| 基于残差编解码-生成对抗网络的正弦图修复的稀疏角度锥束CT图像重建 |
| |
| 作者姓名： | 靳鑫 刘仰川 朱叶晨 张子健 高欣 |
| |
| 作者单位： | 1.中国科学技术大学生物医学工程学院(苏州) 生命科学与医学部,江苏 苏州 215009;中国科学院 苏州生物医学工程技术研究所,江苏 苏州 215163;2.中国科学院 苏州生物医学工程技术研究所,江苏 苏州 215163;3.中南大学湘雅医院 肿瘤科,长沙 410008 |
| |
| 基金项目： | 国家自然科学基金资助项目（81871439）;;山东省重点研发计划项目（2021SFGC0104）;;江苏省重点研发计划项目（BE2021663）;;苏州市科技计划项目（SJC20211014）~~; |
| |
| 摘 要： | (Pix2pix Generative Adversarial Network)中的U-Net生成器,并利用基于PatchGAN(Patch Generative Adversarial Network)的条件判别器鉴别修复后的正弦图和真实正弦图,从而进一步提升网络性能.利用真实CBCT投影数据进行网络训练后,分别在1/2、1/3、1/4稀疏采样条件下测试所提网络,并把RED-GAN与线性插值法、残差编解码-卷积神经网络(RED-CNN)和Pix2pixGAN对比.实验结果表明,RED-GAN的正弦图修复结果在3种条件下均优于对比方法,并在1/4稀疏采样条件下所提网络的优势最为明显.在正弦图域中,RED-GAN的均方根误差(RMSE)下降了7.2％,峰值信噪比(PSNR)上升了1.5％,结构相似性(SSIM)上升了1.4％;在重建图像域中,RMSE下降了5.4％,PSNR上升了1.6％,SSIM上升了1.0％.可见,RED-GAN适用于高质量的稀疏角度CBCT重建,在快速低剂量CBCT扫描领域具有潜在的应用价值.
|
| 关 键 词： | 锥束CT 稀疏角度 正弦图修复 生成对抗网络 深度学习 |
| 本文献已被 万方数据 等数据库收录！ |
|
