EAGLE：一种用于CT图像重建的面向边缘的梯度局部化增强损失函数
图像与视频处理
2024-03-19 v1 计算机视觉与模式识别
摘要
CT图像重建对于准确诊断至关重要，深度学习方法已在提高重建质量方面显示出巨大的潜力。然而，损失函数的选择对重建图像产生深远影响。传统的均方误差损失常产生细节缺失的模糊图像，而其他旨在改进的方法可能引入结构性瑕疵或其他不良效果。为解决这些限制，我们提出了Eagle-Loss，这是一种用于增强CT图像重建视觉质量的新型损失函数。Eagle-Loss应用于梯度变化区域内局部特征的谱分析，以增强锐度和清晰的边缘。我们在两个公开数据集上评估了Eagle-Loss，分别用于低剂量CT重建和CT视场扩展任务。我们的结果表明，Eagle-Loss在各种网络架构上均一致地提高了重建图像的视觉质量，超越了最先进的方法。代码和数据可在 \url{https://github.com/sypsyp97/Eagle_Loss} 获取。
引用
@article{arxiv.2403.10695,
title = {EAGLE: An Edge-Aware Gradient Localization Enhanced Loss for CT Image Reconstruction},
author = {Yipeng Sun and Yixing Huang and Linda-Sophie Schneider and Mareike Thies and Mingxuan Gu and Siyuan Mei and Siming Bayer and Andreas Maier},
journal= {arXiv preprint arXiv:2403.10695},
year = {2024}
}
备注
Preprint