×
丁巧巧;吉、惠;权玉慧;张晓群

一种用于低剂量CT图像重建的无数据集深度学习方法。 （英文） Zbl 07584928号

反向探测。 38，第10号，文章ID 104003，19 p.（2022）.
小结：低剂量CT（LDCT）成像对减少物体暴露于x射线辐射引起了相当大的兴趣。近年来，有监督的深度学习（DL）在LDCT图像重建中得到了广泛的研究，该方法在包含多对正常剂量和低剂量图像的数据集上训练网络。然而，在临床设置中收集许多此类对的挑战限制了基于监督学习的方法在实际LDCT图像重建中的应用。针对训练数据集采集带来的挑战，本文提出了一种无监督DL方法用于LDCT图像重建，该方法不需要任何外部训练数据。该方法基于贝叶斯推理的重参数化技术，通过具有随机权重的深度网络，结合附加的全变分正则化。实验表明，在测试数据上，该方法明显优于现有的无数据集图像重建方法。

MSC公司：

68倍 计算机科学
94-XX年 信息与通信理论、电路

关键词：

X射线CT;低剂量扫描;深度神经网络;无监督学习

软件：

PyTorch公司;噪音2噪音;自我2自我;压缩IP;噪音2自身
PDF格式BibTeX公司 XML格式引用
\textit{Q.Ding}等人，《反问题》。38，第10号，文章ID 104003，19页（2022；Zbl 07584928）
全文： 内政部 arXiv公司

参考文献：

[1] 阿德勒，J。；O.奥克特姆，《学习的原对偶重建》，IEEE Trans。医学成像，37，1322-1332（2018）·doi:10.1109/tmi.2018.2799231
[2] Baguer，D.O。；Leuschner，J。；Schmidt，M.，《使用深度图像先验和学习重建方法进行计算层析重建》，《反问题》，36（2020）·Zbl 1460.68093号 ·doi:10.1088/1361-6420/aba415
[3] 巴尔达，M。；霍内格尔，J。；海斯曼，B.，结构自适应正弦图滤波的射线贡献屏蔽，IEEE Trans。医学成像，311228-1239（2012）·doi:10.10109/周三.2012.2187213
[4] J.Batson。；Royer，L.，Noise2Self:通过自我监督进行盲去噪，524-533（2019）
[5] 蔡，J-F；贾，X。；高，H。；江，S.B。；沈，Z。；Zhao，H.，《使用低秩矩阵分解的Cine锥束CT重建：算法和原理验证研究》，IEEE Trans。医学成像，331581-1591（2014）·doi:10.1109/tmi.2014.2319055
[6] 陈，H。；Zhang，Y。；Kalra，M.K。；林，F。；陈，Y。；廖，P。；周，J。；Wang，G.，带残差编解码卷积神经网络的低剂量CT，IEEE Trans。医学成像，36，2524-2535（2017）·doi:10.1109/tmi.2017.2715284
[7] 陈，H。；Zhang，Y。；张伟。；廖，P。；李凯。；周，J。；Wang，G.，通过卷积神经网络的低剂量CT，生物医学。选择。快递，8679-694（2017）·doi:10.1364/boe.8.000679
[8] 陈，M。；Quan，Y。；Pang，T。；Hui，J.，《利用未经训练的深层神经网络中的模型不确定性进行非盲图像反褶积》，国际计算机杂志。视觉。，130, 1770-1789 (2022) ·doi:10.1007/s11263-022-01621-9
[9] Dabov，K。；Foi，A。；Katkovnik，V。；Egiazarian，K.，稀疏三维变换域协同滤波图像去噪，IEEE Trans。图像处理。，16, 2080-2095 (2007) ·doi:10.1109/tip.2007.901238
[10] 丁，Q。；陈，G。；张，X。；黄，Q。；纪浩。；Gao，H.，低剂量CT，通过近端正向劈开进行深度学习正则化，Phys。医学生物学。，65 (2020) ·doi:10.1088/1361-6560/ab831a
[11] 丁，Q。；纪浩。；高，H。；Zhang，X.，稀疏视图CT图像重建的可学习多尺度傅里叶插值，286-295（2021），Springer
[12] 丁，Q。；Long，Y。；张，X。；Fessler，J.A.，《x射线CT统计图像重建中的混合泊松-高斯噪声建模》，399-402（2016）
[13] 丁，Q。；Nan，Y。；高，H。；Ji，H.，低剂量CT图像重建的自适应超参数深度学习，IEEE Trans。计算。成像，7648-660（2021）·doi:10.10109次/次.2021.3093003
[14] Feldkamp，洛杉矶。；洛杉矶戴维斯。；Kress，J.W.，实用锥束算法，J.Opt。《美国社会学杂志》，第1612-619页（1984年）·doi:10.1364/josaa.1000612
[15] Gal，Y。；Ghahramani，Z.，《作为贝叶斯近似的辍学：表示深度学习中的模型不确定性》，1050-1059（2016）
[16] 龚，K。；卡塔纳，C。；齐，J。；Li，Q.，使用深度图像先验进行PET图像重建，IEEE Trans。医学成像，38，1655-1665（2018）·doi:10.1109/tmi.2018.2888491
[17] 古普塔，H。；Jin，K.H。；Nguyen，H.Q。；McCann，M.T。；Unser，M.，基于CNN的一致CT图像重建投影梯度下降，IEEE Trans。医学成像，371440-1453（2018）·doi:10.1109/tmi.2018.2832656
[18] 哈桑，A.M。；莫赫比安，M.R。；Wahid，K.A。；Babyn，P.，低剂量CT图像的混合协作噪声2降噪器，IEEE Trans。辐射。等离子体医学科学。，5, 235-244 (2020) ·doi:10.1109/trpms.2020.3002178
[19] He，J。；Yang，Y。；Wang，Y。；东，Z。；卞，Z。；张，H。；Sun，J。；徐，Z。；Ma，J.，为迭代低剂量CT重建优化参数化即插即用ADMM，IEEE Trans。医学成像，38，371-382（2018）·doi:10.1109/tmi.2018.2865202
[20] 他，K。；张，X。；任，S。；Sun，J.，《深入研究整流器：在图像网络分类方面超越人类水平的性能》，1026-1034（2015）
[21] 亨德里克森，A.A。；佩尔特，D.M。；Batenburg，K.J.，Noise2Inverse:层析成像的自监督深度卷积去噪，IEEE Trans。计算。成像，61320-1335（2020）·doi:10.1109/tci.2020.3019647
[22] Jiang，H.，《计算机层析成像：原理、设计、工件和最新进展》，第114卷（2003年），华盛顿州贝灵汉：华盛顿州贝灵汉SPIE光学工程出版社
[23] 贾，X。；Dong，B。；卢，Y。；Jiang，S.B.，使用紧帧正则化的基于GPU的迭代锥束CT重建，Phys。医学生物学。，56, 3787 (2011) ·doi:10.1088/0031-9155/56/13/04
[24] 贾，X。；Lou，Y。；Dong，B。；田，Z。；Jiang，S.，通过时间非局部正则化从少量投影数据重建4D CT，143-150（2010），Springer
[25] Jin，K.H。；McCann，M.T。；弗鲁斯特，E。；Unser，M.，成像逆问题的深度卷积神经网络，IEEE Trans。图像处理。，26, 4509-4522 (2017) ·Zbl 1409.94275号 ·doi:10.1109/tip.2017.2713099
[26] A.C.卡克。；斯莱尼，M。；王刚，计算机断层成像原理，医学物理。，29, 107 (2002) ·数字对象标识代码：10.1118/1.1455742
[27] Lehtinen，J。；蒙克伯格，J。；哈塞尔格伦，J。；莱恩，S。；Karras，T。；艾塔拉，M。；Aila，T.，Noise2Noise:在没有干净数据的情况下学习图像恢复（2018）
[28] 李，H。；Mueller，K.，使用深度残余神经网络去除低剂量CT条纹伪影，191-194（2017）
[29] 李，J。；Nan，Y。；Ji，H.，通过蒙特卡罗采样进行盲图像反褶积的非监督学习，反问题，38（2022）·Zbl 07474168号 ·doi:10.1088/1361-6420/ac4ede
[30] Manduca，A。；Yu，L。；Trzasko，J.D。；Khaylova，N。；Kofler，J.M。；McCollough，C.M。；Fletcher，J.G.，投影空间去噪与双边滤波和CT噪声建模，用于CT剂量减少，医学物理。，36, 4911-4919 (2009) ·doi:10.1118/1.3232004
[31] Paszke，A.，Pytorch中的自动差异化（2017）
[32] 权，Y。；陈，M。；Pang，T。；Hui，J.，Self2Self with dropout：从单个图像学习自我监督去噪，1890-1998（2020）
[33] Sidky，E.Y。；高，C-M；Pan，X.，《发散束CT中从少数视图和有限角度数据进行精确图像重建》，《X射线科学杂志》。技术。，14, 119-139 (2006) ·doi:10.1364/JOSAA.25.001772
[34] Sidky，E.Y。；Pan，X.，通过约束、全变分最小化、Phys。医学生物学。，53, 4777 (2008) ·doi:10.1088/0031-9155/53/17/021
[35] Ulyanov，D。；韦达尔迪，A。；Lempitsky，V.，《Deep image previor》，9446-9454（2018）
[36] Van Veen，D。；贾拉尔，A。；Soltanolkotabi，M。；价格，E。；维什瓦纳，S。；Dimakis，A.G.，《深度图像先验和学习正则化的压缩感知》（2018年）
[37] Wang，Z.，图像质量评估：从错误可见性到结构相似性，IEEE Trans。图像处理。，13, 600-612 (2004) ·doi:10.1109/tip.2003.819861
[38] 怀特，B.R。；马苏姆扎德，P。；厄尔，O.A。；奥沙利文，J.A。；斯奈德，D.L。；Williamson，J.F.，x射线计算机断层扫描中预处理正弦图数据的特性，医学物理。，33, 3290-3303 (2006) ·数字对象标识代码：10.1118/1.2230762
[39] Wolterink，J.M。；Leiner，T。；Viergever，医学硕士。；Išgum，I.，低剂量CT中降噪的生成对抗网络，IEEE Trans。医学成像，36，2536-2545（2017）·doi:10.1109/tmi.2017.2708987
[40] Yang，Q.，使用具有Wasserstein距离和感知损失的生成对抗网络进行低剂量CT图像去噪，IEEE Trans。医学影像学，371348-1357（2018）·doi:10.10109/周三.2018.2827462
[41] Ye，D.H Y。；斯里瓦斯塔瓦，S。；蒂博，J-B；谢家华。；Sauer，K。；Bouman，C.，使用即插即用框架进行基于模型的迭代CT重建的深度剩余学习，6668-6672（2018）
[42] Ye，J.C。；韩，Y。；Cha，E.，深度卷积框架：反问题的一般深度学习框架，SIAM J.成像科学。，11, 991-1048 (2018) ·Zbl 1401.94024号 ·数字对象标识代码：10.1137/17m1141771
[43] 横田，T。；卡瓦伊，K。；坂田，M。；木村，Y。；Hontani，H.，利用非负矩阵分解结合深度图像重建PET动态图像，3126-3135（2019）
[44] Yoo，J。；Jin，K.H。；古普塔，H。；Yerly，J。；Stuber，M。；Unser，M.，动态MRI的时间依赖性深度成像，IEEE Trans。医学成像，403337-3348（2021）·doi:10.1109/tmi.2021.3084288
[45] 袁，N。；周，J。；Qi，J.，Half2Half:基于深度神经网络的CT图像去噪，无独立参考数据，Phys。医学生物学。，65 (2020) ·doi:10.1088/1361-6560/aba939
[46] 张，Q。；Li，B.，《人脸识别中字典学习的判别K-SVD》，2691-2698（2010），新泽西州皮斯卡塔韦：IEEE，皮斯卡塔维，新泽西
[47] 张，X。；Froment，J.，《基于全变差的计算机断层成像傅里叶重建和正则化》，第4卷，2332-2336（2005），新泽西州皮斯卡塔韦：IEEE，皮斯卡塔韦，新泽西
[48] 周，K.C。；Horstmeyer，R.，Diffraction tomography with a deep image previor，光学。快递，2812872-12896（2020）·doi:10.1364/oe.379200
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。