球面卷积神经网络在核医学图像重建与去噪中的应用
图像与视频处理
2025-02-03 v3 机器学习
医学物理
摘要
本工作研究使用等变神经网络作为核医学中图像重建与去噪的高效高性能框架。我们的工作旨在解决常规卷积神经网络（CNN）需要大量训练的局限。我们研究了等变网络，旨在减少 CNN 对特定训练集的依赖。具体而言，我们实现并评估了等变球面 CNN（SCNN）用于二维和三维医学成像问题。我们的结果表明，SCNN 在图像重建与去噪基准问题中均具有更优的质量与计算效率。此外，我们提出一种新方法，将 SCNN 作为常规图像重建工具的补充，在减少对训练集依赖的同时改善结果。在所有案例中，我们观察到通过利用等变表示的内在包含，在计算成本上显著降低，同时与使用 CNN 相比，SCNN 实现了同等或更高的图像处理质量。另外，我们探索了 SCNN 在更广层析成像应用中的潜力，特别是那些需要旋转变表示的应用。
引用
@article{arxiv.2307.03298,
title = {Application of Spherical Convolutional Neural Networks to Image Reconstruction and Denoising in Nuclear Medicine},
author = {Amirreza Hashemi and Yuemeng Feng and Arman Rahmim and Hamid Sabet},
journal= {arXiv preprint arXiv:2307.03298},
year = {2025}
}