面向特征、具有多任务定制感知损失的肺锥束CT(CBCT)增强深度学习框架
计算机视觉与模式识别
2023-11-02 v1 医学物理
摘要
锥束计算机断层扫描(CBCT)在图像引导放射治疗(IGRT)中常规采集,以提供用于癌症治疗的更新患者解剖信息。然而,CBCT图像常因欠采样投影和低剂量曝光而产生条状伪影和噪声,导致清晰度低和信息丢失。尽管近期基于深度学习的CBCT增强方法在抑制伪影方面展现出有前景的结果,但由于传统的像素到像素损失函数无法描述详细解剖结构,其在保留解剖细节方面性能有限。为解决此问题,我们提出了一种新颖的面向特征的深度学习框架,通过多任务定制的特征到特征感知损失函数将低质量CBCT图像转换为高质量类CT成像。该框架包含两个主要组件:用于定制感知损失函数的多任务学习特征选择网络(MTFS-Net);以及由特征到特征感知损失引导的CBCT到CT转换网络,其使用U-Net、GAN和CycleGAN等先进生成模型。我们的实验表明,所提框架可为肺部生成合成CT(sCT)图像,与CT图像达到高相似度,平均SSIM指数为0.9869,平均PSNR指数为39.9621。sCT图像还取得了视觉上令人满意的效果,有效抑制伪影、降低噪声并保留独特的解剖细节。我们的实验结果表明,所提框架在肺CBCT增强方面优于最先进模型。该框架在从CBCT生成适用于各种临床应用的高质量解剖成像方面具有很大前景。
引用
@article{arxiv.2311.00412,
title = {Feature-oriented Deep Learning Framework for Pulmonary Cone-beam CT (CBCT) Enhancement with Multi-task Customized Perceptual Loss},
author = {Jiarui Zhu and Werxing Chen and Hongfei Sun and Shaohua Zhi and Jing Qin and Jing Cai and Ge Ren},
journal= {arXiv preprint arXiv:2311.00412},
year = {2023}
}
备注
32 pages,7 figures,journal