论文题目：非配对无监督CT金属伪影还原

项目地址：GitHub - ChenBoYam/Metal-Artifact-Reduction: Eliminate metal artifacts from CT images Semi-supervised learning

重点应该就是怎么实现无监督吧

先看论文，再看代码

摘要：

• 金属植入物在CT图像中引起的伪影（如暗线和亮线）会降低诊断质量。
• 本文提出了一种无监督学习方法，可以在不破坏原始CT图像中其他组织细节的情况下提取金属伪影。

第一章 引言：

• 提到深度学习在图像处理和模式识别领域取得了巨大进展，特别是卷积神经网络（CNN）在医学成像中的应用。
• 指出无监督学习适合于没有明确目标输出或环境评估的任务，因为它更适合于在没有真值标签的情况下收集数据。
• 论文还提到了无配对学习在医学问题设置中的实用性和价值。

第二章 相关工作：

略

第三章 提出的方法：

直接看图

 

对于未配对的CT图像，基于u - net的条件生成对抗网络(cGAN)将带有干净图像(无伪像)的随机噪声作为条件输入到生成器(图中G)，生成器(图中G)给出与干净图像合并的伪伪像作为输出，即噪声图像。然后，鉴别器(图中的D)将生成的噪声图像与实际噪声图像(带有伪影)区分开来。最后，基于u - net的去噪网络(图中的去噪器)从噪声图像中去除这些伪伪，类似于现有的基于配对图像的去噪方法。

ps：看上去就是多了一步用网络模拟伪影 

• 论文提出了一种基于生成对抗网络（GAN）的伪影学习网络，包括生成器G和判别器D。
• 生成器G被训练为生成接近真实数据的样本，而判别器D则被训练为区分样本是生成的还是来自真实数据。

生成器：

        嗯，一个unet，参数见图内，每个单元2个3*3Conv 一个RelU，一个2*2maxpool，上采样依次递推，最后是一个1*1卷积

鉴别器：

        

 类似于DCGAN，patch取64，卷积核3

整体去伪影模块：

        同上GAN，目标函数如下

第四章 实验：

• 论文在真实医学CT图像上评估了网络的性能，并与几种代表性方法进行了比较。
• 实验分为几个部分，包括在真实照片上的评估和去除伪影的能力评估。
• 论文还提供了训练和测试数据的详细信息，包括数据集的大小和组成。

第五章 结论：

        整体来说，简单易懂，我去看看代码咋样