基于门控间一致性学习的连体对抗网络用于低剂量门控PET同步去噪与运动估计
图像与视频处理
2020-09-16 v1 计算机视觉与模式识别
摘要
门控常用于 PET 成像中以减少呼吸运动模糊，并便于更精细的运动校正方法。然而在低剂量 PET 应用中，降低注射剂量会导致噪声增加并降低信噪比（SNR），进而破坏运动估计/校正步骤，造成图像质量下降。为解决这些问题，我们首先提出一种连体对抗网络（SAN），可高效地从低剂量门控图像体恢复出高剂量门控图像体。为确保恢复的门控体之间外观一致，我们随后将预训练的运动估计网络嵌入 SAN，以实现门控间（G2G）一致性约束。借助高质量恢复的门控体，门控间运动矢量可同时从运动估计网络输出。在 29 名受试者的低剂量门控 PET 数据集上的综合评估表明，我们的方法能有效恢复低剂量门控 PET 体，平均 PSNR 为 37.16、SSIM 为 0.97，并同时生成稳健的运动估计，有益于后续运动校正。
引用
@article{arxiv.2009.06757,
title = {Simultaneous Denoising and Motion Estimation for Low-dose Gated PET using a Siamese Adversarial Network with Gate-to-Gate Consistency Learning},
author = {Bo Zhou and Yu-Jung Tsai and Chi Liu},
journal= {arXiv preprint arXiv:2009.06757},
year = {2020}
}
备注
Accepted at MICCAI 2020