基于深度神经网络的稀疏视图 micro-CT 正弦图插值
医学物理
2019-02-14 v2 机器学习
机器学习
摘要
在稀疏视图计算机断层扫描（CT）中，仅围绕物体采集少量投影图像，正弦图插值方法对最终图像质量有显著影响。当稀疏程度（正弦图数据中缺失视图的数量）不高时，传统插值方法取得了良好的结果。当稀疏程度较高时，需要更先进的正弦图插值方法。最近，提出了几种基于深度学习（DL）的正弦图插值方法。然而，这些基于 DL 的方法迄今为止主要在计算机模拟的正弦图数据上进行测试，而非实验获取的正弦图数据。在本研究中，我们开发了一种基于 U-Net 和残差学习结合的稀疏视图 micro-CT 正弦图插值方法。我们将该方法应用于从稀疏视图 micro-CT 实验中获取的正弦图数据，其稀疏度达到 90%。由 DL 神经网络插值的正弦图被送入 FBP 算法进行重建。结果表明，CT 图像的 RMSE 和 SSIM 均得到极大改善。实验结果证明，当正弦图数据极其稀疏时，该正弦图插值方法比标准线性插值方法产生明显更好的结果。
引用
@article{arxiv.1902.03362,
title = {Sinogram interpolation for sparse-view micro-CT with deep learning neural network},
author = {Xu Dong and Swapnil Vekhande and Guohua Cao},
journal= {arXiv preprint arXiv:1902.03362},
year = {2019}
}