MEPNet：用于 CT 图像联合稀疏视角重建与金属伪影抑制的模型驱动等变近端网络
图像与视频处理
2023-06-27 v1 计算机视觉与模式识别
摘要
稀疏视角计算机断层扫描（CT）已被采用为加速数据采集和降低辐射剂量的重要技术。然而，由于缺乏充足的投影数据，重建的 CT 图像常呈现严重伪影，当患者带有金属植入物时这些伪影会进一步放大。针对这一联合稀疏视角重建与金属伪影抑制任务，现有方法普遍面临两个主要局限：1）它们几乎基于通用网络模块构建，未将该特定任务的物理成像几何约束充分嵌入双域学习中；2）一些重要先验知识未被深入挖掘和充分利用。针对这些问题，我们专门构建了双域重建模型，并提出一种模型驱动的等变近端网络，称为 MEPNet。MEPNet 的主要特点是：1）其受优化启发且具备清晰的工作机制；2）所涉及的近端算子通过旋转等变卷积神经网络建模，精细地表示了 CT 扫描中同一器官可在不同角度成像这一内在旋转先验。在多个数据集上开展的广泛实验充分证实，相较于传统的基于卷积的近端网络，这种旋转等变机制使所提方法以更少的网络参数实现更好的重建性能。我们将在 \url{https://github.com/hongwang01/MEPNet} 发布代码。
引用
@article{arxiv.2306.14274,
title = {MEPNet: A Model-Driven Equivariant Proximal Network for Joint Sparse-View Reconstruction and Metal Artifact Reduction in CT Images},
author = {Hong Wang and Minghao Zhou and Dong Wei and Yuexiang Li and Yefeng Zheng},
journal= {arXiv preprint arXiv:2306.14274},
year = {2023}
}
备注
MICCAI 2023