用于无监督金属伪影抑制的伪影解耦网络
图像与视频处理
2019-12-02 v5 计算机视觉与模式识别
摘要
当前基于深度神经网络的计算机断层扫描（CT）金属伪影抑制（MAR）方法为监督方法，严重依赖合成数据进行训练。然而，由于合成数据可能无法完美模拟 CT 成像的底层物理机制，这些监督方法常对临床应用泛化不佳。为解决此问题，据我们所知，我们提出了首个无监督 MAR 学习方法。具体而言，我们引入一种新颖的伪影解耦网络，可在受伪影影响与无伪影图像域之间实现不同形式的生成与正则化，以支持无监督学习。大量实验表明，我们的方法显著优于现有的图像到图像翻译问题的无监督模型，并在合成数据集上取得与现有监督模型相当的性能。应用于临床数据集时，我们的方法相较监督模型取得可观改进。本文源代码公开于 https://github.com/liaohaofu/adn。
引用
@article{arxiv.1906.01806,
title = {Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction},
author = {Haofu Liao and Wei-An Lin and Jianbo Yuan and S. Kevin Zhou and Jiebo Luo},
journal= {arXiv preprint arXiv:1906.01806},
year = {2019}
}
备注
This work is accepted to MICCAI 2019. An extended version can be found at arXiv:1908.01104