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方法(RL-ARCNN) 。该方法能够减少颈椎CT图像中的金属伪影(由于人体植入金属部件后,拍CT时会出现放射状伪影)。
2.主要步骤:
(1)模拟各种金属伪影生成一个数据集,用于训练CNN。此数据集包括含有伪影的图像 (artifact-insert),不含伪影的图像 (artifact-free),伪影图像(artifact-residual)。
(2)设计模型主体结构
该网络结构参考了VGG网络。若设总层数为D,则可分为三种类型的层。第一层为Conv+relu(64个3* 3* 1尺寸的卷积核),该层用于提取局部的的纹理和边缘特征信息。第2-D-1层为Conv+Batch normalization+relu(64个3* 3* 1尺寸的卷积核),用于提取feature map的局部特征,运用了零填充保证尺寸不减小,用Batch normalization保证收敛速度。最后一层为Conv(1个3* 3 * 64尺寸的卷积核),该层用于产生最终的输出。
3.训练方法:
1)初始化权重参数