ASCON：用于低剂量 CT 去噪的解剖感知监督对比学习框架
图像与视频处理
2023-10-03 v1 计算机视觉与模式识别
摘要
尽管已提出多种深度学习方法用于低剂量计算机断层扫描（CT）去噪，但大多数方法利用正常剂量 CT 图像作为真值来监督去噪过程。这些方法通常忽略单张 CT 图像内的内在关联，尤其是人体组织的解剖语义，并且缺乏去噪过程的可解释性。本文提出一种新颖的解剖感知监督对比学习框架，称为 ASCON，其可在探索解剖语义用于低剂量 CT 去噪的同时提供解剖可解释性。所提出的 ASCON 包含两个新颖设计：高效的基于自注意力的 U-Net（ESAU-Net）和多尺度解剖对比网络（MAC-Net）。首先，为了更好地捕获全局-局部交互并适应高分辨率输入，通过采用通道级自注意力机制引入了高效的 ESAU-Net。其次，MAC-Net 结合了块级非对比模块以捕获内在解剖信息，以及像素级对比模块以保持内在解剖一致性。在两个公开低剂量 CT 去噪数据集上的大量实验结果表明，ASCON 优于最先进的模型。值得注意的是，我们的 ASCON 首次为低剂量 CT 去噪提供了解剖可解释性。源代码见 https://github.com/hao1635/ASCON。
引用
@article{arxiv.2307.12225,
title = {ASCON: Anatomy-aware Supervised Contrastive Learning Framework for Low-dose CT Denoising},
author = {Zhihao Chen and Qi Gao and Yi Zhang and Hongming Shan},
journal= {arXiv preprint arXiv:2307.12225},
year = {2023}
}
备注
MICCAI 2023