【免费下载】 Low-Dose-CT-denoising: 低剂量CT去噪的代码和文件

简介

本仓库包含了多种低剂量CT去噪的代码和文件，旨在为研究者提供一个全面、实用的资源，帮助大家在低剂量CT图像去噪领域进行更深入的研究。以下是本仓库涵盖的主要方法：

1. LC-NLM：基于模型的方法，通过局部一致的非局部方式进行低剂量CT降噪（MICCAI 2016）。
2. 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。
3. 卷积神经网络：基于卷积神经网络的低剂量CT去噪（ISBI 2016）。
4. SAGAN：使用条件生成对抗网络的敏锐度低剂量CT去噪。
5. NNC：神经网络卷积，用于将超低剂量图像转换为“虚拟”高剂量CT图像（MLMI 2017）。
6. 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。
7. RED-CNN：小剂量CT，带残差编码器-解码器卷积神经网络（TMI 2017）。
8. 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）。
9. 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）。

使用说明

1. 请确保您的计算环境满足以下要求：

   • Python 3.x
   • TensorFlow 或 PyTorch -及相关依赖库

2. 根据具体方法，进入相应目录，按照以下步骤进行操作：

   • 克隆或下载本仓库。
   • 进入目标方法目录。
   • 根据提供的README文件或代码注释，安装必要的依赖库。
   • 运行代码，进行训练或测试。

版权说明

本仓库所提供的代码和文件仅供参考和学习之用，未经授权不得用于商业用途。如需引用，请标注原作者及文章出处。如有疑问，请遵循相关法律法规。

希望这个资源能够对您的研究有所帮助！