用于低剂量 PET 图像去噪的参数迁移 Wasserstein 生成对抗网络（PT-WGAN）
图像与视频处理
2021-02-01 v3 机器学习
机器学习
摘要
由于正电子发射断层扫描（PET）在临床实践中的广泛应用，需将 PET 相关辐射剂量对患者的潜在风险降至最低。然而，随着辐射剂量的降低，所得图像可能出现噪声和伪影，从而影响诊断性能。本文提出一种参数迁移 Wasserstein 生成对抗网络（PT-WGAN）用于低剂量 PET 图像去噪。本文的贡献有两点：i）设计了 PT-WGAN 框架以对低剂量 PET 图像去噪而不损失结构细节；ii）基于迁移学习的任务特定初始化方法，利用从预训练模型迁移的可训练参数来训练 PT-WGAN，显著提高了 PT-WGAN 的训练效率。临床数据上的实验结果表明，与近期发表的最先进方法相比，所提出的网络能更有效地抑制图像噪声，同时保持更好的图像保真度。我们的代码已发布于 https://github.com/90n9-yu/PT-WGAN。
引用
@article{arxiv.1910.06749,
title = {Parameter-Transferred Wasserstein Generative Adversarial Network (PT-WGAN) for Low-Dose PET Image Denoising},
author = {Yu Gong and Hongming Shan and Yueyang Teng and Ning Tu and Ming Li and Guodong Liang and Ge Wang and Shanshan Wang},
journal= {arXiv preprint arXiv:1910.06749},
year = {2021}
}
备注
10 pages and 12 figures