基于从二维训练网络迁移学习的低剂量 CT 三维卷积编解码网络
计算机视觉与模式识别
2019-07-16 v2
摘要
低剂量计算机断层扫描（CT）因 CT 相关的 X 射线辐射给患者带来健康风险，已在医学影像领域引起重大关注。然而，降低 CT 辐射剂量会损害信噪比，并可能影响图像质量与诊断性能。近来，基于深度学习的算法在低剂量 CT 去噪中取得可喜结果，尤其是卷积神经网络（CNN）与生成对抗网络（GAN）。本文在 GAN 框架下引入二维与三维配置的基于收缩路径的卷积编解码（CPCE）网络用于低剂量 CT 去噪。我们方法的一个新颖之处在于，初始三维 CPCE 去噪模型可通过扩展已训练的二维 CNN 直接获得，然后微调以融入来自相邻切片的的三维空间信息。基于从二维到三维的迁移学习，三维网络比从头训练收敛更快且去噪性能更优。通过在模拟 Mayo 数据集与真实 MGH 数据集上与近期发表的方法比较，我们证明三维 CPCE 去噪模型性能更优，可抑制图像噪声并保留细微结构。
引用
@article{arxiv.1802.05656,
title = {3D Convolutional Encoder-Decoder Network for Low-Dose CT via Transfer Learning from a 2D Trained Network},
author = {Hongming Shan and Yi Zhang and Qingsong Yang and Uwe Kruger and Mannudeep K. Kalra and Ling Sun and Wenxiang Cong and Ge Wang},
journal= {arXiv preprint arXiv:1802.05656},
year = {2019}
}
备注
To be published in the IEEE TMI