用于无真值图像重建的形变补偿学习
图像与视频处理
2021-12-21 v2 计算机视觉与模式识别
摘要
用于医学图像重建的深度神经网络传统上以高质量真值图像作为训练目标进行训练。近期关于 Noise2Noise（N2N）的研究显示了使用同一物体的多个噪声测量值作为真值替代方案的潜力。然而，现有的基于 N2N 的方法不适用于从经历非刚性形变的物体测量中学习。本文通过提出形变补偿学习（DeCoLearn）方法来解决该问题，该方法通过补偿物体形变来训练深度重建网络。DeCoLearn 的一个关键组件是深度配准模块，它与深度重建网络在没有任何真值监督的情况下联合训练。我们在模拟和实验采集的磁共振成像（MRI）数据上验证了 DeCoLearn，结果表明其显著提升了成像质量。
引用
@article{arxiv.2107.05533,
title = {Deformation-Compensated Learning for Image Reconstruction without Ground Truth},
author = {Weijie Gan and Yu Sun and Cihat Eldeniz and Jiaming Liu and Hongyu An and Ulugbek S. Kamilov},
journal= {arXiv preprint arXiv:2107.05533},
year = {2021}
}