深度学习的变形补偿：无真值图像重建新策略

无地面真值图像重建中的变形补偿学习(Deformation-Compensated Learning for Image Reconstruction without Ground Truth)是一篇关注于医学图像处理领域的研究论文。传统的深度神经网络用于医学图像重建时，通常依赖高质的地面真相图像作为训练目标。然而，近年来的研究如Noise2Noise(N2N)方法展示了利用同一物体多个噪声测量作为替代地面真相的潜力，这对于避免对完全无损图像的依赖是有益的。 然而，现有的基于N2N的方法并不适用于处理非刚体变形的对象。论文提出了DeCoLearn(变形补偿学习)方法，旨在解决这一问题。DeCoLearn的核心是深注册模块，它与深度重建网络共同训练，无需任何地面真相的监督。这种方法的独特之处在于它能够学习并补偿对象在成像过程中的形状变化，从而提高重建图像的质量。 在实验部分，作者首先通过模拟数据验证了DeCoLearn的有效性，通过模拟非刚体变形场景，展示了该方法在处理变形图像时的优越性能。接着，他们进一步将这种技术应用于实际收集的磁共振成像(MRI)数据上，实验结果证明了DeCoLearn显著提升了图像的清晰度和细节恢复能力，尤其是在存在运动或组织变形的情况下，这对于医疗成像的临床应用具有重要意义。 总结来说，无地面真值图像重建中的变形补偿学习是一个重要的突破，它通过深度学习技术解决医学图像重建中的变形问题，为临床实践中使用低质量或没有地面真相的图像提供了新的可能，有望推动医学图像处理领域的进步。这项研究不仅革新了图像重建的训练策略，还为其他领域如计算机视觉、遥感图像处理等提供了一种应对变形问题的新思路。