密集空洞 UNet:用于三维光声断层成像重建的深度学习
图像与视频处理
2021-04-08 v1 计算机视觉与模式识别
机器学习
摘要
在光声断层成像(PAT)中,由光学激发产生的声压波由探测器阵列测量并用于重建图像。稀疏空间采样与有限视角探测是 PAT 中面临的两种常见挑战。使用标准方法从不完整数据重建会导致严重的条纹伪影与模糊。我们提出了一种称为密集空洞 UNet(DD-UNet)的改进卷积神经网络(CNN)架构,用于校正三维 PAT 中的伪影。DD-Net 利用密集连接与空洞卷积的优势来提升 CNN 性能。我们将所提 CNN 以多尺度结构相似性指数度量的图像质量与全密集 UNet(FD-UNet)进行比较。结果表明,DD-Net 始终优于 FD-UNet,且能更可靠地重建较小的图像特征。
引用
@article{arxiv.2104.03130,
title = {Dense Dilated UNet: Deep Learning for 3D Photoacoustic Tomography Image Reconstruction},
author = {Steven Guan and Ko-Tsung Hsu and Matthias Eyassu and Parag V. Chitnis},
journal= {arXiv preprint arXiv:2104.03130},
year = {2021}
}