低剂量X射线CT内层析成像的端到端深度学习
图像与视频处理
2025-01-10 v1 计算机视觉与模式识别
机器学习
摘要
目的：存在几种X射线计算机断层扫描（CT）扫描策略来减少辐射剂量，例如(1)稀疏视角CT、(2)低剂量CT和(3)感兴趣区域CT（称为内层析成像）。为了进一步降低剂量，可以将稀疏视角和/或低剂量CT设置与内层析成像结合使用。内层析成像在减少探测器数量和降低X射线辐射剂量方面具有多种优势。然而，大尺寸患者或小视场探测器可能导致截断投影，进而重建图像出现严重的杯状伪影。此外，尽管低剂量CT可以减少辐射暴露剂量，但解析重建算法会产生图像噪声。近年来，许多研究者利用图像域深度学习方法去除每种伪影，并展示了令人印象深刻的性能，而深度卷积框架理论支持了性能提升的原因。方法：在本文中，基于深度卷积框架，我们发现图像域卷积神经网络难以解决耦合伪影。意义：为了解决耦合问题，我们将其解耦为两个子问题：(i) 截断投影内部的图像域降噪，以解决低剂量CT问题；(ii) 截断投影外部的投影外推，以解决感兴趣区域CT问题。通过使用双域CNN的新型端到端学习直接求解解耦后的子问题。主要结果：我们证明所提出的方法优于传统的图像域深度学习方法，并且投影域CNN显示出比许多研究者常用的图像域CNN更好的性能。
引用
@article{arxiv.2501.05085,
title = {End-to-End Deep Learning for Interior Tomography with Low-Dose X-ray CT},
author = {Yoseob Han and Dufan Wu and Kyungsang Kim and Quanzheng Li},
journal= {arXiv preprint arXiv:2501.05085},
year = {2025}
}
备注
Published by Physics in Medicine & Biology (2022.5)