利用模拟与实验低剂量CT数据的学习去噪
图像与视频处理
2024-08-16 v1 机器学习
摘要
与许多其他研究领域一样，计算成像领域的最新发展聚焦于开发机器学习（ML）方法来解决其主要挑战。为提高计算成像算法的性能，机器学习方法被用于图像处理任务，如降噪。通常，这些ML方法严重依赖高质量训练数据的可用性。本工作探索了ML方法，特别是卷积神经网络（CNN），在CT成像降噪中的应用。我们利用一个大型二维CT数据集进行机器学习，首次对算法在模拟噪声数据和真实实验噪声数据上训练时性能的差异进行了全面研究。该研究比较了两种常见CNN架构——U-Net和MSD-Net——在模拟和实验噪声数据上的训练和评估结果。结果表明，虽然在正弦图域中评估时，利用模拟噪声数据进行正弦图降噪效果更好，但这种性能并未延续到重建域，在重建域中利用实验噪声数据训练在降噪实验噪声数据时表现出更高的性能。从正弦图到重建的端到端训练显著提高了模型性能，强调了匹配原始测量数据与高质量CT重建的重要性。该研究进一步表明需要更复杂的噪声模拟方法来弥合CT图像降噪应用中模拟数据与真实数据之间的差距，并提供了关于利用模拟数据进行机器学习计算成像的挑战与机遇的见解。
引用
@article{arxiv.2408.08115,
title = {Learned denoising with simulated and experimental low-dose CT data},
author = {Maximilian B. Kiss and Ander Biguri and Carola-Bibiane Schönlieb and K. Joost Batenburg and Felix Lucka},
journal= {arXiv preprint arXiv:2408.08115},
year = {2024}
}