零样本 Artifact2Artifact：基于自激励的无数据光声成像消除伪影方法
计算机视觉与模式识别
2024-12-30 v2
摘要
光声成像（PAI）独特地将光学对比度与超声的穿透深度结合起来，对于临床应用至关重要。然而，3D PAI 的质量常常因由探测器阵列稀疏和角度受限配置导致的重建伪影而受到影响。现有的迭代或深度学习方法要么耗时，要么需要大量训练数据，显著限制了其实际应用。我们提出了零样本 Artifact2Artifact（ZS-A2A），一种基于超轻量网络的零样本自监督式伪影消除方法，利用重建伪影对数据损失引起的不规则性的敏感性。通过对获取的 PA 数据引入随机扰动，系统会自行生成子集数据，从而激励网络学习重建结果中的伪影模式，从而实现零样本消除。该方法既不需要训练数据，也不需要伪影的先验知识，能够实现 3D PAI 的消除。对于使用任意稀疏或角度受限探测器阵列获取的最大�幅投影（MAP）图像或 3D PAI 的切片图像，ZS-A2A 采用自激励策略完成消除，并提高对比度-噪声比（CNR）。我们在模拟研究和体内动物实验中验证了 ZS-A2A。结果表明，ZS-A2A 在现有零样本方法中实现了最先进（SOTA）性能；对于体内大鼠肝脏，ZS-A2A 在仅 8 秒内将 CNR 从 17.48 提升至 43.46。ZS-A2A 项目将在随后发布的 GitHub 仓库中提供：https://github.com/JaegerCQ/ZS-A2A。
引用
@article{arxiv.2412.14873,
title = {Zero-Shot Artifact2Artifact: Self-incentive artifact removal for photoacoustic imaging without any data},
author = {Shuang Li and Qian Chen and Chulhong Kim and Seongwook Choi and Yibing Wang and Yu Zhang and Changhui Li},
journal= {arXiv preprint arXiv:2412.14873},
year = {2024}
}