用于低剂量CT去噪的掩码自编码器
图像与视频处理
2022-10-18 v1 计算机视觉与模式识别
机器学习
摘要
低剂量计算机断层扫描(LDCT)减少了X射线辐射，但牺牲了图像质量，带来更多噪声与伪影。近来大量transformer模型被开发用于改善LDCT图像质量。然而，transformer模型的成功依赖于大量成对的含噪与干净数据，这在临床应用中往往难以获取。在计算机视觉与自然语言处理领域，掩码自编码器(MAE)因其优异的特征表示能力，被提出作为transformer有效的无标签自预训练方法。在此，我们重新设计经典的编码器-解码器学习模型以匹配去噪任务，并将其应用于LDCT去噪问题。当真值数据缺失时，MAE可利用无标签数据并促进LDCT去噪模型的结构保持。在Mayo数据集上的实验验证，MAE能提升transformer的去噪性能并缓解对真值数据的依赖。
引用
@article{arxiv.2210.04944,
title = {Masked Autoencoders for Low dose CT denoising},
author = {Dayang Wang and Yongshun Xu and Shuo Han and Hengyong Yu},
journal= {arXiv preprint arXiv:2210.04944},
year = {2022}
}