几种基于深度学习的 CT 金属伪影减少方法中的域间隙问题研究
计算机视觉与模式识别
2021-11-29 v1 图像与视频处理
摘要
CT 图像中的金属伪影可能会破坏图像质量并干扰诊断。最近，许多基于深度学习的 CT 金属伪影减少 (MAR) 方法被提出。当前的深度 MAR 方法可能受到域间隙问题的困扰，即在模拟数据上训练的方法无法在实际数据上表现良好。在这项工作中，我们通过在牙科数据集和躯干数据集上实验性地研究了两种图像域监督方法、两种双域监督方法和两种图像域无监督方法，以探索域间隙问题是否存在或已被克服。我们发现 I-DL-MAR 和 DudoNet 对躯干数据集的实际数据有效，表明域间隙问题得到了解决。然而，所有被研究的方法在牙科数据集的实际数据上均表现不佳。基于实验结果，我们进一步分析了每种方法和数据集产生域间隙问题的原因，这可能有助于改进现有方法或设计新方法。研究结果表明，深度 MAR 方法中的域间隙问题仍有待解决。
引用
@article{arxiv.2111.12983,
title = {Investigation of domain gap problem in several deep-learning-based CT metal artefact reduction methods},
author = {Muge Du and Kaichao Liang and Yinong Liu and Yuxiang Xing},
journal= {arXiv preprint arXiv:2111.12983},
year = {2021}
}