ADN: Artifact Disentanglement Network forUnsupervised Metal Artifact Reduction--无监督的CT重建

wangtao990503

已于 2022-04-19 16:20:38 修改

阅读量4.3k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：论文阅读文章标签：图像处理 GAN 深度学习卷积神经网络

于 2022-04-19 16:06:18 首次发布

本文链接：https://blog.youkuaiyun.com/wangtao990503/article/details/124267147

本文提出了一种创新的无监督金属伪影去除方法，通过引入伪影解缠网络（ADN），在没有成对图像的情况下，将金属伪影从CT图像中解缠并去除。该模型包含一对内容编码器和伪像编码器，以及解码器，通过对抗性损失、重建损失和伪影一致性损失等进行训练。实验表明，该方法在不需要配对数据的情况下，能够实现与监督模型相当的效果，并具有更强的泛化能力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文提出了第一个无监督的金属伪影去除方法，具体地说，它引入了一种新的伪影解缠网络，该网络将金属伪影从潜伏空间的CT图像中解缠。它支持不同形式的生成(伪影减少、伪影转移和自我重建等)。该模型实现了比现有的监督模型等效的结果，并且比它们的泛化能力更强。

介绍

成对的带有金属伪影和不带有金属伪影的图像在实际中是很难获取的，于是大多数的监督方法都是求助于人工合成的带有伪影的图像来进行训练，然而，由于金属伪影的复杂性和CT设备的变化，合成的伪影可能无法准确地再现真实的临床场景，并且这些监督方法的性能在临床应用中往往会下降。

图1. 伪影解缠：输入带伪影的x^a和干净的y，通过内容空间的变化对x进行解缠，解缠得到的伪影图像再与y组合生成带伪影的y^a，具体用法看后文

本文将伪影减少问题重新表述成伪影解缠问题，如图1所示，我们假设任何受伪像影响的图像都由伪像成分(即，金属伪像、噪声等)和内容成分(即无伪影图像)。我们的目标是在潜在空间中解开这两个分量，并且通过重建没有伪影分量的ct图像可以容易地实现伪影的减少。基本上，通过将ct图像分组为两组，一组具有金属伪影，另一组没有金属伪影，使得这种没有成对图像的伪影解开成为可能。

提出了一种具有专门编码器和解码器的伪像解缠绕网络(ADN ),这些编码器和解码器分别处理非配对输入的伪像和内容分量的编码和解码。

方法

设 $I^{a}$ 是所有受伪影影响的ct图像的域， $I$ 是所有无伪影的CT图像的域。我们将 $P = [ (x^{a}, x) | x^{a} \in I^{a}, x \in I, f(x^{a}) \in x ]$ 表示为一组成对的图像，其中f : $I^{a}$ → $I$ 是从 $x$ 中去除金属伪影的MAR模型。在这项工作中，我们假设没有这样的成对数据集可用，我们建议使用不成对的图像来学习 $f$ 。

如图1所示，所提出的方法通过将受伪影影响的图像 $X^{a}$ 的伪影分量和内容分量分别编码到内容空间 $\mathbb{C}$ 和伪影空间 $A$ 中来解开它们。如果很好地解决了解缠问题，则编码的内容分量 $c_{x}$ ∈ $\mathbb{C}$ 应该不包含关于伪影的信息，同时保留所有的内容信息。因此，从 $c_{x}$ 解码应该给出无伪像的图像 $x$ ，它是 $x^{a}$ 的消除伪像的对应物。另一方面，也可以将无伪影图像 $y$ 编码到给出内容代码 $c_{y}$ 的内容空间中。如果 $c_{y}$ 与伪像码 $a\in A$ 一起被解码，我们获得受伪像影响的图像 $y^{a}$ 。在接下来的章节中，我们将介绍一种无需配对数据就能学习这些编码和解码的伪影解缠