基于结构保持核预测网络的低剂量CT去噪
图像与视频处理
2021-07-27 v3 计算机视觉与模式识别
摘要
低剂量CT已成为降低患者健康受辐射过量潜在风险的 key 诊断成像方式。尽管近期取得了进展，基于CNN的方法通常以空间不变的方式施加滤波器并采用相似的像素级损失，这种方式平等对待CT图像的所有区域，在细粒度结构与不均匀分布噪声共存时效率低下。为解决此问题，我们提出了一种结构保持核预测网络（StructKPN），将核预测网络与利用像素梯度统计并引导模型朝向空间变异滤波器的结构感知损失函数相结合，从而增强噪声去除、防止过度平滑并保留CT成像中不同区域的精细结构。大量实验表明，我们的方法在合成与非合成数据集上均取得了优越性能，并更好地保留了临床筛查与低剂量方案优化中高度所需的结构。
引用
@article{arxiv.2105.14758,
title = {Low-Dose CT Denoising Using a Structure-Preserving Kernel Prediction Network},
author = {Lu Xu and Yuwei Zhang and Ying Liu and Daoye Wang and Mu Zhou and Jimmy Ren and Jingwei Wei and Zhaoxiang Ye},
journal= {arXiv preprint arXiv:2105.14758},
year = {2021}
}
备注
ICIP2021