InDuDoNet+：一种用于 CT 图像金属伪影去除的深度展开双域网络
图像与视频处理
2022-12-27 v2 计算机视觉与模式识别
摘要
在 computerized tomography (CT) 成像过程中，患者体内的金属植入物常引起有害伪影，严重降低重建 CT 图像的视觉质量并负面影响后续临床诊断。针对金属伪影去除（MAR）任务，当前基于深度学习的方法已取得令人满意的性能。然而，它们大多存在两个主要局限：1）CT 物理成像几何约束未被充分融入深度网络结构；2）整个框架对该特定 MAR 任务的可解释性较弱，因而难以评估各网络模块的作用。为缓解这些问题，本文构建了一种新颖的深度展开双域网络，称为 InDuDoNet+，其中精细嵌入了 CT 成像过程。具体而言，我们推导了联合空间域与 Radon 域的重建模型，并提出了一种仅含简单算子的优化算法来求解该模型。通过将所提算法中的迭代步骤展开为相应网络模块，我们轻松构建了具有清晰可解释性的 InDuDoNet+。此外，我们分析了不同组织间的 CT 值，并将先验观测合并入 InDuDoNet+ 的先验网络中，显著提升了其泛化性能。在合成数据与临床数据上的综合实验证实了所提方法的优越性，以及超越当前 state-of-the-art (SOTA) MAR 方法的优异泛化性能。代码见 \url{https://github.com/hongwang01/InDuDoNet_plus}。
引用
@article{arxiv.2112.12660,
title = {InDuDoNet+: A Deep Unfolding Dual Domain Network for Metal Artifact Reduction in CT Images},
author = {Hong Wang and Yuexiang Li and Haimiao Zhang and Deyu Meng and Yefeng Zheng},
journal= {arXiv preprint arXiv:2112.12660},
year = {2022}
}