自监督去噪框架

在工业场景下使用Computed Tomography (CT) 重建图像会带来与临床 CT 等其他领域不同的具体挑战。Indeed, non-destructive testing with industrial CT 常常涉及扫描多个相似对象且保持高吞吐量，这需要较短的扫描时间，而这在临床 CT 中并非主要关注点。在对断层扫描数据（正弦ogram）进行欠抽样是一种自然的缩短扫描时间的办法，但会牺牲图像质量，因为后者取决于测量次数。在这种情况下，需要后处理技术来补偿正弦ogram 稀疏性所诱导的图像伪影。我们提出了自监督去噪框架 (SDF)，一种自监督训练方法，利用在高度抽样正弦ogram 数据上的预训练，以提高来自欠抽样正弦ogram 数据重建图像的质量。SDF 的主要贡献在于，它提出在正弦ogram 空间中训练图像去噪器，将学习任务设定为从另一个正弦ogram 子集中预测第三个正弦ogram 子集。因此，不需要真实图像数据，利用 CT 中丰富的数据模态——正弦ogram——可以大幅提高来自少量测量次数重建图像的质量。我们在两种设置下都证明了 SDF 产生更好的图像质量，包括 2D fan-beam 和 3D cone-beam CT 设置，主要以峰信号信噪比为准则。此外，我们展示了 SDF 提供的增强效果在对少数示例进行微调时仍然有效，表明它是少量高质量图像数据情境下的合适的预训练技术。我们的结果基于实验数据，表明 SDF 是构建 CT 中基础图像增强模型的强有力候选人。