[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一般是需要合成數據來進行訓練，然而合成影像並不能完美反應真實CT的物理特性。本文首次提出利用無監督學習來做MAR，具體地，文章使用了disentanglement network，將影像解耦到common content 空間和artifact 空間。

Method

如下圖所示，$x^a$與$y$爲不成對的artifact-affected影像和artifact-free影像，$E_{I_a}$與$E_I$分別將它們編碼到common content 空間，而$E_a$將編碼artifact 空間。後續網絡基本上就是disentanglement的一般套路，用不同domain的影像解耦後的編碼，1、直接恢復，計算重建誤差；2、交叉組合兩個空間code合成cross-domain的新影像，用鑑別器D進行鑑別。

值得一提的是這裏的$L_{art}$，定義如下，即保證$z_a$對影像合成的影像是儘可能一致的。（有的文章是在合成影像之後再進行編碼，直接比較code的差異）

總的loss如下：

Results

artifact-free CT數據：deeplesion數據集