基于块级深度度量学习的无监督低剂量 CT 去噪
图像与视频处理
2022-07-15 v2 计算机视觉与模式识别
摘要
低剂量与高剂量 CT 图像的采集条件通常不同，因此常出现 CT 值的偏移。相应地，学习目标图像分布的无监督深度学习方法往往会引入 CT 值失真，并对诊断性能产生不利影响。为此，我们提出一种基于块级深度度量学习的无监督低剂量 CT 重建新方法。其核心思想是通过拉近共享相同解剖结构的图像块正样本对、推远具有相同噪声水平的负样本对来学习嵌入空间。从而，网络被训练为在抑制噪声水平的同时，即使在图像迁移后也保留原始的全局 CT 值分布。实验结果证实，我们的深度度量学习在生成无 CT 值偏移的高质量去噪图像方面起着关键作用。
引用
@article{arxiv.2207.02377,
title = {Patch-wise Deep Metric Learning for Unsupervised Low-Dose CT Denoising},
author = {Chanyong Jung and Joonhyung Lee and Sunkyoung You and Jong Chul Ye},
journal= {arXiv preprint arXiv:2207.02377},
year = {2022}
}
备注
MICCAI 2022