况，图三. 在带有一个和两个金属芯片的图像上选择ROI。(a)具有一个金属碎片健康图像，（b）具有一个金属碎片的噪声图像，（c）具有一个金属碎片的去噪图像，（d）具有两个 金属碎片的健康图像，（e）具有两个金属碎片的噪声图像，（f）具有两个金属碎片的去噪图像。G. Khaleghi等人医学信息学解锁24（2021）1005735表1比较健康，嘈杂和去噪的模拟图像与一个和两个金属芯片之间的质量图像指标ROI图像是说MinMaxSTDCNRPSNRNRMSE口腔健康76.003图像75用一个金属气78PS0000嘈杂90.6186213311.7626.0363.83574.932D-噪声81.14477861.7015.29122.024.610中心健康5151510000嘈杂50.55943653.5886.1319.61425.134D-噪声52.06951530.5793.45451.34910.264左侧-颊侧健康7676760000嘈杂79.931631037.0395.6825.75550.326D-噪声80.47171812.5873.86514.07928.706图像与两个金属芯片口腔健康7676760000嘈杂90.4972516523.296.0092.11114.86D-噪声79.693731043.2939.41312.3536.149健康5151510000中心嘈杂49.474118812.0136.4093.14749.988D-噪声53.55950571.7254.057917.8717.934左侧-颊侧健康50.9849530.26814.925110.936.852嘈杂62.922610920.4055.04772.03476.536D-噪声60.10857641.3885.04323.50317.677见图4。在带有一个牙科种植体的患者CT图像上选择ROI。(a)具有一个 植入物的噪声图像，（b）具有一个植入物的去噪图像。事实上，输入涉及比不锈钢情况下严重得多的条纹。关于不锈钢外壳，虽然有些文物仍然存在，但CNN仍然恢复了大部分潜在的背景。此外，定量分析表明，CNN产生的图像质量比单独的NMAR高得多，如SSIM和PSNR所测量的[25]。对于图像质量评估和骨科金属伪影减少（OMAR）功能的剂量测定效果，以减少头颈癌患者CT扫描中的金属伪影，使用金属珠插件扫描11名患者和定制体模。在没有OMAR和有OMAR的情况下重建图像。对两种图像的病例中所需区域的CT Hounsfield单位的平均值和标准差进行了研究，结果表明使用OMAR算法提高了CT HU准确性，并降低了噪声，从而可以改善整个辐射的计划过程，特别是分割和轮廓绘制[26]。2018年提出了一种方法，该方法是基于条件性GAN开发的，用于人工耳蜗植入体（CI）接受者耳部CT图像中的MAR。在大型数据集上对这种新方法进行了检查，结果表明，与目前最先进的方法相比，该方法显著降低了术后图像中耳蜗内结构的分割误差[27]。在所有研究中，比较了商业网络，GAN架构被确认为MAR的成功和有能力的网络[9]。一些作者已经利用多帧登记的多幅经过密集测试的B扫描OCT图像来准备去噪生成器。他们比较了GAN、DCSRNet和UNet系统中的基于频率的错误（FBE）、SSIM和PSNR测量。GAN工程所获得的图像测量值分别为3.63、0.90和27.81 [11]。我们的研究结果显示，在口腔附近有一个牙种植体的患者中，GAN在口腔中的改善率为16.81%。另一方面，金属伪影的位置和密度在GAN去噪图像中很重要，这在以前的研究中没有提到。GAN成功地对高Z和低Z材料附近的图像进行了去噪，这是本研究的另一个新颖之处5. 结论在我们的研究中，模拟图像用于验证GAN减少金属伪影的能力。另一方面，模拟图像表明GAN成功地去除了高Z金属碎片附近的伪影。最高水平的改善是在患者口腔中靠近种植体的图像中观察到的通过GAN对金属伪影进行去噪将使金属伪影减少后的区域的诊断和轮廓绘制更容易，特别是在治疗计划和放疗期间的癌症患者中。此外，GAN可以对低密度和高密度材料进行降噪并减少伪影。在还原过程中，金属伪影的位置非常重要。这是一种新的方法，以前没有得到过这项研究的结果。GAN中的图像处理有助于更好地诊断和治疗头颈癌患者，特别是口腔肿瘤用于训练和验证GAN的输入量非常大，通过在MATLAB中模拟CT图像并在Python中使用Keras Image DataGenerator分类解决了这一挑战。GPU在计算机中的限制是另一个困难，这是解决了使用谷歌协作笔记本电脑。运行GAN代码所需的长时间是本研究的另一个限制此外，评估利用这种想法来修改医学图像的其余部分中的不同种类的伪影的可能性，使得在治疗中减少破坏性影响，将是有趣的。G. Khaleghi等人医学信息学解锁24（2021）1005736图五、 图像处理方法流程图。（1）指模拟图像处理，（2）指患者图像处理。表2一个种植牙患者的噪声和去噪图像之间的图像指数比较ROI图像平均值最小值最大值标准CNR PSNR NRMSE改进图像（含一个金属芯片）口腔噪音D-噪声180.899182.94815315322922318.19914.5714.1764.8043.0593.784157.441139.015百分之十六点八一中心噪音D-噪声左侧-颊部噪音D-噪声126.807128.261160.19157.5521121141101221421421991897.488.115.55915.1184.0103.4565.7204.4316.1925.7183.3963.42772.67376.14123.375121.5028.78%6.71%患有多种癌症的患者。利用GAN消除金属伪影后的治疗计划系统中的器官此外，通过GAN在SPECT图像中去除金属伪影是未来的另一个计划。到目前为止，这项研究的结果是令人鼓舞的，尽管人们认为仍有进一步突破的空间。资金这项研究没有从公共、商业或非营利部门的资助机构获得任何具体的人权和动物权利在涉及人类参与者的研究中进行的所有程序均符合机构伦理标准的伦理标准。本文不包含任何作者进行的任何动物研究。知情同意从研究中纳入的所有个体参与者获得知情同意书。竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢作者要感谢Pars和Firoozgar医院的核医学成像部门，感谢他们提供数据集和宝贵意见。还有，Iman Shokatian先生帮助我们提供数据并完成了这个项目。引用[1] HendeeWR，Ritenour ER。医学影像物理学。 John Wiley &Sons; 2003.G. Khaleghi等人医学信息学解锁24（2021）1005737[2] 谢国忠计算机断层扫描：原理。设计、人工制品和最新进展。2009年p. 71比85[3] Abdoli M，Dierckx RA，Zaidi H.混合PET/CT成像中改善衰减校正的金属伪影减少策略。医学物理2012;39（6第1部分）：3343-60。[4] 杨伟华，王伟华，王伟华. 减少金属植入物引起的CT伪影。放射学1987;164（2）：576-7。[5] 魏J，Sandison GA，Hsi WC，Ringor M，Lu X. CT金属伪影抑制算法对质子、电子和光子治疗的剂量影响。 物理医学生物学2006;51（20）：5183.[6] Ay MR，Mehranian A，Abdoli M，Gesterarian P，Zaidi H.肿瘤PET/CT研究中植入式心脏起搏器械产生的金属伪影的定性和定量评估：体模研究。Mol ImagBiol2011;13（6）：1077-87.[7] De Man B，NuytsJ， Dupont P，Marchal G，Suetens P. X射线计算机断层扫描中的金属条纹伪影：模拟研究。在：1998年IEEE核科学研讨会和医学成像会议1998;3：1860-1865。[8] 张文忠，张文忠，张文忠. 逐次迭代复原法消除牙槽骨CT图像条纹伪影IntJCARS2011;6（5）：635-40.[9] 放大图片作者：Dey R，Bhattacharjee D，Nasipuri M.基于生成对抗网络的图像去噪 。 智 能 计 算 ： 基 于 图 像 处 理 的 应 用 。 Advancesin Intelligent Systems andComputing 2020;1157：73-90.[10] [10]张文忠，张文忠.使用深度卷积神经网络和生成对抗网络进行CT图像中肺结节分类的多平面分析。IntJCARS 2020;15（1）：173-8.[11] 车那再亮、曾阿紫阳、舍那海兰、郑阿先先、戴阿佩珊、欧阳平波、甘丹-。去噪生成对抗网络用于光学相干断层扫描图像中的散斑噪声降低。55.第55章.[12] 张毅，余华.基于卷积神经网络的X射线CT金属伪影抑制。IEEE Trans MedImag2018;37：1370-81。[13] Gjesteby L，Yang Q，Xi Y，et al. Deep learning methods for CT image-domainmetal artifact reduction.在X射线断层扫描Xi 2017的发展中; 10391：103910 W。[14] JainAK. 数字图像处理基础Prentice Hall; 1989.p. 四百 三十九[15] 何坚。 圆周率X2圆周率X-角。 https://github.com/He-Jian/piX 2piX-keras; 2019.[16] Yi X，Walia E，Babyn P.医学成像中的生成对抗网络：综述。医学影像分析2019;58：101552。[17] www.Python.org网站。[18] www.colab.research.google.com网站。[19] www.mathworks.com网站。[20] Goncalves SB，Correia JH，Costa AC.使用计算机断层扫描评价牙种植体。2013年。p. 一比四 IEEE第三届葡萄牙生物工程会议。[21] 班达里·阿尼鲁达使用Keras ImageDataGenerator进行动态图像增强。分析Vidhya; 2020. https://www.analyticsvidhya的网站。com/blog/2020/08/image-augmentation-on-the-fly-using-kerasimagedatagenerator/.[22] VanderWaltS，SchoünbergerJL，Nunez-IglesiasJ，BoulogneF，WarnerJD，YagerN，Gouillart E，Yu T. scikit-image：Python中的图像处理。PeerJ2014;2：e453. https://scikit-image.org/module-skimage.measure网站。[23] www.imagej.net网站。[24] [10]杨强，Xi Y，Claus B，Jin Y，De Man B，Wang G.深度神经网络用于减少具有感知损失函数的CT金属伪影。在：第五届X射线计算机断层扫描成像国际会议论文集，第1卷; 2018年。[25] [1]杨清，Xi Y，Claus B，Jin Y，De Man B，Wang G.通过深度学习减少CT图像中的金属条纹伪影：试点结果。在：第14届放射学和核医学全三维图像重建国际会议，第14卷; 2017年。第611- 614页。 六、[26] Kwon H，Kim KS，Chun YM，Wu HG，Carlson JN，Park JM，Kim JI.头颈部癌 症 患 者 放射治疗中商业矫形金属伪影减少工具的评价。英国放射学杂志2015;88（1052）：20140536。[27] WangJ，Zhao Y，Noble JH，Dawant BM.条件生成对抗网络用于减少耳部CT图像中的金属伪影。2018.第3-11页。医学图像计算和计算机辅助干预国际会议。
我的内容管理
展开
