用于有限角度 CT 重建的无监督可学习正弦图修复网络（SIN）
医学物理
2018-11-12 v1 图像与视频处理
摘要
本文提出一种正弦图修复网络（SIN）以解决有限角度 CT 重建问题，该问题极具挑战且病态，并在多项临床应用中备受关注。该问题的常见方法是带正则项的迭代重建算法，可抑制伪影并改善图像质量，但计算成本高。本文出发点为证明有限角度正弦图的修复函数是连续的，依据通用逼近定理，可由神经网络以数据驱动方式逼近。基于此，我们提出 SIN 作为拟合函数——一种训练用于以扫描数据为条件生成缺失正弦图数据的卷积神经网络。除 CNN 模块外，我们设计了两个可微分且快速的模块，Radon 与逆 Radon 变换网络，将物理模型封装于训练过程中。它们支持新的联合损失函数同步优化正弦图与重建图像，显著提升了图像质量。为应对临床研究中的标注数据瓶颈，我们构建了正弦图-图像-正弦图闭环，正弦图间差异可用作训练损失。如此，所提网络可自训练，仅需有限角度数据即可进行无监督域适应。我们在 Data Science Bowl 2017 的肺部 CT 数据集上展示了该网络的并行束 X 射线 CT 性能，以及其在 Zubal 体模中无监督迁移学习的能力。所提方法在 PSNR 与 SSIM 指标上优于当前最优方法 SART-TV，重建结果有显著的视觉改善。
引用
@article{arxiv.1811.03911,
title = {Unsupervised Learnable Sinogram Inpainting Network (SIN) for Limited Angle CT reconstruction},
author = {Ji Zhao and Zhiqiang Chen and Li Zhang and Xin Jin},
journal= {arXiv preprint arXiv:1811.03911},
year = {2018}
}