SdCT-GAN：基于自驱动生成对抗网络从双平面X射线重建CT
图像与视频处理
2023-09-12 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）是一种医学成像方式，能够生成比二维X射线更具信息量的三维图像。然而，这一优势是以更高的辐射暴露、更高的成本和更长的采集时间为代价的。因此，利用有限数量的二维X射线重建三维CT图像作为一种经济替代方案已变得十分重要。尽管如此，现有方法主要优先最小化像素/体素级强度差异，往往忽视合成图像中纹理细节的保持。这一疏忽直接影响重建图像的质量，从而影响临床诊断。为解决这些不足，本文提出一种新的自驱动生成对抗网络模型（SdCT-GAN），其动机是通过在判别器中引入一种新颖的自编码器结构来更多地关注图像细节。此外，模型中应用了Sobel梯度引导器（SGG）思想，可整合输入处二维X射线图像的边缘信息。而且，采用了LPIPS（Learned Perceptual Image Patch Similarity，学习感知图像块相似度）评价指标，相比现有指标能更好地定量评估重建图像的精细轮廓与纹理。最后，实证研究的定性与定量结果证明了所提模型相较于主流SOTA基线的优越性。
引用
@article{arxiv.2309.04960,
title = {SdCT-GAN: Reconstructing CT from Biplanar X-Rays with Self-driven Generative Adversarial Networks},
author = {Shuangqin Cheng and Qingliang Chen and Qiyi Zhang and Ming Li and Yamuhanmode Alike and Kaile Su and Pengcheng Wen},
journal= {arXiv preprint arXiv:2309.04960},
year = {2023}
}