用于低剂量 CT 中增强预测稳定性的可训练联合双边滤波器
图像与视频处理
2022-10-21 v1 计算机视觉与模式识别
摘要
低剂量计算机断层扫描（CT）去噪算法旨在常规 CT 采集中实现降低患者剂量的同时维持高图像质量。近来，基于深度学习（DL）的方法被引入，凭借其高模型容量在该任务上优于传统去噪算法。然而，为使基于 DL 的去噪过渡到临床实践，这些数据驱动方法必须稳健地泛化到所见训练数据之外。因此，我们提出一种混合去噪方法，由一组可训练联合双边滤波器（JBFs）与基于卷积 DL 的去噪网络（用于预测引导图像）组合而成。我们提出的去噪流程将基于 DL 的特征提取所赋能的高模型容量与传统 JBF 的可靠性相结合。该流程的泛化能力通过在无金属植入的腹部 CT 扫描上训练，并在含金属植入的腹部扫描以及头部 CT 数据上测试得以证明。当将两种成熟的基于 DL 的去噪器（RED-CNN/QAE）嵌入我们的流程时，相较于各自的原始模型，在含金属区域去噪性能提升 /（RMSE）和 /（PSNR），在头部 CT 数据上提升 /（RMSE）和 /（PSNR）。综上，所提出的可训练 JBF 限制了深度神经网络的误差界，以促进基于 DL 的去噪器在低剂量 CT 流程中的适用性。
引用
@article{arxiv.2207.07368,
title = {Trainable Joint Bilateral Filters for Enhanced Prediction Stability in Low-dose CT},
author = {Fabian Wagner and Mareike Thies and Felix Denzinger and Mingxuan Gu and Mayank Patwari and Stefan Ploner and Noah Maul and Laura Pfaff and Yixing Huang and Andreas Maier},
journal= {arXiv preprint arXiv:2207.07368},
year = {2022}
}