简读分享 | 陈兴民 编辑 | 乔剑博
论文题目
Linearized analysis of noise and resolution for DL-based image generation
论文摘要
基于深度学习（DL）的CT图像生成方法通常使用RMSE和SSIM进行评估。相比之下，传统的基于模型的图像重建（MBIR）方法通常使用诸如分辨率、噪声、偏差等图像属性进行评估。计算这种图像属性需要进行很耗时的蒙特卡洛（MC）模拟。对于MBIR，已经有了使用一阶泰勒展开的线性化分析方法，无需MC模拟就可以描述噪声和分辨率。这给了作者以启发，是否可以将线性化应用于DL网络，从而有效地表征分辨率和噪声。本文使用FBPConvNet作为DL网络的例子，并进行了大量的数值评估，包括计算机模拟和真实CT数据。结果显示，在正常的曝光设置下，网络线性化工作良好。对于此类应用，线性化可以在不运行MC模拟的情况下表征图像噪声和分辨率。作者通过这项工作提供了实现网络线性化的计算工具。网络线性化的高效性和易实现性使得推广与物理相关的图像质量测量方法大有希望。本文的方法是通用的，它允许DL非线性模块和线性算子的灵活组合，如滤波背投影（FBP）算法。对于后者，作者开发了一种通用的方法来计算网络线性化所需的协方差图像。
论文链接
https://ieeexplore.ieee.org/document/9918072
