DAN-Net：用于 CT 金属伪影抑制的双域自适应缩放非局部网络
医学物理
2021-08-11 v1 计算机视觉与模式识别
摘要
金属植入物在 computed tomography (CT) 扫描中会强烈衰减 X 射线，导致重建图像中出现严重伪影，显著损害图像质量并对后续诊断与治疗规划产生负面影响。随着深度学习在医学影像领域的快速发展，已有若干网络模型被提出用于 CT 金属伪影抑制（MAR）。尽管这些方法取得了令人鼓舞的结果，性能仍有较大提升空间。本文提出一种新颖的双域自适应缩放非局部网络（DAN-Net）用于 MAR。我们首先利用自适应缩放校正受损正弦图，以保留更多组织与骨骼细节作为信息更丰富的输入。随后，采用端到端双域网络依次处理正弦图及由解析重建层生成的对应重建图像。此外，为更好抑制现有伪影并约束正弦图域网络不准确结果引发的潜在二次伪影，所提网络模型中引入了新颖的残差正弦图学习策略与非局部模块。实验中，所提 DAN-Net 在定性与定量方面均展现出与多种最先进 MAR 方法相竞争的性能。
引用
@article{arxiv.2102.08003,
title = {DAN-Net: Dual-Domain Adaptive-Scaling Non-local Network for CT Metal Artifact Reduction},
author = {Tao Wang and Wenjun Xia and Yongqiang Huang and Huaiqiang Sun and Yan Liu and Hu Chen and Jiliu Zhou and Yi Zhang},
journal= {arXiv preprint arXiv:2102.08003},
year = {2021}
}
备注
29 pages, 11 figures