S2MS：自监督学习驱动的多光谱CT图像增强
图像与视频处理
2022-01-27 v2 计算机视觉与模式识别
机器学习
摘要
光子计数能谱CT（PCCT）可在不同能量通道中生成重建的衰减图，反映被扫描物体的能量特性。由于各能量通道的光子数有限且探测器响应非理想，重建图像通常含有大量噪声。随着深度学习（DL）技术的发展，已提出多种基于DL的模型用于降噪。然而，大多数模型需要干净数据集作为训练标签，而在医学影像领域这并不总是可得。受各通道重建图像相似性的启发，我们提出了一种基于自监督学习、利用多光谱通道的PCCT图像增强框架（S2MS）。在S2MS框架中，输入与输出标签均为含噪图像。具体而言，将单一通道图像作为输出，而将其他单通道图像及通道求和图像作为输入来训练网络，从而无需额外代价即可充分利用光谱数据信息。基于AAPM低剂量CT挑战数据库的仿真结果表明，相较于传统DL模型，所提S2MS模型能更有效地抑制噪声并保留细节，有望在临床应用中改善PCCT的图像质量。
引用
@article{arxiv.2201.10294,
title = {S2MS: Self-Supervised Learning Driven Multi-Spectral CT Image Enhancement},
author = {Chaoyang Zhang and Shaojie Chang and Ti Bai and Xi Chen},
journal= {arXiv preprint arXiv:2201.10294},
year = {2022}
}