用于有限数据光声层析成像的 sinogram 超分辨与去噪卷积神经网络（SRCN）
图像与视频处理
2020-01-20 v1 医学物理
摘要
重建的光声图像质量在很大程度上取决于可用的光声（PA）边界数据量，而后者又与所采用的探测器数量成正比。在有限数据情况下（由于成本/仪器限制导致探测器数量较少），重建的 PA 图像会出现伪影且通常含有噪声。本工作中，我们首次开发了基于深度学习的模型，对光声 sinogram 数据进行超分辨与去噪。所提方法与现有的最近邻插值及基于小波的去噪技术进行比较，并在数值与体内案例中均表现更优。相较于使用有限 sinogram 数据，利用所提基于神经网络的方法进行超分辨与去噪后的 sinogram 数据重建的 PA 图像，其均方根误差（RMSE）和峰值信噪比（PSNR）的改善分别高达 41.70% 和 6.93 dB。
引用
@article{arxiv.2001.06434,
title = {Sinogram super-resolution and denoising convolutional neural network (SRCN) for limited data photoacoustic tomography},
author = {Navchetan Awasthi and Rohit Pardasani and Sandeep Kumar Kalva and Manojit Pramanik and Phaneendra K. Yalavarthy},
journal= {arXiv preprint arXiv:2001.06434},
year = {2020}
}