基于贝叶斯不确定性对齐的低剂量 CT 重建无监督域自适应
图像与视频处理
2024-06-04 v2 计算机视觉与模式识别
机器学习
摘要
低剂量计算机断层扫描（LDCT）图像重建技术能够在保持可接受成像质量的同时减少患者辐射暴露。深度学习在该问题中被广泛应用，但由于临床场景中测试数据（即目标域）出现了训练数据（即源域）中未遇到的变异，其性能常常下降。LDCT 重建的无监督域自适应（UDA）已通过分布对齐被提出以解决此问题。然而，现有 UDA 方法未能利用不确定性量化，而这对于面对意外变异的临床场景中可靠的智能医疗系统至关重要。此外，现有针对不同患者的直接对齐会导致内容失配问题。为解决这些问题，我们提出利用概率重建框架，在潜空间与图像空间中对源域与目标域进行联合差异最小化。在潜空间中，我们设计了一种贝叶斯不确定性对齐以缩减两域之间的认知差距。该方法降低了目标域数据的不确定性水平，使其更可能在目标域上给出良好重建结果。在图像空间中，我们提出锐度感知分布对齐以实现二阶信息的匹配，从而确保来自目标域的重建图像具有与源域正常剂量 CT 图像相似的锐度。在两个模拟数据集与一个临床低剂量成像数据集上的实验结果表明，我们所提方法在定量与可视化性能上均优于其他方法。
引用
@article{arxiv.2302.13251,
title = {Unsupervised Domain Adaptation for Low-dose CT Reconstruction via Bayesian Uncertainty Alignment},
author = {Kecheng Chen and Jie Liu and Renjie Wan and Victor Ho-Fun Lee and Varut Vardhanabhuti and Hong Yan and Haoliang Li},
journal= {arXiv preprint arXiv:2302.13251},
year = {2024}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems