X射线CT中用于深度学习的新型损失函数设计
图像与视频处理
2023-09-27 v1
摘要
深度学习(DL)在各种成像应用中展现出优于传统信号处理技术的潜力。网络从数据样本中训练而非显式设计,使它们能够学习信号与噪声特性,从而最有效地构建从受损数据到更高质量表示的映射。在逆问题中,可选择在原始采集数据域、期望最终表示的变换域或两者中应用DL。X射线计算机断层扫描(CT)作为医学诊断中最有价值的工具之一,已通过DL方法得到改进。无论是去除由泊松分布光子计数产生的常见量子噪声,还是减轻金属植入物对图像质量的不良影响,研究人员已开始在CT中广泛采用DL。训练数据的选择直接由所关注的有损因素驱动。然而,训练中目标信号与测量数据之间差异的惩罚方式通常遵循常规的逐点损失函数。本工作引入了一种创造性技术,以偏好那些无法被均方误差或平均绝对误差等范数很好描述的重建特性。尤其在X射线CT这样的领域,放射科医生对图像特性的主观偏好是接受度的关键,可能期望以更具创造性的方式惩罚DL中的差异。该惩罚可应用于数据域(此处为CT正弦图)或重建图像中。我们针对信号的频率内容整形与选择性保留设计了损失函数。
引用
@article{arxiv.2309.14367,
title = {Design of Novel Loss Functions for Deep Learning in X-ray CT},
author = {Obaidullah Rahman and Ken D. Sauer and Madhuri Nagare and Charles A. Bouman and Roman Melnyk and Jie Tang and Brian Nett},
journal= {arXiv preprint arXiv:2309.14367},
year = {2023}
}