ADN: Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction
ADN: Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction
- 文章简述
- 一、前言
- (一)动机
- (二)解决思路
- 二、方法
- (一)总体框架
- (二)encoder-decoder
- (三)损失函数
- 1. 对抗损失
- 2. 重建损失
- 3.伪影一致性损失
- 4. 自还原损失
- (四)网络结构
- 三、实验
- (一)对比实验
- (二)实验数据
- (三)实验结果
由于本人刚接触MAR领域,有错误之处,烦请指出,十分感谢。
文章简述
该文章是第一篇无监督去除金属伪影的方法:
LIAO, HAOFU, LIN, WEI-AN, ZHOU, S. KEVIN, et al. ADN: Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction[J]. IEEE Transactions on Medical Imaging,2020(3). DOI:10.1109/TMI.2019.2933425.
文章贡献:提出无监督网络——伪影分离网络ADN去除伪影,该网络可以从潜在空间的CT图像中分离金属伪影。ADN支持不同形式的生成(伪影减少、伪影转移和自我重建),可以避免使用合成数据进行监督。
一、前言
(一)动机
为什么提出无监督去除金属伪影?
因为有监督方法需要用到成对的图像,即不含金属伪影的图像(artifact-free image)和含金属伪影的图像(artifact-affected image)。而在临床中,获得足够的成对图像是十分困难的,因此之前有很多工作都是基于合成伪影图像来进行有监督学习,但是这些合成伪影图像不一定能够真实的反应金属伪影的属性,这也导致有监督方法在临床应用中的性能往往会下降。
(二)解决思路
将任何受金属伪影影响的图像(artifact-affected image)都由伪影部分(即金属伪影,噪声等)和内容部分(即解剖结构)组成,如下图所示。然后在潜在空间将这两个部分进行分离,从而完成伪影的去除。
具体地,将CT图像分为两组,一组有金属伪影,一组没有金属伪影。通过引入一种诱导性偏差(inductive bias),模型通过比较这两组的内在信息分离伪影。
上图中,Ia表示的是含金属伪影的集合(artifact-affected domain),I 表示的是不含金属伪影的集合(artifact-free domain),xa,ya 指含金属伪影的图像; x, y 指不含金属伪影的图像。A和C分别表示伪影部分和内容部分,由于xa 含金属伪影,因此可以将它映射到A和C;由于x不含金属伪影,因此只能将它映射到C。
二、方法
题外话:金属伪影去除也可以被认为是image-to-image translation. 最早的广为认知的无监督学习的image-to-image translation方法是CycleGAN.
(一)总体框架
上图为伪影分离网络(ADN)的总体框架图,xa 和 y 分别来自含金属伪影的图像和不含金属伪影的图像,这两者作为输入,ADN支持 Ia 和 I 之间的相互转换。
假设成对图像可以用以下式子表示:
那么 f 就表示从含金属伪影空间到不含金属伪影空间的映射关系,即去除金属伪影部分,在这篇文章中,作者没有用成对的图像来寻找这种映射关系,而是用不成对的图像进行学习。
如图1所示,由于xa 含有金属伪影,因此可以将它编码至A空间和C空间,就有 cx 属于C空间,理想状态下,cx 不包含金属伪影,并且应该囊括图像所有的结构信息。因此对 cx 进行解码就可以得到不含金属伪影的图像 x。另一方面,可以把不含金属伪影的图像 y 编码到C空间,称为 cy(无法编码到A,因为本身不含金属伪影),再将 cy 和A空间的信息 a 同时进行解码,就可以得到含金属伪影的图像 ya。
(二)encoder-decoder
核心:encoder将图像从图像域映射到潜在空间,decoder将code从潜在空间映射回图像域。
为了完成图像到伪影域A和内容域C之间的相互转换,主要有下述encoder和decoder:
- 对于伪影图像:编码器EcIa 将伪影图像 xa 编码到C空间,得到仅含图像解剖结构的cx,再通过生成器GI将cx解码,可生成得到无伪影的图像ˆx;此外,有EaIa将伪影图像编码到A空间,得到仅含伪影部分的 a。
- 对于无伪影图像:编码器EI将无伪影图像y编码到C空间,得到cy,再通过生成器GI将cy解码,得到不含金属伪影的ˆy,此过程实际为图像 y 的重建。
- 上述解释了 xa 图像去除伪影后得到图像 ˆx 和 y 图像重建得到 ˆy 的过程。而对于ˆxa的生成,则是通过xa在伪影域和内容域的信息(分别为a和cx)共同进行编码实现的,由于ˆxa 本身包含伪影信息和内容信息,此过程只是xa的自我重建;而对于ˆya ,则是通过xa在伪影域的信息和 y在内容域的信息(分别为 a 和 cy)共同进行编码实现,此过程给图像y添加了伪影。
用公式表示为:
xa 和 y 分别表示含金属伪影的图像和不含金属伪影的图像,EcIa表示将含金属伪影的图像编码至内容域C,EaIa表示将含金属伪影的图像编码至伪影域A,EI表示将不含金属伪影的图像编码至内容域C。
第一个式子表示利用xa的内容信息cx和伪影信息a重新生成图像;第二个式子表示利用y的内容信息cy和xa的伪影信息a重新生成图像。
上述表示重新对仅含解剖结构的信息(不含伪影信息)重新进行解码,得到不含金属伪影的图像。
上述表示将含有金属伪影的图像 ˆya 编码至C空间,并进行重建。
(三)损失函数
对于此网络,实际上完成金属伪影去除只需要以下这一条路线(称为translation):
然而,由于没有成对的数据,这一过程是十分困难的,因此需要用的剩下的途径来约束这一转换,从而消除成对数据的要求。
而约束这一转换,便需要用到其他路径的损失函数,损失函数与图像之间的关系如下图所示:
以上共包括5种损失,分别为2种对抗损失,伪影一致性损失 Lart ,重建损失 Lrec,自还原损失 Lself/Lcycle ,总损失如下式所示:
1. 对抗损失
xa生成得到不含金属伪影的图像 ˆx,y生成得到含金属伪影的图像 ˆya,可借鉴于对抗生成的视角,求得它们的对抗损失,即:
2. 重建损失
重建损失就是把xa图像和y图像进行重建,这是为了避免在编码和解码过程中出现信息丢失或引入二次伪影。
3.伪影一致性损失
对抗性损失鼓励 ˆx与 I 中的样本相似,但这样只能保证 ˆx 的解剖结构合理,但可能并不精确,因此引入伪影一致性损失,使图像不论是否存在金属伪影都是相似的。
4. 自还原损失
y的自还原损失,即从添加金属伪影,到去除伪影,这一还原过程。
(四)网络结构
该网络包含五种不同类型的模块。
残差、下采样和上采样块是编码器和解码器的核心块。下采样块(图4b)使用跨步卷积来降低特征映射的维数,以提高计算效率。与最大池层相比,步进卷积自适应地选择用于下采样的特征,这对生成模型显示了更好的性能。
剩余块(图4a)包括剩余连接,以允许在计算高级特征时考虑低级特征。这种设计显示了深层神经网络的更好性能。上采样块(图4c)将特征映射转换回其原始尺寸,以生成最终输出。此外,使用上采样层(最近邻插值)和卷积层进行上采样。选择这种设计,而不是反褶积层,以避免“棋盘”效应。编码器和解码器块中所有卷积层的填充都是反射填充。它在生成的图像边缘提供了更好的效果。
伪影金字塔解码(APD):基于金属信息和内容信息合成含金属伪影的图像,从而有效低恢复伪影的细节。其结构如下图所示:
三、实验
(一)对比实验
该方法与以下方法进行了比较:
(1) 传统方法:
- LI:
W. A. Kalender, R. Hebel, and J. Ebersberger, “Reduction of ct artifactscaused by metallic implants.”Radiology, vol. 164, no. 2, pp. 576–577,1987. - NMAR:
E. Meyer, R. Raupach, M. Lell, B. Schmidt, and M. Kachelrieß, “Normalized metal artifact reduction (nmar) in computed tomography,” Medical physics, 2010.
(2) 有监督深度学习:
- CNNMAR:
Y . Zhang and H. Y u, “Convolutional neural network based metal artifact reduction in x-ray computed tomography,” IEEE Trans. Med. Imaging, vol. 37, no. 6, pp. 1370–1381, 2018. - UNet:
O. Ronneberger, P . Fischer, and T. Brox, “U-net: Convolutional networksfor biomedical image segmentation,” inInternational Conference on Medical image computing and computer-assisted intervention, 2015. - cGANMAR
J. Wang, Y . Zhao, J. H. Noble, and B. M. Dawant, “Conditional generative adversarial networks for metal artifact reduction in ct images of the ear,” inMedical Image Computing and Computer Assisted Intervention MICCAI 2018, 2018.
(3) 无监督深度学习:
- CycleGAN:
J.-Y . Zhu, T. Park, P . Isola, and A. A. Efros, “Unpaired image-to-image translation using cycle-consistent adversarial networks,” inThe IEEE Conference on Computer Vision and Pattern Recognition (CVPR),2017. - MUNIT:
X. Huang, M. Liu, S. J. Belongie, and J. Kautz, “Multimodal unsupervised image-to-image translation,” inComputer Vision - ECCV 2018, 2018. - DRIT:
H. Lee, H. Tseng, J. Huang, M. Singh, and M. Yang, “Diverse image-to-image translation via disentangled representations,” inComputer Vision- ECCV 2018, 2018. - DIP:
D. Ulyanov, A. V edaldi, and V . S. Lempitsky, “Deep image prior,” inThe IEEE Conference on Computer Vision and Pattern Recognition (CVPR), June 2018.
(二)实验数据
该文章在一个合成数据集和两个临床数据集上评估了所提出的方法,分别将它们称为SYN、CL1和CL2。对于SYN数据,从DeepDescence中随机选择4118个无伪影的CT图像,并按照CNNMAR中的方法合成金属伪影。对于CL1和CL2数据集,分别将它们分为两组,即含金属伪影和不含金属伪影。
注意:对于LI,MAR和CNNMAR方法,需要用到投影数据,由于SYN,CL1和CL2都不具有投影数据,因此借鉴于CNNMAR文章中的方法,直接用正投影合成投影数据。
(三)实验结果
以下为SYN数据集的结果:
CL1和CL2数据集的结果:
CL1的定性评估结果如图7所示。在这里,所有受监督的方法都使用从CL1的无伪影组合成的成对图像进行训练。可以看到,当应用于临床图像时,UNet和cGANMAR不能很好地推广(图7f和7G)。LI、NMAR和CNNMAR在纠正投影域中的伪影时更具有鲁棒性。然而,投影域校正也引入了二次伪影(图7c、7d和7e)。对于更具挑战性的CL2数据集(图8),所有有监督的方法都失败了。因为由于缺乏无伪影的CBCT图像,监督方法仅使用CT图像进行训练。由于CL2的金属植入物不在成像视野内,因此没有可用的金属痕迹,并且基于投影插值的方法不起作用(图8c、8d和8e)。与SYN的情况类似,在CL1和CL2数据集上评估时,其他无监督方法也表现出较差的性能。相比之下,ADN在不引入二次伪影的情况下显著去除了暗阴影和条纹。
消融实验:
关于损失函数的消融实验,从下图可以看出包含4种损失的PSNR和SSIM最高,网络性能更好。
ADN: Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction相关推荐
- ADN: Artifact Disentanglement Network forUnsupervised Metal Artifact Reduction--无监督的CT重建
本文提出了第一个无监督的金属伪影去除方法,具体地说,它引入了一种新的伪影解缠网络,该网络将金属伪影从潜伏空间的CT图像中解缠.它支持不同形式的生成(伪影减少.伪影转移和自我重建等).该模型实现了比现有 ...
- 深度学习——Metal artifact reduction
原论文:Metal artifact reduction on cervical CT images by deep residual learning 1.主要内容:提出了基于卷积神经网络的残差学习 ...
- 【论文阅读】Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift
Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift SUMMARY@ 2020 ...
- Artifact xxx:war exploded: Error during artifact deployment.
Artifact xxx:war exploded: Error during artifact deployment. 出现这个问题,在网上查资料, 1.说是idear 配置的tomcat Arti ...
- Artifact xxx:war exploded: Error during artifact deployment
Artifact xxx:war exploded: Error during artifact deployment ssm整合遇到这个问题,有一个可能是tomcat部署出问题,重新部署一下即可 参 ...
- 【读论文】A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time...
目录 1. 这篇文章的主要研究内容 2. MSCRED Framework 1. Problem Statement 2. Overview (1)Characterizing Status with ...
- JavaWeb Servlet遇到的问题Artifact Servlet06:war exploded: Error during artifact deployment
使用Tomcat的时候,遇到 Artifact Servlet06:war exploded: Error during artifact deployment. 通过码农的经典学习方法--面向百度编 ...
- idea构建tomcat、web服务中出现 Artifact test_online:war exploded: Error during artifact deployment
Artifact test_online:war exploded: Error during artifact deployment 问题 解决方法 进行tomcat的edit configurat ...
- 【当Idea出现Artifact xx:war exploded: Error during artifact deployment. See server log for details】
Tomcat:Artifact xx:war exploded: Error during artifact deployment. See server log for details. 锁定问题 ...
最新文章
- 马斯克“做空”特斯拉
- 爬虫之Selenium
- 10个用于处理日期和时间的 Python 库
- 同盟与对抗:谈《少女杜拉的故事》中的治疗关系(转)
- python的open方法_Python os.open() 方法
- 德国巴伐利亚山谷积雪遍地 汽车被大雪掩埋
- UOJ#351-新年的叶子【树的直径,数学期望】
- pandas 0.22导入错误
- Oracle相关练习
- Python学习笔记-2017.8.08
- HTTP权威指南-学习笔记(三)HTTP方法,状态码
- python简介pdf_Python以及QuTip包简介.PDF
- 网页特效代码大全网址
- Spring事务原理分析(二)--@Transactional事务属性的解析
- oracle goldengate director,Oracle GoldenGate Director安装和配置
- C++中类的三种继承方式public(公有继承)、protected(保护继承)、private(私有继承)之间的差别(附思维导图)
- windows开启远程Wmi服务支持
- 另一种blast2go的思路
- Yara、Snort和Sigma规则
- Java开发笔记(二)Java工程的帝国区划