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。

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。
相关工作
这部分作者分为三个部分描述了前人的工作和他们的不足之处,分别是传统去噪方法,深度去噪方法和无监督图像翻译,最后提出了自己方法相比以前的主要贡献:
1. 包括了更多关于伪影解缠的动机和假设的细节,以帮助读者更好地理解这一工作
2. 更新了相关符号和公式,更精确的描述这项工作
3. 讨论了损失函数和网络体系结构的设计选择的原因,以更好地告知和启发读者我们的工作。
4. 添加了几个实验来更好地证明所提出的方法的有效性。
5. 对这项工作的意义和潜在应用的讨论。
PS:感觉都是空话。。。因为这篇论文实际上是翻修版本,他的真实贡献可能在前一篇里面,但是这并不妨碍我们对后续内容的理解。
方法
设是所有受伪影影响的ct图像的域,
是所有无伪影的CT图像的域。我们将
表示为一组成对的图像,其中f :
→
是从
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
。
如图1所示,所提出的方法通过将受伪影影响的图像的伪影分量和内容分量分别编码到内容空间
和伪影空间
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
∈
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
解码应该给出无伪像的图像
,它是
的消除伪像的对应物。另一方面,也可以将无伪影图像
编码到给出内容代码
的内容空间中。如果
与伪像码
一起被解码,我们获得受伪像影响的图像
。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