用于无监督金属伪影缩减的三维生成对抗网络
图像与视频处理
2020-08-24 v3 人工智能
计算机视觉与模式识别
机器学习
摘要
在计算机断层扫描（CT）图像中减少金属伪影，特别是由多个金属物体产生的强伪影，是医学影像研究中的一个挑战性问题。尽管已有一些通过合成伪影学习的有监督金属伪影缩减研究，但模拟伪影难以涵盖X射线传播中可能观察到的真实物理现象的复杂性。本文中，我们提出了基于从临床CT图像学习的无监督体到体平移的金属伪影缩减方法。我们构建了带有针对多个牙科填充物金属伪影设计的正则化损失函数的三维对抗网络。使用来自真实患者的915个CT体积进行的实验结果表明，所提出的框架具有出色的强伪影缩减与恢复底层缺失体素的能力，同时保留了原始图像中软组织与牙齿结构的解剖特征。
引用
@article{arxiv.1911.08105,
title = {Three-dimensional Generative Adversarial Nets for Unsupervised Metal Artifact Reduction},
author = {Megumi Nakao and Keiho Imanishi and Nobuhiro Ueda and Yuichiro Imai and Tadaaki Kirita and Tetsuya Matsuda},
journal= {arXiv preprint arXiv:1911.08105},
year = {2020}
}