基于先验知识迁移与对比正则化机制的全身体低剂量 CT 图像去噪
图像与视频处理
2023-07-19 v2 计算机视觉与模式识别
医学物理
摘要
降低患者在全身体 CT 扫描中的辐射暴露已引起医学影像界的广泛关注。鉴于低辐射剂量可能导致噪声与伪影增加，极大影响临床诊断。为获取高质量全身体低剂量 CT（LDCT）图像，既往基于深度学习的研究工作引入了多种网络架构。然而，此类方法大多仅采用正常剂量 CT（NDCT）图像作为真值来引导去噪网络训练。这种简单约束导致模型效果有限，并使重建图像遭受过度平滑效应。本文提出一种新颖的任务内知识迁移方法，利用从 NDCT 图像中提取的知识辅助 LDCT 图像的训练过程。所衍生的架构称为教师-学生一致性网络（TSC-Net），由架构相同的教师网络与学生网络组成。通过中间特征的监督，鼓励学生网络模仿教师网络并获取丰富纹理细节。此外，为进一步挖掘 CT 扫描所含信息，引入了基于对比学习构建的对比正则化机制（CRM）。CRM 在潜空间中将重建的 CT 图像拉向 NDCT 样本、推离 LDCT 样本。另外，基于注意力与可变形卷积机制，我们设计了动态增强模块（DEM）以提升网络变换能力。
引用
@article{arxiv.2112.00729,
title = {Total-Body Low-Dose CT Image Denoising using Prior Knowledge Transfer Technique with Contrastive Regularization Mechanism},
author = {Minghan Fu and Yanhua Duan and Zhaoping Cheng and Wenjian Qin and Ying Wang and Dong Liang and Zhanli Hu},
journal= {arXiv preprint arXiv:2112.00729},
year = {2023}
}
备注
Want to improve the methodology