SynthRAR: 使用展开网络和合成数据训练减少CT中的环状伪影
计算机视觉与模式识别
2026-02-13 v1 人工智能
摘要
CT探测器中缺陷和不一致的响应会在重建图像中引起环状和条状伪影，使其无法用于临床目的。近年来，已经提出了几种在图像域或正弦图域中使用监督深度学习的环状伪影减少解决方案。然而，这些方法需要专门的数据集进行训练，导致数据收集成本高昂。此外，现有方法只专注于图像空间或正弦图空间的校正，忽略了CT几何前向操作的内在相关性。基于非理想CT探测器响应的理论分析，通过使用展开网络将RAR问题重新表述为一个逆问题，该网络同时考虑了非理想响应和CT几何的线性前向投影。此外，通过利用源自自然图像的合成数据，利用了正弦图和图像域之间环状伪影的内在相关性，使得训练后的模型无需真实临床数据即可校正伪影。在多种扫描几何和解剖区域上的广泛评估表明，在合成数据上训练的模型始终优于现有的最先进方法。
引用
@article{arxiv.2602.11880,
title = {SynthRAR: Ring Artifacts Reduction in CT with Unrolled Network and Synthetic Data Training},
author = {Hongxu Yang and Levente Lippenszky and Edina Timko and Gopal Avinash},
journal= {arXiv preprint arXiv:2602.11880},
year = {2026}
}
备注
Prepare for submission