MetaInv-Net:用于稀疏视角CT图像重建的元反演网络
图像与视频处理
2020-09-21 v3 计算机视觉与模式识别
机器学习
最优化与控制
医学物理
摘要
X射线计算机断层扫描(CT)广泛应用于诊断和图像引导介入等临床应用中。在本文中,我们提出了一种基于深度学习的新模型用于CT图像重建,其骨干网络架构通过展开迭代算法构建。然而,与现有策略尽可能在展开动力学模型中包含许多数据自适应组件不同,我们发现仅学习传统设计最依赖直觉和经验的部分就足够了。更具体地,我们提出学习骨干模型其中一个子问题所涉及的共轭梯度(CG)算法的初始化器。其他组件,如图像先验和超参数,保持原始设计。由于引入了超网络来对CG模块的初始化进行推断,使得所提模型成为一种特定的元学习模型。因此,我们将所提模型称为元反演网络(MetaInv-Net)。所提MetaInv-Net可用少得多的可训练参数设计,同时在CT成像中仍保持其优于某些最先进深度模型的优异图像重建性能。在模拟和真实数据实验中,MetaInv-Net表现非常好,并且可以推广到训练设置之外,即到其他扫描设置、噪声水平和数据集。
引用
@article{arxiv.2006.00171,
title = {MetaInv-Net: Meta Inversion Network for Sparse View CT Image Reconstruction},
author = {Haimiao Zhang and Baodong Liu and Hengyong Yu and Bin Dong},
journal= {arXiv preprint arXiv:2006.00171},
year = {2020}
}
备注
14 pages