Dense Transformer based Enhanced Coding Network for Unsupervised Metal Artifact Reduction

要約

金属アーチファクトによって破損した CT 画像は、臨床診断に重大な悪影響を及ぼします。
臨床現場でグラウンドトゥルースと対になったデータを収集することの難しさを考慮すると、金属アーチファクトを低減するための教師なしの方法は非常に興味深いものです。
しかし、これまでの教師なし手法では、金属アーチファクトの非局所的特性を処理しながら、CT 画像からの構造情報を保持することは困難でした。
これらの課題に対処するために、私たちは教師なしメタル アーティファクトを低減するための新しい高密度トランスフォーマー ベースの拡張コーディング ネットワーク (DTEC-Net) を提案しました。
具体的には、高次稠密プロセスによってサポートされる階層的解絡エンコーダと、長距離対応性を備えた稠密にエンコードされたシーケンスを取得するためのトランスフォーマを導入します。
次に、密なシーケンスの復号プロセスを改善するための 2 次のもつれを解く方法を提案します。
広範な実験とモデルの議論により、DTEC-Net の有効性が実証されています。DTEC-Net は、ベンチマーク データセットで以前の最先端の方法を上回り、より豊かなテクスチャの詳細を復元しながら金属アーティファクトを大幅に削減します。

要約(オリジナル)

CT images corrupted by metal artifacts have serious negative effects on clinical diagnosis. Considering the difficulty of collecting paired data with ground truth in clinical settings, unsupervised methods for metal artifact reduction are of high interest. However, it is difficult for previous unsupervised methods to retain structural information from CT images while handling the non-local characteristics of metal artifacts. To address these challenges, we proposed a novel Dense Transformer based Enhanced Coding Network (DTEC-Net) for unsupervised metal artifact reduction. Specifically, we introduce a Hierarchical Disentangling Encoder, supported by the high-order dense process, and transformer to obtain densely encoded sequences with long-range correspondence. Then, we present a second-order disentanglement method to improve the dense sequence’s decoding process. Extensive experiments and model discussions illustrate DTEC-Net’s effectiveness, which outperforms the previous state-of-the-art methods on a benchmark dataset, and greatly reduces metal artifacts while restoring richer texture details.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google