读论文《OSCNet: Orientation-Shared ConvolutionalNetwork for CT Metal Artifact Learning》

论文题目：面向共享的CT金属伪影学习卷积网络

论文主题：金属伪影去噪

论文地址：OSCNet_TMI2023.pdf - Google 云端硬盘

这个是oscnet+ ，oscnet进阶版，感觉和acdnet很像其实，本文读论文，下一篇博客讲讲复现

摘要：

        在本文中，我们仔细研究了具有旋转对称条纹图案的金属工件的固有特性。然后，我们特别提出了一种方向共享的卷积表示机制来适应物理先验结构，并利用基于傅立叶级数展开的滤波器参数化来建模工件，从而可以将金属工件与人体组织分离开来。采用经典的近端梯度算法求解该模型，然后利用深度展开技术，很容易构建相应的方向共享卷积网络，称为osc - net。

        我们设计了一个简单而有效的子网络，用于工件的动态卷积表示。通过将该子网络轻松集成到所提出的OSCNet框架中，我们进一步构建了一个更灵活的网络结构，称为OSCNet+，提高了泛化性能。

1 介绍

        背景部分简单的略过

        与我们的会议作品OSCNet[22]相比，本文在以下方面做了实质性的改进:1)在[22]中，工件的卷积表示是从整个训练数据集中学习的，并且是样本不变的。相比之下，在本文中，我们进一步设计了一种新的网络结构，称为OSCNet+，它可以动态地实现不同输入金属影响CT图像的卷积表示。因此，本文提出的OSCNet+具有更大的工件提取灵活性和更好的泛化性能;2)重新制定模型推导，统一两个框架，包括OSCNet和OSCNet+。这样可以让读者更好地理解我们的研究见解;3)我们在更多的数据集上进行了更多的模型验证和实验对比，全面验证了我们方法的有效性，并清晰地展示了其潜在的工作机制。此外，我们还分析了我们提出的OSCNet+的鲁棒性，以及不同因素对重建性能的影响，如成像设置和超参数选择。

2 金属工件编码的方向共享卷积模型

由于金属植入物的CT值通常比正常身体组织高得多，对于MAR任务，给定退化的CT图像Y，我们的主要目标是恢复在不考虑金属区域恢复的情况下，在非金属区域恢复相应的无金属图像。如图1所示，将分解模型定义为: