基于最优传输的单一CNN多域无监督超声图像伪影去除
图像与视频处理
2020-07-13 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
超声成像(US)常受到来自多种来源的明显图像伪影影响。解决这些问题的经典方法通常是针对每种伪影类型专门开发的基于模型的迭代方法，往往计算密集。近来，深度学习方法已被提出作为计算高效且高性能的替代方案。遗憾的是，在当前的深度学习方法中，必须为每种特定伪影类型使用匹配的训练数据训练专用的神经网络。这对深度学习在US中的实际应用造成了根本限制，因为需存储大量模型以应对各种US图像伪影。受近期多域图像迁移成功的启发，我们在此提出一种新颖的无监督深度学习方案，其中单一神经网络只需通过改变在不同目标域间切换的掩码向量，即可处理不同类型的US伪影。我们的算法使用针对级联概率测度的最优传输(OT)理论严格推导。使用体模和体内数据的实验结果表明，所提方法能通过去除明显伪影生成高质量图像，可与分别训练的多个神经网络所得结果相媲美。
引用
@article{arxiv.2007.05205,
title = {OT-driven Multi-Domain Unsupervised Ultrasound Image Artifact Removal using a Single CNN},
author = {Jaeyoung Huh and Shujaat Khan and Jong Chul Ye},
journal= {arXiv preprint arXiv:2007.05205},
year = {2020}
}