面向 CT 金属伪影消除的放射科医生-in-loop 自训练框架
图像与视频处理
2025-01-28 v1 计算机视觉与模式识别
摘要
计算机断层扫描 (CT) 图像中的金属伪影会显著降低图像质量，妨碍准确诊断。基于模拟数据集训练的监督式金属伪影消除 (MAR) 方法常在实际临床 CT 图像上表现不佳，due to 实际临床 CT 图像与模拟数据的显著 domain gap。虽然最先进的半监督方法使用 prior 网络生成的伪 ground-truth 来缓解此问题，但其对固定 prior 的依赖限制了这些伪 ground-truth 的质量和数量，引入 confirmation bias，降低临床适用性。为此，我们提出一种 novel Radiologist-In-the-loop SElf-training 框架用于 MAR，称为 RISE-MAR，可将放射科医生的反馈整合到半监督学习过程中，逐步提高伪 ground-truth 的质量和数量，以增强在实际临床 CT 图像上的泛化能力。为了保证质量，我们引入临床质量评估模型，模拟放射科医生的评估，有效挑选高质量的伪 ground-truth 用于半监督训练。为了保证数量，我们的自训练框架不断生成额外的高质量伪 ground-truth，扩充临床数据集并进一步提高模型的泛化能力。在多个临床数据集上的大量实验结果表明，RISE-MAR 在泛化性能方面优于最先进的方法，推动了 MAR 模型向实际应用的发展。代码可在 https://github.com/Masaaki-75/rise-mar 查阅。
关键词
引用
@article{arxiv.2501.15610,
title = {Radiologist-in-the-Loop Self-Training for Generalizable CT Metal Artifact Reduction},
author = {Chenglong Ma and Zilong Li and Yuanlin Li and Jing Han and Junping Zhang and Yi Zhang and Jiannan Liu and Hongming Shan},
journal= {arXiv preprint arXiv:2501.15610},
year = {2025}
}
备注
IEEE TMI 2025