WNet：一种用于稀疏视角计算机断层扫描的带可训练重建层的数据驱动双域去噪模型
图像与视频处理
2023-04-04 v2 计算机视觉与模式识别
机器学习
摘要
基于深度学习的解决方案正被成功应用于广泛领域。尤为突出的是，临床用例获得了越来越多的关注，并成为近年来一些前沿数据驱动算法提出的主要驱动力。对于稀疏视角断层重建等应用，为保持短采集时间与低辐射剂量而使测量数据量很小，减少条纹伪影促使了数据驱动去噪算法的发展，其主要目标是仅用全扫描数据的子集获得具诊断可行性的图像。我们提出 WNet，一种数据驱动双域去噪模型，其包含用于稀疏视角伪影去噪的可训练重建层。两个编码器-解码器网络同时在正弦图和重建域中进行去噪，而实现滤波反投影（Filtered Backprojection）算法的第三层夹在前两者之间，负责重建操作。我们研究了该网络在稀疏视角胸部 CT 扫描上的性能，并强调了相较更常规固定重建层，拥有可训练重建层的额外益处。我们在两个临床相关数据集上训练并测试了我们的网络，并将所得结果与三类不同的稀疏视角 CT 去噪与重建算法进行比较。
引用
@article{arxiv.2207.00400,
title = {WNet: A data-driven dual-domain denoising model for sparse-view computed tomography with a trainable reconstruction layer},
author = {Theodor Cheslerean-Boghiu and Felix C. Hofmann and Manuel Schultheiß and Franz Pfeiffer and Daniela Pfeiffer and Tobias Lasser},
journal= {arXiv preprint arXiv:2207.00400},
year = {2023}
}
备注
Publisehd at IEEE TCI in January 2023. Supplementary materials are available @IEEE