[MICCAI2019] Artifact Disentanglement Network for Unsupervised Metal Artifact Reduction

作者：Haofu Liao, University of Rochester
metal artifact reduction(MAR)

---

Intro

CT影像的MAR一般是需要合成数据来进行训练，然而合成影像并不能完美反应真实CT的物理特性。本文首次提出利用无监督学习来做MAR，具体地，文章使用了disentanglement network，将影像解耦到common content 空间和artifact 空间。

Method

如下图所示，$x^a$与$y$为不成对的artifact-affected影像和artifact-free影像，$E_{I_a}$与$E_I$分别将它们编码到common content 空间，而$E_a$将编码artifact 空间。后续网络基本上就是disentanglement的一般套路，用不同domain的影像解耦后的编码，1、直接恢复，计算重建误差；2、交叉组合两个空间code合成cross-domain的新影像，用鉴别器D进行鉴别。

值得一提的是这里的$L_{art}$，定义如下，即保证$z_a$对影像合成的影像是尽可能一致的。（有的文章是在合成影像之后再进行编码，直接比较code的差异）

总的loss如下：

Results

artifact-free CT数据：deeplesion数据集