电气工程与系统科学 > 图像与视频处理
[提交于 2025年1月9日
]
标题: 基于低剂量X射线CT的端到端深度学习用于内部断层扫描
标题: End-to-End Deep Learning for Interior Tomography with Low-Dose X-ray CT
摘要: 目标:存在几种减少辐射剂量的X射线计算机断层扫描(CT)扫描策略,例如(1)稀疏视图CT,(2)低剂量CT,以及(3)感兴趣区域(ROI)CT(称为内部成像)。为了进一步降低剂量,可以将稀疏视图和/或低剂量CT设置与内部成像结合使用。内部成像在减少探测器数量和降低X射线辐射剂量方面具有多种优势。然而,大患者或小视野(FOV)探测器可能导致截断投影,从而导致重建图像出现严重的杯状伪影。此外,尽管低剂量CT可以降低辐射暴露剂量,但分析重建算法会产生图像噪声。最近,许多研究人员利用图像域深度学习(DL)方法去除每种伪影,并展示了令人印象深刻的表现,深度卷积框架理论支持了性能提升的原因。方法:在本文中,我们发现基于深度卷积框架的图像域卷积神经网络(CNN)难以解决耦合伪影。意义:为了解决耦合问题,我们将其解耦为两个子问题:(i)截断投影内的图像域噪声减少以解决低剂量CT问题,以及(ii)截断投影外的投影外推以解决ROI CT问题。解耦的子问题通过一种新颖提出的使用双域CNN的端到端学习直接解决。主要结果:我们证明所提出的方法优于传统的图像域深度学习方法,投影域CNN的表现优于许多研究人员常用的图像域CNN。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.