用于 CT 图像迭代重建的自注意力生成对抗网络
图像与视频处理
2021-12-28 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）利用围绕人体的传感器所获取的 X 射线测量值来生成人体断层图像。如果 X 射线数据采样充分且质量高，可使用常规重建算法；然而，诸如降低患者剂量或数据采集的几何限制等问题可能导致数据质量低或不完整。使用常规方法从这些数据重建的图像由于噪声和其他伪影而质量较差。本研究的目的是训练单个神经网络，从噪声或不完整的 CT 扫描数据（包括低剂量、稀疏视角和有限角度场景）中重建高质量 CT 图像。为完成此任务，我们训练了一个生成对抗网络（GAN）作为信号先验，与 CT 数据的迭代同步代数重建技术（SART）结合使用。该网络包含自注意力模块以建模数据中的长程依赖。我们将用于 CT 图像重建的自注意力 GAN 与几种最先进的方法进行比较，包括去噪循环 GAN、CIRCLE GAN 和全变分优超化算法。结果表明，我们的方法整体性能与 CIRCLE GAN 相当，同时优于另外两种方法。
引用
@article{arxiv.2112.12810,
title = {Self-Attention Generative Adversarial Network for Iterative Reconstruction of CT Images},
author = {Ruiwen Xing and Thomas Humphries and Dong Si},
journal= {arXiv preprint arXiv:2112.12810},
year = {2021}
}
备注
16 pages, 8 figures, 5 tables