基于残差挤压激励神经网络的材料分解

O242%TP391; 能谱CT能够提供扫描对象的定量信息,实现材料分解.基于神经网络的材料分解方法有效克服了传统迭代算法在分解效果上的局限性,但是在细节特征恢复方面仍存在不足.为了提高材料分解精度并保留图像的细节信息,我们提出一种基于残差挤压激励网络(RS-Net)的材料分解方法.本方法利用U-Net网络的结构,采用Resnet-152作为主干网络提取多尺度特征;利用并行非对称卷积来完成大核卷积,减少网络的参数数量和计算量;在解码器部分引入HD-SE注意力机制帮助网络恢复图像特征;采用混合损失监督网络学习,提高网络的分解精度.在仿真岩石数据集和人造砂岩数据集上验证该方法的可行性,仿真和实际实...

Full description

Saved in:
Bibliographic Details
Published inCT理论与应用研究 Vol. 34; no. 1; pp. 117 - 128
Main Authors 张然, 孔慧华, 李佳欣, 宋一娇
Format Journal Article
LanguageChinese
Published 信息探测与处理山西省重点实验室,太原 030051 2025
中北大学数学学院,太原 030051
Subjects
spectrum CT
注意力机制
卷积神经网络
能谱CT
attention mechanisms
convolutional neural network
材料分解
material decomposition
Online AccessGet full text
ISSN1004-4140
DOI10.15953/j.ctta.2024.131

Cover

More Information
Summary:O242%TP391; 能谱CT能够提供扫描对象的定量信息,实现材料分解.基于神经网络的材料分解方法有效克服了传统迭代算法在分解效果上的局限性,但是在细节特征恢复方面仍存在不足.为了提高材料分解精度并保留图像的细节信息,我们提出一种基于残差挤压激励网络(RS-Net)的材料分解方法.本方法利用U-Net网络的结构,采用Resnet-152作为主干网络提取多尺度特征;利用并行非对称卷积来完成大核卷积,减少网络的参数数量和计算量;在解码器部分引入HD-SE注意力机制帮助网络恢复图像特征;采用混合损失监督网络学习,提高网络的分解精度.在仿真岩石数据集和人造砂岩数据集上验证该方法的可行性,仿真和实际实验结果表明,RS-Net结合混合损失保留更多图像内部细节信息,分解后的图像边缘更为清晰,图像质量更高.
ISSN:1004-4140
DOI:10.15953/j.ctta.2024.131