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