HR-pQCT 骨成像中基于深度学习的 Sinogram 域运动模拟与图像域畸变纠正
计算机视觉与模式识别
2025-09-16 v1
摘要
刚性运动畸变，如皮质骨 streaking 和骨密度 smearing，阻碍了体内骨微结构的评估。尽管有各种运动分级技术，但由于缺乏标准化退化模型，目前尚无运动纠正方法。我们优化了基于 sinogram 的传统方法，以模拟HR-pQCT图像中的运动畸变，构建运动损坏图像与其对应真实图的配对数据集，无缝集成到监督式学习框架中用于运动纠正。因此，我们提出一种带梯度惩罚的 Edge-enhanced Self-attention Wasserstein 生成对抗网络(ESWGAN-GP)，以纠正源数据集（模拟）和目标数据集（真实）中的运动畸变。该模型采用增强边缘的跳跃连接以保留骨密度边缘，运用自注意力机制捕获长程依赖，实现运动纠正。采用基于 VGG 的感知损失重建细微的微结构特征。ESWGAN-GP 在源数据集上实现平均信噪比(SNR)为26.78，结构相似性指数(SSIM)为0.81，视觉信息保真度(VIF)为0.76；在目标数据集上表现提升，SNR为29.31，SSIM为0.87，VIF为0.81。虽然所提出的方法代表了对真实世界运动畸变简化表征，可能未完全捕捉体内运动畸变的复杂性，但由于运动畸变是此模式更广泛应用的首要挑战，这些方法为在HR-pQCT中实施基于深度学习的运动纠正提供了重要的初始步骤。
引用
@article{arxiv.2509.10961,
title = {Simulating Sinogram-Domain Motion and Correcting Image-Domain Artifacts Using Deep Learning in HR-pQCT Bone Imaging},
author = {Farhan Sadik and Christopher L. Newman and Stuart J. Warden and Rachel K. Surowiec},
journal= {arXiv preprint arXiv:2509.10961},
year = {2025}
}