基于 Primal-Dual UNet 的 sinogram 上采样用于欠采样 CT 与径向 MRI 重建
图像与视频处理
2023-03-03 v2 计算机视觉与模式识别
机器学习
医学物理
摘要
计算机断层扫描与磁共振成像是两种广泛使用的无创诊断临床成像方式。然而，这两种方式均存在一定问题。CT 使用有害电离辐射，而 MRI 采集速度慢。这两个问题均可通过欠采样（如稀疏采样）来解决。然而，此类欠采样数据导致分辨率降低并引入伪影。已有若干技术（包括基于深度学习的方法）被提出用于重建此类数据。然而，这两种方式的欠采样重建问题一直被视为两个不同问题并分别由不同研究工作处理。本文提出一种针对稀疏 CT 与欠采样径向 MRI 重建的统一解决方案，通过对径向 MRI 施加基于傅里叶变换的预处理，并最终使用 sinogram 上采样结合滤波反投影重建两种方式。Primal-Dual 网络是一种基于深度学习、用于重建稀疏采样 CT 数据的方法。本文引入 Primal-Dual UNet，在精度与重建速度上改进了 Primal-Dual 网络。所提方法在稀疏度为 16 的扇束几何下进行稀疏 CT 重建时获得了 0.932\textpm0.021 的平均 SSIM，较先前模型的 0.919\textpm0.016 取得统计显著改进。此外，所提模型在以加速因子 16 重建欠采样脑与腹部 MRI 数据时分别获得 0.903\textpm0.019 与 0.957\textpm0.023 的平均 SSIM，较原模型的 0.867\textpm0.025 与 0.949\textpm0.025 均取得统计显著改进。
引用
@article{arxiv.2112.13443,
title = {Sinogram upsampling using Primal-Dual UNet for undersampled CT and radial MRI reconstruction},
author = {Philipp Ernst and Soumick Chatterjee and Georg Rose and Oliver Speck and Andreas Nürnberger},
journal= {arXiv preprint arXiv:2112.13443},
year = {2023}
}