在方差稳定化域中恢复低剂量数字乳腺断层合成投影的卷积神经网络
图像与视频处理
2022-03-23 v1 计算机视觉与模式识别
机器学习
摘要
数字乳腺断层合成 (DBT) 检查应在保持足够好的图像质量以实现准确医学诊断的同时，使用尽可能低的辐射剂量。在这项工作中，我们提出了一种卷积神经网络 (CNN)，用于恢复低剂量 (LD) DBT 投影，以达到等同于标准全剂量 (FD) 采集的图像质量。所提出的网络架构受益于受传统基于模型 (MB) 恢复方法启发的层先验，它采用了一种基于模型的深度学习方法，其中网络被训练在方差稳定化变换 (VST) 域中运行。为了在恢复图像的噪声和模糊方面准确控制网络的工作点，我们提出了一种损失函数，该函数可最小化偏差并匹配输入与输出之间的残余噪声。训练数据集由标准 FD 下采集的临床数据与通过注入量子噪声获得的低剂量配对数据组成。使用物理拟人乳腺体模采集的真实 DBT 投影对网络进行了测试。与使用传统数据驱动方法训练的网络相比，所提出的网络在平均归一化平方误差 (MNSE)、训练时间和噪声空间相关性方面取得了更优的结果。所提出的方法可扩展至其他需要 LD 采集的医学成像应用。
引用
@article{arxiv.2203.11722,
title = {Convolutional Neural Network to Restore Low-Dose Digital Breast Tomosynthesis Projections in a Variance Stabilization Domain},
author = {Rodrigo de Barros Vimieiro and Chuang Niu and Hongming Shan and Lucas Rodrigues Borges and Ge Wang and Marcelo Andrade da Costa Vieira},
journal= {arXiv preprint arXiv:2203.11722},
year = {2022}
}
备注
12 pages, 9 figures