用于低剂量CT重建的BCD-Net：加速、收敛与泛化
图像与视频处理
2019-08-06 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
从低剂量计算机断层扫描（CT）获得准确可靠的图像具有挑战性。从训练数据中学得的回归卷积神经网络（CNN）模型在低剂量CT重建中日益受到关注。本文修改了迭代回归CNN——BCD-Net的架构，以实现快速、稳定且准确的低剂量CT重建，并给出了改进后BCD-Net的收敛性质。使用体模数据的数值结果表明：对BCD-Net的基于模型的影像重建（MBIR）模块应用更快的数值求解器可得到更快且更精确的BCD-Net；与采用学习变换的最先进MBIR方法相比，BCD-Net显著提高了重建精度；与最先进的迭代NN架构ADMM-Net相比，BCD-Net获得了更好的图像质量。使用临床数据的数值结果表明，BCD-Net比缺乏MBIR模块的最先进深度（非迭代）回归NN——FBPConvNet泛化能力显著更好。
引用
@article{arxiv.1908.01287,
title = {BCD-Net for Low-dose CT Reconstruction: Acceleration, Convergence, and Generalization},
author = {Il Yong Chun and Xuehang Zheng and Yong Long and Jeffrey A. Fessler},
journal= {arXiv preprint arXiv:1908.01287},
year = {2019}
}
备注
Accepted to MICCAI 2019, and the authors indicated by asterisks (*) equally contributed to this work