基于生成对抗网络和噪声水平估计的低剂量CT图像降噪方法.docx

基于生成对抗网络和噪声水平估计的低剂量CT图像降噪方法 1. 计算机断层成像（Computed Tomography，CT）的应用背景 计算机断层成像（Computed Tomography，CT）技术已经成为医学诊疗中不可或缺的成像手段。然而，重复CT扫描检查会使患者暴露于过量的X射线辐射伤害中，进而导致由辐射诱发的癌变、代谢异常、白血病和其他遗传疾病等发生的概率增加。因此，在临床上倡导使用ALARA（As Low As Reasonably Achievable）原则，即在保证CT图像质量满足诊断需求的同时，将X射线对人体的辐射伤害降至最低。 2. 低剂量CT（Low-Dose CT，LDCT）的概念和挑战 自从Naidich等人首次提出低剂量CT（Low-Dose CT，LDCT）的概念以来，学者们不断优化成像算法的设计方案，已在系统建模、图像重建和后处理等方面做了大量卓越的研究工作。然而，降低辐射剂量常导致重建图像出现斑驳噪声和不稳定的条形伪影，进而影响临床诊断的准确性。 3. 深度卷积神经网络（Convolutional Neural Networks，CNN）在LDCT图像降噪中的应用 近年，深度卷积神经网络（Convolutional Neural Networks，CNN）快速发展，为医学成像领域提供了新的研究思路并展现出巨大潜力。从网络框架的构建和目标函数的优化两个角度出发，学者提出了一些基于CNN的LDCT图像降噪方法，研究结果表明不同的算法框架（例如2D CNN、3D CNN、残差编码器/解码器CNN和级联CNN等）和目标函数（例如均方误差、对抗损失和感知损失等）可能会对网络性能产生不同影响。 4. 生成对抗网络（Generative Adversarial Networks，GAN）在LDCT图像降噪中的应用 Goodfellow等人提出的生成对抗网络（Generative Adversarial Networks，GAN）就是其中的典型代表。GAN利用了生成器和判别器的博弈学习机制，在图像生成、超分辨率重构、图像分割以及图像降噪等领域都有相对优异的表现。 5. 基于GAN框架的降噪网络设计 在训练过程中，本文采用了多种损失函数对各个子网络的输出结果进行针对性约束，用来保障网络训练的稳定性；在降噪网络结构中，增加了一个噪声水平估计子网络，用来估计不同剂量LDCT图像的噪声伪影特征图，从而提高降噪网络的泛化能力；在GAN网络主通道中，本文设计了多路编码的U-Net结构，用以提高生成器的多尺度特征表达能力，进而解决降噪网络特征提取不充分的问题。 6. LDCT图像降噪模型的假设和表示 本文方法假设${\boldsymbol{X}} \in {R^{w \times h}}$表示大小为$w \times h$的给定LDCT图像，${\boldsymbol{Y}} \in {R^{w \times h}}$表示相应的常规剂量CT（Normal-Dose CT，NDCT）图像。一般地，它们之间的关系可以表示为$${\boldsymbol{X}} = T({\boldsymbol{Y}})$$其中，$T:{R^{w \times h}} \to {R^{w \times h}}$表示以非线性的方式将NDCT图像Y退化为与之对应的LDCT图像。