面向稀疏视角 CT 的全局表示蒸馏学习
图像与视频处理
2023-08-22 v2 计算机视觉与模式识别
摘要
稀疏视角计算机断层扫描（CT）——使用少量投影进行断层重建——可大幅降低患者辐射剂量并加速数据采集。然而，重建图像存在强伪影，极大限制了其诊断价值。当前稀疏视角 CT 的趋势转向原始数据以更好地恢复信息。由此产生的双域方法 nonetheless 遭受二次伪影，尤其在超稀疏视角场景下，且其对其他扫描仪/协议的泛化能力大受限制。一个关键问题随之而来：图像后处理方法是否已触及极限？我们的答案是否定的。本文中，我们因灵活性优势坚持图像后处理方法，并提出用于稀疏视角 CT 的全局表示（GloRe）蒸馏框架，称为 GloReDi。首先，我们提出用傅里叶卷积学习 GloRe，使 GloRe 中每个元素具有全图像范围的感受野。其次，与仅使用全视角图像进行监督的方法不同，我们提出从中间视角重建图像中蒸馏 GloRe，这些图像易于获取却未在既往文献中被探索。GloRe 蒸馏的成功归功于两个关键组件：用于对齐 GloRe 方向的表示方向蒸馏，以及用于获取临床重要细节的带通特定对比蒸馏。大量实验证明了所提 GloReDi 相对于最先进（state-of-the-art）方法（包括双域方法）的优越性。源代码见于 https://github.com/longzilicart/GloReDi。
引用
@article{arxiv.2308.08463,
title = {Learning to Distill Global Representation for Sparse-View CT},
author = {Zilong Li and Chenglong Ma and Jie Chen and Junping Zhang and Hongming Shan},
journal= {arXiv preprint arXiv:2308.08463},
year = {2023}
}
备注
ICCV 2023