融合多模态信息的金属伪影抑制：一种无监督深度学习框架
计算机视觉与模式识别
2020-04-21 v1 图像与视频处理
摘要
金属伪影抑制（MAR）技术旨在从临床图像中去除金属诱发的噪声。在计算机断层扫描（CT）中，有监督深度学习方法已被证明有效，但因主要依赖合成数据而泛化性有限。而在磁共振成像（MRI）中，尚未引入校正磁敏感伪影的方法，该伪影即便在 MAR 专用采集中也存在。本工作中，我们假设多模态 MAR 方法可同时改善 CT 与 MRI。鉴于二者伪影表现不同，其互补信息可补偿任一模态中的 corrupted 信号。因此我们提出一种用于多模态 MAR 的无监督深度学习方法。我们引入局部归一化互相关（Locally Normalised Cross Correlation）作为损失项以鼓励多模态信息融合。实验表明，我们的方法有利于 CT 中更平滑的校正，同时促进 MRI 中的信号恢复。
引用
@article{arxiv.2004.09321,
title = {Combining multimodal information for Metal Artefact Reduction: An unsupervised deep learning framework},
author = {Marta B. M. Ranzini and Irme Groothuis and Kerstin Kläser and M. Jorge Cardoso and Johann Henckel and Sébastien Ourselin and Alister Hart and Marc Modat},
journal= {arXiv preprint arXiv:2004.09321},
year = {2020}
}
备注
Accepted at IEEE International Symposium on Biomedical Imaging (ISBI) 2020