RSTAR4D: 使用可分离4D CNN减少4D CBCT中的旋转条纹伪影
图像与视频处理
2024-10-01 v4 计算机视觉与模式识别
摘要
四维锥束计算机断层扫描(4D CBCT)提供呼吸分辨图像，可用于图像引导放射治疗。然而，揭示呼吸运动的能力是以图像伪影为代价的。由于原始投影数据被分入多个呼吸相位，锥束投影变得非常稀疏，重建的4D CBCT图像会被严重的条纹伪影覆盖。尽管已经提出了几种基于深度学习的方法来解决这个问题，但大多数算法使用2D网络模型作为主干，忽略了4D CBCT图像中固有的结构先验。在本文中，我们首先探索了4D CBCT图像中条纹伪影的起源和外观。我们发现条纹伪影随着患者的呼吸呈现出独特的旋转运动，在时空域中可与膈肌驱动的呼吸运动区分开。因此，我们提出了一种新颖的4D神经网络模型RSTAR4D-Net，旨在通过整合4D CBCT图像中的空间和时间信息来解决旋转条纹伪影减少问题。具体来说，我们克服了4D神经网络的计算和训练困难。专门设计的模型采用高效的4D卷积实现来降低计算成本，从而可以一次性处理整个4D图像。此外，针对可分离的4D卷积，提出了一种Tetris训练策略，以利用有限的4D训练样本有效训练模型。大量实验证明了我们提出方法的有效性，RSTAR4D-Net相比其他方法表现出优越的性能。源代码和动态演示可在https://github.com/ivy9092111111/RSTAR获取。
引用
@article{arxiv.2403.16361,
title = {RSTAR4D: Rotational Streak Artifact Reduction in 4D CBCT using a Separable 4D CNN},
author = {Ziheng Deng and Hua Chen and Yongzheng Zhou and Haibo Hu and Zhiyong Xu and Jiayuan Sun and Tianling Lyu and Yan Xi and Yang Chen and Jun Zhao},
journal= {arXiv preprint arXiv:2403.16361},
year = {2024}
}