SDCNet：用于恢复低剂量脑 CT 灌注的平滑稠密卷积网络
图像与视频处理
2019-10-21 v1 计算机视觉与模式识别
机器学习
摘要
随着公众对医学影像中累积辐射暴露所致潜在癌症风险与健康危害的广泛关注，降低基于 X 射线的医学影像（如计算机断层灌注(CTP)）中的辐射剂量已引发显著的研究兴趣。在本文中，我们采纳基于深度卷积神经网络(CNN)的方法，并引入平滑稠密卷积神经网络(SDCNet)以从低剂量 CTP 图像中恢复出高剂量质量的 CTP 图像。SDCNet 由经跳跃连接级联的子网络块组成，从配对的低/高剂量 CT 扫描中推断噪声（差分）。SDCNet 能有效去除真实低剂量 CT 扫描中的噪声并提升医学图像质量。我们在数千帧 CT 灌注图像上评估所提架构，用于重建图像去噪与灌注图量化，包括脑血流量(CBF)与脑血容量(CBV)。相较最先进的方法，SDCNet 在视觉与定量结果上均取得高性能，且具备良好的计算效率。\textit{代码见 \url{https://github.com/cswin/RC-Nets}}。
引用
@article{arxiv.1910.08364,
title = {SDCNet: Smoothed Dense-Convolution Network for Restoring Low-Dose Cerebral CT Perfusion},
author = {Peng Liu and Ruogu Fang},
journal= {arXiv preprint arXiv:1910.08364},
year = {2019}
}