EAGLE: An Edge-Aware Gradient Localization Enhanced Loss for CT Image Reconstruction

计算机断层扫描（CT）图像重建对于准确诊断至关重要，而深度学习方法已经展示了在改善重建质量方面的显著潜力。然而，损失函数的选择会深刻地影响重建图像。传统的均方误差损失通常会产生缺乏细节的模糊图像，而旨在改进的替代方法可能会引入结构性伪影或其他不良效果。为了解决这些限制，我们提出了Eagle-Loss，一种新型损失函数，旨在增强CT图像重建的视觉质量。Eagle-Loss应用梯度变化中局部特征的频谱分析来增强锐度和清晰的边缘。我们在两个公共数据集上对Eagle-Loss进行了评估，包括低剂量CT重建和CT视野扩展任务。我们的结果表明，Eagle-Loss始终可以提高重建图像的视觉质量，在各种网络架构上超越了最先进的方法。代码和数据可在\url{https://github.com/sypsyp97/Eagle_Loss}上获得。

本文旨在提高CT图像重建的视觉质量，通过提出一种新的损失函数Eagle-Loss来解决传统损失函数在重建图像中产生的问题。

Eagle-Loss通过对梯度变化中的局部特征进行谱分析来增强锐度和清晰的边缘，从而提高CT图像的视觉质量。

本文的实验表明，Eagle-Loss在低剂量CT重建和CT视野扩展任务中均能提高重建图像的视觉质量，并且在各种网络架构中均超过了现有方法。作者还提供了代码和数据集。

最近的相关研究包括使用深度学习进行CT图像重建的方法，以及其他损失函数的改进，如结构相似性损失和感知损失。