用于PET超分辨的准监督学习
图像与视频处理
2022-09-07 v1
摘要
正电子发射断层扫描(PET)的低分辨率限制了其诊断性能。深度学习已成功应用于实现PET超分辨率。然而,该场景下常用的监督学习方法需要许多低分辨率与高分辨率(LR和HR)PET图像对。尽管无监督学习利用未配对图像,其结果不如监督深度学习所得。本文中,我们提出一种准监督学习方法,它是一类新的弱监督学习方法,通过利用未配对LR与HR图像块之间的相似性,从LR图像恢复HR PET图像。具体而言,从一名患者取LR图像块作为输入,而找到来自其他患者的最相似HR图像块作为标签。匹配的HR与LR图像块之间的相似性作为网络构建的先验。我们提出的方法可通过设计新网络或修改现有网络来实现。作为本研究中的示例,我们修改了循环一致生成对抗网络(CycleGAN)用于PET超分辨率。我们的数值与实验结果从定性和定量上展示了相对于最先进方法的优势。代码公开于https://github.com/PigYang-ops/CycleGAN-QSDL。
引用
@article{arxiv.2209.01325,
title = {Quasi-supervised Learning for Super-resolution PET},
author = {Guangtong Yang and Chen Li and Yudong Yao and Ge Wang and Yueyang Teng},
journal= {arXiv preprint arXiv:2209.01325},
year = {2022}
}
备注
12 pages, 11 figures