通过深度卷积帧let阐释U-Net：在稀疏视角CT中的应用
计算机视觉与模式识别
2018-03-29 v3 机器学习
机器学习
摘要
使用稀疏投影视角的X射线计算机断层扫描(CT)是减少辐射剂量的近期方法。然而,由于投影视角不足,使用滤波反投影(FBP)的解析重建方法会产生严重的条纹伪影。最近,使用大感受野神经网络(如U-Net)的深度学习方法已展示出对稀疏视角CT重建的令人印象深刻的性能。然而,理论依据仍然缺乏。受近期深度卷积帧let理论的启发,因此本文的主要目标是揭示U-Net的局限性并提出新的多分辨率深度学习方案。特别地,我们展示了替代的U-Net变体(如双帧和紧帧U-Net)满足所谓的帧条件,这使得它们更好地用于稀疏视角CT中高频边缘的有效恢复。使用真实患者数据集的广泛实验,我们证明了新网络架构提供更好的重建性能。
引用
@article{arxiv.1708.08333,
title = {Framing U-Net via Deep Convolutional Framelets: Application to Sparse-view CT},
author = {Yoseob Han and Jong Chul Ye},
journal= {arXiv preprint arXiv:1708.08333},
year = {2018}
}
备注
This will appear in IEEE Transaction on Medical Imaging, a special issue of Machine Learning for Image Reconstruction