mark一下阅读过的论文。

吐槽：各种方面原因吧，导致现在才开始读论文（和原计划比迟了大概45天）。但不管怎么说总算开始了。

2021-5-10：

直系学姐推荐我先读四川大学张意教授的文章并且发给我几篇。打算按照文章发表的先后顺序读，这几篇里面最早的是2016年的：

Low-dose CT denoising with convolutional neural network

2021-5-10（下午5点）：

当前：

Low-dose CT denoising with convolutional neural network 看完了。

• 写的很简单，就是将最原始的CNN（两层卷积一层全连接）应用在低剂量CT上。但是在当时属于开创性的将二者融合在一块，并且效果不错。
• 没有复现这个代码，这篇文章的数据集不是现在主流的AAPM并且原数据集有点大下载下来只跑一个简单的CNN感觉不值得。

接下来：

读 2017 年的Low-Dose CT With a Residual Encoder-Decoder Convolutional Neural Network,简称 RedCNN 模型。

2021-7-9 ：

当前：

• 摸了两个月的鱼~，接下来还得继续摸两年的鱼~。
• RedCNN 终于摸完了，花了两个月的时间来慢慢悠悠的搞这玩意，期间大概的过程是：读论文，然后看网上其他人复现的源码，复现期间通过补李沐的视频课入门了pytorch并通过各种途径（百度，qq群，知乎等）了解了dicom以及医学图像处理的整体流程，然后形成了自己的一套模板。
• 可以说通过RedCNN走了一遍整条路，第一次走所以很慢，但是毕竟还是走下来了，接下来就该大量补论文了，相对来说复现的时间成本应该会显著下降。

接下来：

读 2018 年的A Sparse-View CT Reconstruction Method Based on Combination of DenseNet and Deconvolution

2021-7-15 ：

当前：

• A Sparse-View CT Reconstruction Method Based on Combination of DenseNet and Deconvolution 看完并且复现。
• 和 red-cnn 相比，只能说网络更加复杂，但是在一些 trick 上感觉 red-cnn 更好，比如 patch-size，比如一些简单的数据增强。
• 也正好通过这篇文章学习了 DenseNet

接下来：

读 2018 年的Learned Experts’ Assessment-based Reconstruction Network (“LEARN”) for Sparse-data CT

2021-7-20 ：

当前：

• Learned Experts’ Assessment-based Reconstruction Network (“LEARN”) for Sparse-data CT 粗读
• 现在CT重建方向要发好文章，需要从CT的投影数据开始入手，而不能再靠基本的 LDCT -> NDCT（单域），而是 Project Data -> LDCT -> NDCT（双域）。
• 关于 Project Data -> LDCT 这部分，首先CT机的工作流程大概清楚了，也了解了 ProjectData 怎么来的，以及需要通过一些方法（如FBP）来得到 LDCT，但是具体的代码实现还没完成。
• 论文进度有点慢了，跳过了剩下的18年的文章和19年的文章，直接看20年的吧。

接下来：

读 2020 年的MAGIC: Manifold and Graph Integrative Convolutional Network for Low-Dose CT Reconstruction