CG-3DSRGAN：一种用于低剂量 PET 图像质量恢复的分类引导三维生成对抗网络
图像与视频处理
2023-04-04 v1 计算机视觉与模式识别
摘要
正电子发射断层扫描（PET）是现代医疗中常规应用的最灵敏的分子成像模态。注射示踪剂剂量带来的高放射性是 PET 成像的主要顾虑并限制其临床应用。然而，降低剂量会导致诊断用图像质量不足。出于以最低低剂量生成高质量图像的需求，基于卷积神经网络（CNN）的方法已被开发用于从其低剂量对应图像合成高质量 PET。既往基于 CNN 的研究通常直接将低剂量 PET 映射至特征空间而未考虑不同剂量降低水平。本研究提出一种名为 CG-3DSRGAN（带超分辨率精炼的分类引导生成对抗网络）的新方法。具体而言，由分类头引导的多任务粗生成器可更全面理解低剂量数据中存在的噪声水平特征，从而改善图像合成。此外，为恢复标准 PET 的空间细节，提出一种辅助超分辨率网络——Contextual-Net——作为第二阶段训练以缩小粗预测与标准 PET 间的差距。我们在具有不同剂量降低因子（DRF）的全身 PET 上将本方法与最先进方法比较。实验表明本方法在所有 DRF 上均优于其他方法。
引用
@article{arxiv.2304.00725,
title = {CG-3DSRGAN: A classification guided 3D generative adversarial network for image quality recovery from low-dose PET images},
author = {Yuxin Xue and Yige Peng and Lei Bi and Dagan Feng and Jinman Kim},
journal= {arXiv preprint arXiv:2304.00725},
year = {2023}
}