用于定量磁化率成像的CNN改进填充方法
计算机视觉与模式识别
2021-06-30 v1 图像与视频处理
摘要
近来，已有深度学习方法被提出用于定量磁化率成像（QSM）数据处理：背景场去除、场到源反演以及单步QSM重建。然而，卷积神经网络（CNNs）中使用的常规填充机制会引入空间伪影，尤其是在QSM背景场去除和单步QSM中，其需要从感兴趣体积边缘边界处具有极大值的总场进行推断。为解决此问题，我们提出了一种改进填充技术，利用邻近的有效体素来估计神经网络中体积边界处特征图的无效体素。使用模拟和体内数据的研究表明，所提出的填充在背景场去除、场到源反演和单步QSM重建任务中极大地提高了估计精度并减少了结果中的伪影。
引用
@article{arxiv.2106.15331,
title = {Improved Padding in CNNs for Quantitative Susceptibility Mapping},
author = {Juan Liu},
journal= {arXiv preprint arXiv:2106.15331},
year = {2021}
}