SUPER Learning：一种用于低剂量 CT 图像重建的监督-无监督框架
机器学习
2019-10-29 v1 计算机视觉与模式识别
图像与视频处理
信号处理
机器学习
摘要
近年来，基于机器学习的模型和技术在低剂量 X 射线 CT（LDCT）成像任务中受到越来越多的关注。这些方法通常可分为监督学习方法和无监督或基于模型的学习方法。监督学习方法近期在图像复原任务中取得成功，但它们往往依赖大型训练集。基于模型的学习方法（如字典或变换学习）不需要大型或配对训练集，且通常具有良好的泛化特性，因为它们学习的是 CT 图像集的通用属性。近期工作显示了诸如 PWLS-ULTRA 等方法的良好重建性能，这些方法依赖于将底层（重建的）图像块聚类为学习的变换并集。本文提出一种新的监督-无监督（SUPER）重建框架用于 LDCT 图像重建，它结合了监督学习方法和（无监督）基于变换学习的方法（如涉及高度图像自适应聚类的 PWLS-ULTRA）的优势。SUPER 模型由若干层组成，每层包含一个以监督方式学习的深度网络和一个涉及图像自适应组件的无监督迭代方法。SUPER 重建算法以贪心方式从训练数据中学习。所提出的 SUPER 学习方法在 LDCT 上大幅优于其组成的基于监督学习的网络和迭代算法，且在迭代重建模块中使用了少得多的迭代次数。
引用
@article{arxiv.1910.12024,
title = {SUPER Learning: A Supervised-Unsupervised Framework for Low-Dose CT Image Reconstruction},
author = {Zhipeng Li and Siqi Ye and Yong Long and Saiprasad Ravishankar},
journal= {arXiv preprint arXiv:1910.12024},
year = {2019}
}
备注
Accepted to International Conference on Computer Vision (ICCV) - Learning for Computational Imaging (LCI) Workshop, 2019