基于域滤波与深度强化学习的低剂量螺旋 CBCT 去噪
计算机视觉与模式识别
2021-04-05 v1 人工智能
摘要
锥形束计算机断层扫描 (Cone Beam Computed Tomography, CBCT) 是目前已知的 CT 成像方法。尤其，低剂量 CT 成像是在进行 CT 成像时保护患者器官的一种可行选择。因此低剂量 CT 成像可替代标准剂量 CT 成像。然而与标准剂量 CT 成像相比，低剂量 CT 成像在结果中存在固有的噪声问题。当前有大量消除噪声的尝试。大多数基于人工智能的方法参数众多且含有不可解释的层或某种黑箱方法。因此，我们的研究目的与这些问题相关。我们的方法通过结合深度强化学习的迭代可学习双边滤波方法，比通常方法参数更少。我们将该迭代可学习滤波方法与深度强化学习应用于正弦图与重建体积域。该方法及其结果比其它黑箱 AI 方法更具可解释性。我们将该方法应用于螺旋锥形束计算机断层扫描 (Helical CBCT)，其为近期 CBCT 趋势。我们在来自 Mayo Clinic TCIA 数据集的 2 个腹部扫描 (L004、L014) 上测试了该方法。我们方法的结果与性能超越了其它先前方法的结果。
引用
@article{arxiv.2104.00889,
title = {Low Dose Helical CBCT denoising by using domain filtering with deep reinforcement learning},
author = {Wooram Kang and Mayank Patwari},
journal= {arXiv preprint arXiv:2104.00889},
year = {2021}
}
备注
Research project report. 5 pages, 6 figures, 2 tables