用于计算机断层扫描图像边缘去噪的多循环一致对抗网络
图像与视频处理
2021-04-27 v1 计算机视觉与模式识别
机器学习
摘要
作为最常用的影像检查之一，计算机断层扫描（CT）不可避免地伴随辐射暴露，增加患者的癌症风险。然而，CT图像质量与辐射剂量直接相关，因此期望以尽可能低的剂量获得高质量CT图像。CT图像去噪试图从低剂量低质量CT图像（域Y）获得类似高剂量的高质量CT图像（域X），这可视为一项图像到图像的翻译任务，其目标是学习源域X（噪声图像）与目标域Y（干净图像）之间的变换。本文提出一种多循环一致对抗网络（MCCAN），其构建中间域并强制局部与全局循环一致性以实现CT图像的边缘去噪。全局循环一致性将所有生成器耦合以建模整个去噪过程，而局部循环一致性对相邻域之间的过程施加有效监督。实验表明，局部与全局循环一致性对MCCAN的成功均十分重要，其在去噪质量上优于CCADN，且计算资源消耗略少。
引用
@article{arxiv.2104.12044,
title = {Multi-Cycle-Consistent Adversarial Networks for Edge Denoising of Computed Tomography Images},
author = {Xiaowe Xu and Jiawei Zhang and Jinglan Liu and Yukun Ding and Tianchen Wang and Hailong Qiu and Haiyun Yuan and Jian Zhuang and Wen Xie and Yuhao Dong and Qianjun Jia and Meiping Huang and Yiyu Shi},
journal= {arXiv preprint arXiv:2104.12044},
year = {2021}
}
备注
16 pages, 7 figures, 4 tables, accepted by the ACM Journal on Emerging Technologies in Computing Systems (JETC). arXiv admin note: substantial text overlap with arXiv:2002.12130