基于深度学习的正弦图插值法论文认读

总述

一、摘要

在稀疏视图计算机断层摄影—CT中，物体周围投影很少，正弦图插值方法对图像质量影响很大。

1. 稀疏量不大时，效果很好。
2. 稀疏量高的时候，需要更先进的正弦图插值方法。
3. 基于深度学习的正弦图插值方法被提出。
4. 但是这些DL方法的测试是在计算机模拟的数据上测试的，不是实验获得的正弦图数据。
5. 我们本次研究开发的方法基于U-net网络和残差学习（residual learning）相结合。
6. 方法应用于实验获得的稀疏性达到90%的数据。
7. 将DL神经网络的插值正弦图引入“FBP”算法进行重建。
8. CT图像的RMSE和SSIM都有显著的提高。（两个参数）
9. 实验结果表明，当稀疏值非常高时，DL正弦图插值法比标准的线性插值法效果更好。

二、关键词

Sparse View（稀疏视图）、 Deep Learning（深度学习）、CT（Computed Tomography计算机断层扫描）、Sinogram（正弦图）

一、介绍（Introduction）

1. CT很有用
2. CT的特征是快速扫描和空间分辨率
3. CT的辐射危害很大
4. 辐射剂量对CT图像质量影响很大
5. 我们只有保证图片质量的前提下才可以降低剂量
6. CT系统优化、CN（?）范围最小化和曝光自动控制对图质都有帮助
7. 稀疏野的CT图像重建是降低辐射量的有效方法
8. 它目前的挑战是图像重建。

---

1. 压缩感知理论已应用
2. 优化求解器框架也很有效。但是迭代方法在计算方面比较复杂。
3. FB