Orientation-Shared Convolution Representation for CT Metal Artifact Learning

要約

X 線コンピュータ断層撮影 (CT) スキャン中に、患者に携帯されている金属製のインプラントは、キャプチャされた CT 画像に有害なアーチファクトをもたらし、臨床治療を損なうことがよくあります。
この金属アーティファクト削減 (MAR) タスクに対して、既存の深層学習ベースの方法は有望な再構成性能を獲得しています。
それにもかかわらず、この特定のタスクの根底にあるいくつかの重要な事前知識が十分に活用されていないため、MAR のパフォーマンスと一般化能力をさらに改善する余地がまだあります。
これにより、この論文では、金属アーティファクトの特性を注意深く分析し、アーティファクトの物理的な事前構造、つまり回転対称ストリーキングパターンを適応させるための方向共有畳み込み表現戦略を提案します。
提案された方法は、アーティファクト モデリングにフーリエ級数展開ベースのフィルター パラメーター化を合理的に採用し、解剖学的組織からアーティファクトをより適切に分離し、モデルの一般化可能性を高めることができます。
合成された臨床データセットで実行された包括的な実験は、現在の代表的なMARメソッドを超えた詳細な保存における私たちのメソッドの優位性を示しています。
コードは、\url{https://github.com/hongwang01/OSCNet} で入手できます。

要約(オリジナル)

During X-ray computed tomography (CT) scanning, metallic implants carrying with patients often lead to adverse artifacts in the captured CT images and then impair the clinical treatment. Against this metal artifact reduction (MAR) task, the existing deep-learning-based methods have gained promising reconstruction performance. Nevertheless, there is still some room for further improvement of MAR performance and generalization ability, since some important prior knowledge underlying this specific task has not been fully exploited. Hereby, in this paper, we carefully analyze the characteristics of metal artifacts and propose an orientation-shared convolution representation strategy to adapt the physical prior structures of artifacts, i.e., rotationally symmetrical streaking patterns. The proposed method rationally adopts Fourier-series-expansion-based filter parametrization in artifact modeling, which can better separate artifacts from anatomical tissues and boost the model generalizability. Comprehensive experiments executed on synthesized and clinical datasets show the superiority of our method in detail preservation beyond the current representative MAR methods. Code will be available at \url{https://github.com/hongwang01/OSCNet}

arxiv情報

提供元, 利用サービス

arxiv.jp, Google