使用Deep Radon Prior进行神经架构搜索,用于稀疏视图CT图像重建
Jintao Fu1,2, Peng Cong1,2, Shuo Xu1,2,3
1Institute of Nuclear and New Energy Technology, Tsinghua University, Beijing, China.
Medical physics
|February 10, 2025
概括
本研究介绍了NAS-DRP,这是一种用于稀疏视图计算机断层扫描 (CT) 重建的无监督深度学习方法. 它通过优化网络架构显著减少了文物,并提高了图像质量,为医学成像提供了有前途的解决方案.
科学领域:
- 医疗成像医学成像
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 稀疏视图计算机断层扫描 (CT) 减少了辐射暴露,但由于数据稀缺,引入了文物.
- 现有的深度学习 (DL) 方法用于CT重建通常需要广泛的配对数据集,并且缺乏可解释性.
研究的目的:
- 为CT重建开发一种新的无监督深度学习方法.
- 为了利用深度雷优先 (DRP) 和神经架构搜索 (NAS) 来提高图像保真度.
主要方法:
- 提出了NAS-DRP,这是一个无监督的DL方法,使用基于强化学习的NAS进行架构优化.
- 雷领域的综合数据不一致性和深度图像先验 (DIP) 的见解.
- 运用循环神经网络 (RNN) 来限制对稀疏视图CT的优化.
主要成果:
- 与传统和其他DL方法相比,NAS-DRP表现出显著的性能改善.
- 取得了卓越的客观指标 (PSNR,SSIM,LPIPS) 和主观视觉质量.
- 有效地将文物最小化并增强图像细节和准确性.
结论:
- 通过将NAS与DL和Radon域调整集成,NAS-DRP推进了CT图像重建.
- 解决稀疏视图CT挑战,降低数据采集成本和复杂性.
- 显示了在医学成像中广泛应用的巨大潜力.


