面向稀疏视角CT重建的任务特定抽样策略学习
图像与视频处理
2024-09-04 v1 计算机视觉与模式识别
摘要
稀疏视角CT (SVCT) 提供低剂量和快速成像，但受到严重的伪影影响。优化抽样策略是改善SVCT成像质量的关键方法。然而，当前方法通常针对所有扫描类型优化通用抽样策略，忽视了最优策略可能因具体扫描任务而异（例如涉及特定身体扫描如胸部CT扫描，或涉及下游临床应用如疾病诊断）。一种扫描任务的最优策略可能在应用于其他任务时表现不佳。为解决此问题，我们提出一种深度学习框架，通过多任务方法学习任务特定的抽样策略，同时为每个单独任务定制最优抽样策略。于是一个任务特定的抽样策略可用于每种扫描类型，以提高SVCT成像质量，并进一步提高下游临床应用的性能。不同扫描类型的广泛实验验证了任务特定抽样策略在提升成像质量方面的有效性。涉及下游任务的实验验证了所学习抽样策略的临床价值，显著提高了下游任务性能。此外，采用多任务框架和共享重建网络有助于在当前成像设备上部署，可实现切换任务特定模块，并且可以在不重新训练整个模型的情况下轻松集成新任务。
引用
@article{arxiv.2409.01544,
title = {Learning Task-Specific Sampling Strategy for Sparse-View CT Reconstruction},
author = {Liutao Yang and Jiahao Huang and Yingying Fang and Angelica I Aviles-Rivero and Carola-Bibiane Schonlieb and Daoqiang Zhang and Guang Yang},
journal= {arXiv preprint arXiv:2409.01544},
year = {2024}
}