基于共识均衡融合数据与图像域深度学习用于有限角度 tomography
图像与视频处理
2019-09-04 v1 计算机视觉与模式识别
机器学习
摘要
计算机断层扫描（CT）是一种非侵入性成像方式，应用范围从医疗健康到安防。它利用在不同角度采集的一组投影数据重建物体的横截面图像。常规方法（如 FBP）要求投影数据在完整角度范围内均匀采集。在某些应用中，无法采集此类数据。安防就是这样一个领域，正在开发的非旋转扫描配置违背了完整数据假设。常规方法从此类数据生成的图像充满伪影。深度学习方法近期的成功启发了研究者使用深度神经网络（DNNs）对这些充满伪影的图像进行后处理。该方法在真实 CT 问题上成效有限。另一种方法是使用 DNNs 对不完整数据进行预处理，旨在完全避免伪影的产生。由于学习过程中的不完美，该方法仍可能留下可感知的残余伪影。在本工作中，我们旨在通过基于共识均衡（CE）框架的两步过程，结合数据与图像域中深度学习的力量。具体而言，我们在数据与图像域中均使用条件生成对抗网络（cGANs）以增强性能并提高效率，并通过共识过程将其结合。我们在一个真实的安防 CT 数据集上针对具有挑战性的 90 度有限角度问题证明了方法的有效性。同一框架可应用于电子显微镜、无损评估和医学成像等应用中出现的其他有限数据问题。
引用
@article{arxiv.1909.00240,
title = {Integrating Data and Image Domain Deep Learning for Limited Angle Tomography using Consensus Equilibrium},
author = {Muhammad Usman Ghani and W. Clem Karl},
journal= {arXiv preprint arXiv:1909.00240},
year = {2019}
}
备注
Accepted for publication in proceedings of IEEE ICCV Workshop on Learning for Computational Imaging (ICCVW-LCI)