一种用于光声重建的联合特征融合框架
计算机视觉与模式识别
2021-05-26 v3 人工智能
摘要
光声(PA)计算机断层扫描(PACT)从原始PA信号中重建初始压力分布。医学图像的标准重建可能因干扰或病态设置而产生伪影。近年来，深度学习已被用于在不完善条件下重建PA图像。大多数工作从图像域去除伪影，并从数据集中补偿有限视角。在本文中，我们提出一种基于深度学习的联合特征融合框架(JEFF-Net)，利用有限视角数据重建PA图像。来自有限视角位置级数据和重建图像的跨域特征通过回溯监督进行融合。具体而言，我们的结果能生成优越的性能，其输出中的伪影相比真值(全视角重建结果)大幅减少。在本文中，将四分之一位置级数据(32通道)输入模型，模型输出另外四分之三视角数据(96通道)。此外，设计了两种新颖的损失函数，通过充分处理叠加数据来抑制伪影。数值和活体结果表明，我们方法在重建无伪影全视角图像方面具有优越性能。最后，定量评估显示我们提出的方法在某些指标上优于真值。
引用
@article{arxiv.2012.02472,
title = {A Jointed Feature Fusion Framework for Photoacoustic Reconstruction},
author = {Hengrong Lan and Changchun Yang and Fei Gao},
journal= {arXiv preprint arXiv:2012.02472},
year = {2021}
}
备注
under the peer-review procedure