基于注意力引导 beta-CycleGAN 的无监督 CT 金属伪影学习
图像与视频处理
2020-07-08 v1 计算机视觉与模式识别
机器学习
信号处理
机器学习
摘要
金属伪影抑制（MAR）是计算机断层扫描（CT）中最重要的研究课题之一。随着用于图像重建的深度学习技术的进步，各种深度学习方法也被提出用于金属伪影去除，其中监督学习方法最为流行。然而，在真实 CT 采集中难以获得匹配的无金属与含金属图像对。最近，一种基于特征解耦的有前景的无监督 MAR 学习方法被提出，但其网络结构复杂且难以处理大尺寸临床图像。为此，本文提出一种更简单且更有效的 CT 无监督 MAR 方法。所提方法基于从最优传输理论推导出的新颖 beta-cycleGAN 架构，以实现适当的特征空间解耦。另一重要贡献在于表明注意力机制是有效去除金属伪影的关键要素。具体而言，通过添加卷积块注意力模块（CBAM）层并配合适当的解耦参数，实验结果证实我们可获得改进的 MAR，且能保留原始图像的细节纹理。
引用
@article{arxiv.2007.03480,
title = {Unsupervised CT Metal Artifact Learning using Attention-guided beta-CycleGAN},
author = {Junghyun Lee and Jawook Gu and Jong Chul Ye},
journal= {arXiv preprint arXiv:2007.03480},
year = {2020}
}