面向CT金属伪影学习的方向共享卷积表示
图像与视频处理
2022-12-27 v1 计算机视觉与模式识别
摘要
在X射线计算机断层扫描(CT)过程中，患者携带的金属植入物常导致所采集CT图像中出现不良伪影，进而影响临床治疗。针对这一金属伪影抑制(MAR)任务，现有基于深度学习的方法已获得令人满意的重建性能。然而，由于该特定任务下一些重要的先验知识尚未被充分挖掘，MAR性能与泛化能力仍有进一步提升空间。为此，本文仔细分析金属伪影的特征，提出一种方向共享卷积表示策略，以适配伪影的物理先验结构，即旋转对称的条状伪影模式。所提方法合理采用基于傅里叶级数展开的滤波器参数化进行伪影建模，能更好地将伪影与解剖组织分离，并提升模型泛化性。在合成与临床数据集上开展的全面实验表明，本方法在细节保持上优于当前具有代表性的MAR方法。代码将发布于\url{https://github.com/hongwang01/OSCNet}
引用
@article{arxiv.2212.13166,
title = {Orientation-Shared Convolution Representation for CT Metal Artifact Learning},
author = {Hong Wang and Qi Xie and Yuexiang Li and Yawen Huang and Deyu Meng and Yefeng Zheng},
journal= {arXiv preprint arXiv:2212.13166},
year = {2022}
}