可微的基于得分的似然：从干净图像中学习 CT 运动补偿
计算机视觉与模式识别
2024-04-24 v1
摘要
运动伪影会损害计算机断层扫描（CT）图像的诊断价值。运动校正方法需要对患者特定的运动模式进行逐次扫描估计。在这项工作中，我们训练了一个基于得分的模型，作为干净头部 CT 图像的概率密度估计器。给定训练好的模型，我们通过似然计算来量化给定受运动影响的 CT 图像与理想分布的偏差。我们证明，似然可以用作 CT 图像中运动伪影严重程度的替代指标，从而促进迭代、基于梯度的运动补偿算法的应用。通过优化底层运动参数以最大化似然，我们的方法有效地减少了运动伪影，使图像更接近无运动扫描的分布。我们的方法实现了与 SOTA 方法相当的性能，同时消除了对受运动影响样本的代表性数据集的需求。这在现实应用中特别有利，因为患者的运动模式可能表现出不可预见的变异性，从而在不假设可恢复运动类型的情况下确保了鲁棒性。
引用
@article{arxiv.2404.14747,
title = {Differentiable Score-Based Likelihoods: Learning CT Motion Compensation From Clean Images},
author = {Mareike Thies and Noah Maul and Siyuan Mei and Laura Pfaff and Nastassia Vysotskaya and Mingxuan Gu and Jonas Utz and Dennis Possart and Lukas Folle and Fabian Wagner and Andreas Maier},
journal= {arXiv preprint arXiv:2404.14747},
year = {2024}
}