基于物理的自监督计算机断层扫描去噪
图像与视频处理
2022-11-03 v1 计算机视觉与模式识别
摘要
计算机断层扫描（CT）因其固有的 X 射线辐射而对患者构成风险，这促使了低剂量 CT（LDCT）成像方法的发展。降低辐射剂量可减少健康风险，但会导致测量更噪，从而降低组织对比度并在 CT 图像中引起伪影。最终，这些问题可能影响医务人员的判读并导致误诊。现代深度学习噪声抑制方法缓解了此挑战，但需要低噪-高噪 CT 图像对进行训练，而这在常规临床流程中很少收集。本工作中，我们引入了一种新的自监督 CT 去噪方法 Noise2NoiseTD-ANM，其可在无需高剂量 CT 投影真值图像的情况下训练。与先前提出的自监督技术不同，所引入的方法利用了相邻投影之间的关联以及 CT 噪声分布的实际模型。这种组合使得仅使用原始含噪 LDCT 投影即可进行可解释的盲参考去噪。我们的 LDCT 数据实验表明，所提方法达到了全监督模型的水平，有时甚至超越它们，易于泛化到各种噪声水平，并优于最先进的自监督去噪算法。
引用
@article{arxiv.2211.00745,
title = {Self-supervised Physics-based Denoising for Computed Tomography},
author = {Elvira Zainulina and Alexey Chernyavskiy and Dmitry V. Dylov},
journal= {arXiv preprint arXiv:2211.00745},
year = {2022}
}
备注
13 pages, 12 figures. Under review