以半案例式基于学习的方式用于计算机层析成像的权重编码重建网络
图像与视频处理
2020-10-05 v1 计算机视觉与模式识别
机器学习
摘要
用于计算机层析成像的经典代数重建技术（ART）需要预先确定体素的权重以投影像素值。然而，由于物理认知与计算资源的限制，此类权重无法准确获得。在本研究中，我们提出一种名为权重编码重建网络（WERNet）的半案例式基于学习的方法，以解决上述提及的问题。该模型以自监督方式训练，无需体素集标签。它包含两条分支，包括体素权重编码器与体素注意力部分。利用梯度归一化，我们能够在数值上稳定地协同训练编码器与体素集。借助 WERNet，重建结果与真值的余弦相似度大于 0.999。此外，与经典 ART 方法相比，该模型展现出卓越的去噪能力。在模型的泛化测试中，编码器可从具有复杂结构的体素集迁移至未见过的案例而不损失精度。
引用
@article{arxiv.2010.00893,
title = {Weight Encode Reconstruction Network for Computed Tomography in a Semi-Case-Wise and Learning-Based Way},
author = {Hujie Pan and Xuesong Li and Min Xu},
journal= {arXiv preprint arXiv:2010.00893},
year = {2020}
}