Noise2Context：无需干净数据的上下文辅助学习三维薄层低剂量CT
图像与视频处理
2022-01-19 v1 医学物理
摘要
计算机断层扫描（CT）在医学诊断、评估和诊疗规划等方面发挥着重要作用。在临床实践中，对X射线辐射暴露增加的担忧吸引了越来越多的关注。为降低X射线辐射，低剂量CT在某些场景常被使用，但这会导致CT图像质量退化。本文提出一种无需任何配对干净数据即可训练去噪神经网络的训练方法。我们将去噪神经网络训练为在单次三维薄层低剂量CT扫描中将一张噪声低剂量CT图像映射到其相邻两张低剂量CT图像。换言之，在一些潜在假设下，我们提出一种无监督损失函数，集成三维薄层低剂量CT中相邻CT切片间的相似性，以无监督方式训练去噪神经网络。对于三维薄层CT扫描，当单次扫描中不同切片的噪声不相关且零均值时，所提出的虚拟监督损失函数等价于具有配对噪声与干净样本的监式损失函数。在Mayo LDCT数据集和真实猪头上的进一步实验表明其优于现有无监督方法的性能。
引用
@article{arxiv.2011.12525,
title = {Noise2Context: Context-assisted Learning 3D Thin-layer Low Dose CT Without Clean Data},
author = {Zhicheng Zhang and Xiaokun Liang and Wei Zhao and Lei Xing},
journal= {arXiv preprint arXiv:2011.12525},
year = {2022}
}