即插即用方法在低剂量 CT 重建中能在多大程度上优于单独的神经网络
图像与视频处理
2022-02-16 v1 计算机视觉与模式识别
摘要
即插即用（PnP）框架近期被引入用于低剂量 CT 重建，以利用基于模型方法的可解释性与灵活性来整合各类插件，如训练好的深度学习（DL）神经网络。然而，PnP 相对于最先进 DL 方法的优势尚未被清晰证明。在这项工作中，我们提出了一种改进的 PnP 框架以解决此前的局限，并开发临床相关的分割指标用于定量结果评估。与单独 DL 方法相比，我们提出的 PnP 框架在 MSE 和 PSNR 上略逊一筹。然而，所得图像的功率谱比 DL 去噪图像更好地匹配全剂量图像。所得图像在所有测试集中十名患者的气道分割上支持比 DL 去噪图像更高的准确率，在横截面小于 0.61cm 的气道上更为显著，并且在肺叶分割中 50 个肺叶里有 45 个优于 DL 去噪图像。我们的 PnP 方法被证明在保留图像纹理上显著更优，这转化为自动化结构分割与检测中的任务特定益处。
引用
@article{arxiv.2202.07173,
title = {To what extent can Plug-and-Play methods outperform neural networks alone in low-dose CT reconstruction},
author = {Qifan Xu and Qihui Lyu and Dan Ruan and Ke Sheng},
journal= {arXiv preprint arXiv:2202.07173},
year = {2022}
}
备注
Accepted to IEEE ISBI 2022