引导式多尺度自适应稀疏表示驱动网络用于低剂量CT金属伪影消除
计算机视觉与模式识别
2025-11-26 v3
摘要
低剂量CT（LDCT）能够降低X射线辐射暴露，但可能会降低图像质量，甚至在金属植入物的情况下会产生金属伪影。对于同时进行LDCT重建和金属伪影消除（LDMAR）的任务，现有的深度学习方法存在两个主要局限性：i）网络设计忽略了多尺度和尺度内信息；ii）为每个剂量训练独立模型需要大量存储空间。为填补这一差距，我们提出了一种名为PMSRNet的引导式多尺度自适应稀疏表示驱动网络，用于LDMAR任务。具体而言，我们受多尺度稀疏化框架的启发构建了PMSRNet，凭借精心设计的引导式尺度自适应阈值生成器（PSATG）和内置的多尺度系数融合模块（MSFuM），能够同时利用尺度内特征和跨尺度互补性。PSATG通过融合来自局部、区域和全局层面的特征，来自适应地捕获多重上下文信息，从而生成更可靠的阈值。此外，我们设计了一种可解释的双域LDMAR框架，称为PDuMSRNet，并通过引导策略训练单个模型以适应多个剂量水平。我们构建了一个引导模块，其输入包含剂量水平、金属掩码和输入实例，提供各种引导信息，使单个模型能够适应各种CT剂量设置。在各种剂量水平下的大量实验表明，所提出的方法在LDMAR任务上优于现有的SOTA方法。
引用
@article{arxiv.2504.19687,
title = {Prompt Guiding Multi-Scale Adaptive Sparse Representation-driven Network for Low-Dose CT MAR},
author = {Baoshun Shi and Bing Chen and Shaolei Zhang and Huazhu Fu and Zhanli Hu},
journal= {arXiv preprint arXiv:2504.19687},
year = {2025}
}