A Sparse-View CT Reconstruction Method Based on Combination of DenseNet and Deconvolution

反褶积 迭代重建 计算机科学 人工智能 相似性(几何) 滤波器(信号处理) 计算机视觉 模式识别(心理学) 人工神经网络 图像质量 深度学习 算法 图像(数学)
作者
Zhicheng Zhang,Xiaokun Liang,Xu Dong,Yaoqin Xie,Guohua Cao
出处
期刊:IEEE Transactions on Medical Imaging [Institute of Electrical and Electronics Engineers]
卷期号:37 (6): 1407-1417 被引量:235
标识
DOI:10.1109/tmi.2018.2823338
摘要

Sparse-view computed tomography (CT) holds great promise for speeding up data acquisition and reducing radiation dose in CT scans. Recent advances in reconstruction algorithms for sparse-view CT, such as iterative reconstruction algorithms, obtained high-quality image while requiring advanced computing power. Lately, deep learning (DL) has been widely used in various applications and has obtained many remarkable outcomes. In this paper, we propose a new method for sparse-view CT reconstruction based on the DL approach. The method can be divided into two steps. First, filter backprojection (FBP) was used to reconstruct the CT image from sparsely sampled sinogram. Then, the FBP results were fed to a DL neural network, which is a DenseNet and deconvolution-based network (DD-Net). The DD-Net combines the advantages of DenseNet and deconvolution and applies shortcut connections to concatenate DenseNet and deconvolution to accelerate the training speed of the network; all of those operations can greatly increase the depth of network while enhancing the expression ability of the network. After the training, the proposed DD-Net achieved a competitive performance relative to the state-of-the-art methods in terms of streaking artifacts removal and structure preservation. Compared with the other state-of-the-art reconstruction methods, the DD-Net method can increase the structure similarity by up to 18% and reduce the root mean square error by up to 42%. These results indicate that DD-Net has great potential for sparse-view CT image reconstruction.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
冷艳的幻桃完成签到,获得积分20
1秒前
上将军顺发布了新的文献求助10
2秒前
XL完成签到,获得积分10
2秒前
2秒前
makabakkkk发布了新的文献求助10
2秒前
2秒前
王王泽发布了新的文献求助10
3秒前
骓kong完成签到,获得积分10
3秒前
田鼠标完成签到,获得积分10
3秒前
3秒前
4秒前
研友_VZG7GZ应助Ye13采纳,获得10
4秒前
CreyCat发布了新的文献求助10
4秒前
fan_alive完成签到,获得积分10
5秒前
5秒前
笑笑完成签到,获得积分10
5秒前
胡峪发布了新的文献求助10
6秒前
小项应助李丫采纳,获得10
6秒前
热心市民小红花应助chai采纳,获得10
6秒前
薯条狂热爱好者完成签到 ,获得积分10
6秒前
懵懂发布了新的文献求助10
8秒前
8秒前
田鼠标发布了新的文献求助10
8秒前
8秒前
顾矜应助laj采纳,获得10
9秒前
9秒前
墨鱼烩饭完成签到,获得积分10
9秒前
10秒前
10秒前
10秒前
111关闭了111文献求助
10秒前
10秒前
科目三应助ZC采纳,获得10
10秒前
11秒前
思源应助LL采纳,获得10
11秒前
12秒前
自信大白菜真实的钥匙完成签到,获得积分10
12秒前
胡峪完成签到,获得积分10
12秒前
无情山水发布了新的文献求助10
12秒前
13秒前
高分求助中
Sustainability in Tides Chemistry 2000
The ACS Guide to Scholarly Communication 2000
Studien zur Ideengeschichte der Gesetzgebung 1000
TM 5-855-1(Fundamentals of protective design for conventional weapons) 1000
Pharmacogenomics: Applications to Patient Care, Third Edition 800
Ожившие листья и блуждающие цветы. Практическое руководство по содержанию богомолов [Alive leaves and wandering flowers. A practical guide for keeping praying mantises] 500
A Dissection Guide & Atlas to the Rabbit 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3079871
求助须知:如何正确求助?哪些是违规求助? 2732588
关于积分的说明 7524713
捐赠科研通 2381420
什么是DOI,文献DOI怎么找? 1262876
科研通“疑难数据库(出版商)”最低求助积分说明 612123
版权声明 597460