SS-CTML：基于自监督跨任务相互学习的 CT 图像重建
图像与视频处理
2025-01-06 v1 计算机视觉与模式识别
机器学习
摘要
监督式深度学习 (SDL) 技术在 X 射线断层扫描 (CT) 图像重建中得到广泛研究。然而，由于临床常规操作中获取配对训练数据集困难，SDL 方法距离临床实践的普遍应用仍有距离。近年来，自监督式深度学习 (SSDL) 技术在 CT 图像重建研究中展现出巨大潜力。本文提出一种自监督跨任务相互学习 (SS-CTML) 框架用于 CT 图像重建。具体而言，首先从全视野扫描的 sinogram 数据中提取稀疏视野扫描和受限视野扫描的 sinogram 数据，从而形成三个独立的重建任务，即全视野 CT (FVCT) 重建、稀疏视野 CT (SVCT) 重建和受限视野 CT (LVCT) 重建。随后为这三个重建任务构建三个神经网络。鉴于这三个任务的最终目标均为重建高质量 CT 图像，我们因此为三个任务构建一组跨任务相互学习目标，使得这三个神经网络能够通过相互学习实现自监督优化。采用临床数据集评估所提出框架的有效性。实验结果表明，SS-CTML 框架在定量和定性测量方面均能获得令人满意的 CT 图像重建性能。
引用
@article{arxiv.2501.01456,
title = {SS-CTML: Self-Supervised Cross-Task Mutual Learning for CT Image Reconstruction},
author = {Gaofeng Chen and Yaoduo Zhang and Li Huang and Pengfei Wang and Wenyu Zhang and Dong Zeng and Jianhua Ma and Ji He},
journal= {arXiv preprint arXiv:2501.01456},
year = {2025}
}