基于多GPU实现的2.5D深度学习CT图像重建
图像与视频处理
2018-12-21 v1
摘要
尽管已有研究表明CT扫描的基于模型的迭代重建(MBIR)比滤波反投影(FBP)具有更好的图像质量,但其应用受限于高昂的计算成本。近年来,深度卷积神经网络(CNN)在去噪和重建应用中展现出巨大潜力。在本研究中,我们提出一种快速重建算法,称之为深度学习MBIR(DL-MBIR),利用深度残差神经网络来近似MBIR。DL-MBIR方法被训练为使用在多个GPU上基于Google Tensorflow实现的16层残差卷积神经网络生成近似真实MBIR图像的重建结果。此外,我们提出DL-MBIR方法的2D、2.5D和3D变体,并表明2.5D方法达到了与全3D方法相似的质量,但计算成本更低。
引用
@article{arxiv.1812.08367,
title = {2.5D Deep Learning for CT Image Reconstruction using a Multi-GPU implementation},
author = {Amirkoushyar Ziabari and Dong Hye Ye and Somesh Srivastava and Ken D. Sauer and Jean-Baptiste Thibault and Charles A. Bouman},
journal= {arXiv preprint arXiv:1812.08367},
year = {2018}
}
备注
IEEE Asilomar conference on signals systems and computers, 2018