面向金属伪影抑制的低维流形约束解耦网络
图像与视频处理
2020-07-09 v1 计算机视觉与模式识别
摘要
基于深度神经网络的方法在 CT 金属伪影抑制(MAR)中取得了有前景的结果，其中多数使用大量合成配对图像进行训练。由于 CT 图像中合成的金属伪影可能无法准确反映临床实际，已有研究提出伪影解耦网络(ADN)，直接使用非配对临床图像，在临床数据集上取得了良好结果。然而，在缺乏充分监督的情况下，ADN 仅基于对抗损失难以恢复受伪影影响 CT 图像的结构细节。为克服这些问题，本文提出低维流形(LDM)约束的解耦网络(DN)，利用图像块流形通常为低维的这一图像特性。具体而言，我们设计了一种 LDM-DN 学习算法，通过优化协同网络损失函数并约束恢复图像位于低维块流形上，从而增强解耦网络能力。此外，从配对与非配对数据中学习，提出了一种高效的混合优化方案以进一步提升临床数据集上的 MAR 性能。大量实验表明，所提 LDM-DN 方法能在配对和/或非配对学习设定下持续改善 MAR 性能，在合成与临床数据集上均优于对比方法。
引用
@article{arxiv.2007.03882,
title = {Low-dimensional Manifold Constrained Disentanglement Network for Metal Artifact Reduction},
author = {Chuang Niu and Wenxiang Cong and Fenglei Fan and Hongming Shan and Mengzhou Li and Jimin Liang and Ge Wang},
journal= {arXiv preprint arXiv:2007.03882},
year = {2020}
}