基于深度学习神经网络的稀疏视角CT的Sin图插值 Sinogram interpolation for sparse-view micro-CT with deep learning neural network 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。
- 稀疏量不大时,效果很好。
- 稀疏量高的时候,需要更先进的正弦图插值方法。
- 基于深度学习的正弦图插值方法被提出。
- 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。
- 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。
- 方法应用于实验获得的稀疏性达到90%的数据。
- 将DL神经网络的插值正弦图引入“FBP”算法进行重建。
- CT图像的RMSE和SSIM都有显著的提高。(两个参数)
- 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)
- CT很有用
- CT的特征是快速扫描和空间分辨率
- CT的辐射危害很大
- 辐射剂量对CT图像质量影响很大
- 我们只有保证图片质量的前提下才可以降低剂量
- 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
- 稀疏野的CT图像重建是降低辐射量的有效方法
- 它目前的挑战是图像重建。
- 压缩感知理论已应用
- 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。
- FB