基于残差编码器-解码器卷积神经网络 (RED-CNN) 的低剂量 CT
医学物理
2017-12-12 v3 神经与进化计算
摘要
考虑到患者潜在的 X 射线辐射风险，低剂量 CT 在医学影像领域引起了相当大的兴趣。当前主流的低剂量 CT 方法包括供应商特定的正弦图域滤波和迭代重建，但它们需要访问原始数据，其格式对大多数用户不透明。由于难以在图像域建模统计特性，现有直接处理重建图像的方法无法在保持结构细节的同时很好地消除图像噪声。受深度学习思想启发，我们将自动编码器、反卷积网络和快捷连接结合到残差编码器-解码器卷积神经网络（RED-CNN）中，用于低剂量 CT 成像。经过基于块的训练后，所提出的 RED-CNN 在模拟和临床病例中相对于最先进方法取得了有竞争力的性能。特别是，我们的方法在噪声抑制、结构保持和病灶检测方面得到了良好评价。
引用
@article{arxiv.1702.00288,
title = {Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN)},
author = {Hu Chen and Yi Zhang and Mannudeep K. Kalra and Feng Lin and Yang Chen and Peixi Liao and Jiliu Zhou and Ge Wang},
journal= {arXiv preprint arXiv:1702.00288},
year = {2017}
}
备注
Accepted by IEEE TMI