基于大型视觉模型深度图像先验的锥束 CT 重建稳定优化
图像与视频处理
2024-01-30 v2 计算机视觉与模式识别
摘要
大型视觉模型（LVM）近期在医学成像任务中展现出巨大潜力，有望实现稀疏视角锥束计算机断层扫描（CBCT）的图像增强，尽管其训练需要大量数据。同时，深度图像先验（DIP）能有效引导未经训练的神经网络在无任何训练数据的情况下生成高质量 CBCT 图像。然而，原始 DIP 方法依赖于定义良好的前向模型与大容量骨干网络，其收敛 notoriously 困难。本文中，我们提出一种针对无前向模型、基于 LVM 的 DIP 模型用于稀疏视角 CBCT 的稳定优化方法。我们的方法具有两个主要特征：（1）多尺度感知损失（MSPL），其在多分辨率下度量参考图像与输出图像间感知特征的相似性，且无需任何前向模型；（2）稳定 MSPL 迭代轨迹的重加权机制。采用单次优化同时稳定地重加权 MSPL 并优化 LVM。我们在两个公开数据集 SPARE 与 Walnut 上评估了我们的方法。结果显示图像质量指标与可视化均有显著提升，证明了条纹伪影的减少。源代码可应请求提供。
引用
@article{arxiv.2203.12476,
title = {Stable Optimization for Large Vision Model Based Deep Image Prior in Cone-Beam CT Reconstruction},
author = {Minghui Wu and Yangdi Xu and Yingying Xu and Guangwei Wu and Qingqing Chen and Hongxiang Lin},
journal= {arXiv preprint arXiv:2203.12476},
year = {2024}
}
备注
5 pages, 4 figures, 1 table. Accepted to ICASSP 2024