基于零样本学习的 CT 超分辨率
图像与视频处理
2020-12-17 v1 医学物理
摘要
计算机断层扫描（CT）是一种用于许多重要应用中的先进成像技术。本文提出一种基于深度学习（DL）的 CT 超分辨率（SR）方法，可将低分辨率（LR）正弦图重建为高分辨率（HR）CT 图像。该方法将正弦图域中的 SR 模型、图像域中的去模糊模型以及迭代框架协同结合为一个 CT SR 算法——基于超分辨率与去模糊的迭代重建（SADIR）。我们将 CT 领域知识融入 SADIR 并将其展开为一个 DL 网络（SADIR Net）。SADIR Net 是一个零样本学习（ZSL）网络，可在测试时以单个正弦图进行训练与测试。SADIR 通过对 Catphan700 物理体模和生物火腿的 SR CT 成像进行评估，并将其性能与其他最先进（SotA）的基于 DL 的方法进行比较。结果表明，零样本 SADIR-Net 确实能提供与其他 SotA 方法相当的 CT SR 重建性能，尤其在训练数据有限的情况下。SADIR 方法可用于在硬件极限之外提升 CT 分辨率或降低对 CT 硬件的要求。
引用
@article{arxiv.2012.08943,
title = {CT Super Resolution via Zero Shot Learning},
author = {Zhicheng Zhang and Shaode Yu and Wenjian Qin and Xiaokun Liang and Yaoqin Xie and Guohua Cao},
journal= {arXiv preprint arXiv:2012.08943},
year = {2020}
}