用于评估医学图像恢复中幻觉的 sFRC

深度学习 (DL) 方法正在被探索用于稀疏视图、数据有限和欠采样获取的医学图像恢复。尽管 DL 输出可能基于可接受性/主观标准（如降低噪声、平滑特征）看起来令人愉悦，但它们也可能受到幻觉的影响。由于缺乏易于使用的技术和鲁棒的指标来识别 DL 输出中的幻觉，这一问题进一步恶化。在本工作中，我们提出对小块执行傅里叶环相关 (FRC) 分析，并同时扫描 DL 输出及其参考对像以检测幻觉（称为 sFRC）。我们描述了 sFRC 的理念并提供其数学公式。sFRC 所需的参数可使用由领域专家标注的预定义幻觉特征，或使用基于成像理论的幻觉图谱设置。我们使用 sFRC 检测三个欠采样医学成像问题中的幻觉：CT 超分辨率、CT 稀疏视图和 MRI 亚采样恢复。在测试阶段，我们展示了 sFRC 在检测 CT 问题中幻觉特征方面的有效性，以及 sFRC 在 MRI 问题中与基于成像理论的输出在幻觉特征图谱方面的一致性。最后，我们量化了 DL 方法在分布内与分布外数据以及在增加的亚采样率下的幻觉率，以刻画 DL 方法的鲁棒性。除了基于 DL 的方法外，sFRC 在检测常规正则化恢复方法和最先进的展开方法中的幻觉方面的有效性也得到了展示。