1 安徽工程大学计算机与信息学院, 安徽 芜湖 241000
2 东南大学计算机网络和信息集成教育部重点实验室, 江苏 南京 210096
3 东南大学影像科学与技术实验室, 江苏 南京 210096
CT扫描中潜在的辐射伤害已越来越受到人们的重视,然而降低扫描剂量会导致成像质量退化,从而影响诊断结果。针对上述问题,提出一种联合卷积稀疏编码与梯度L0范数的三维重建算法。该算法通过频率分解的重建形式对高频成分进行无监督的多尺度在线卷积稀疏编码约束,对低频成分进行梯度L0范数约束,从而实现低剂量CT图像中噪声伪影的抑制与组织细节的保持。此外,卷积稀疏编码中使用三种不同尺度的三维滤波器,可有效适应不同尺度下的特征信息,提高编码能力。腹部CT仿真数据和真实扫描数据的实验结果表明,所提算法在25%常规剂量的重建过程中可以获得噪声伪影少、结构细节对比度高和质量更好的成像效果。
成像系统 低剂量CT 图像重建 多尺度 卷积稀疏编码 梯度L0范数
1 重庆大学光电技术及系统教育部重点实验室, 重庆 400044
2 重庆大学工业CT无损检测教育部工程研究中心, 重庆 400044
针对低剂量医学CT图像噪声大且配对数据集难以获得的问题,提出一种基于改进型循环一致性生成对抗网络的低剂量CT去噪算法。该算法使用循环一致性生成对抗网络,由未配对的数据集实现了从低剂量CT图像到标准剂量CT图像的端到端映射;同时将密集型残差学习网络模型引入到该网络生成器中,利用残差网络的特征复用性来恢复图像细节,使生成器输出图像更接近目标图像。实验研究表明,本文算法提升了去噪效果,并准确地恢复了图像细节及边缘结构,修复后的图像质量显著提升,有助于病灶的检测与分析。
图像处理 低剂量CT 循环一致性生成对抗网络 密集型残差学习网络 图像去噪 光学学报
2020, 40(22): 2210002
南京工业大学计算机科学与技术学院, 江苏 南京 211816
为改善低剂量CT图像的质量, 提出一种基于改进型Wasserstein生成对抗网络(WGAN-gp)的低剂量CT图像去噪方法。WGAN-gp在WGAN网络的基础上加入梯度惩罚项, 解决了WGAN训练困难, 收敛速度慢的问题, 进一步提高网络的性能。同时加入新感知损失度量函数, 使对人眼而言敏感的纹理信息得到保留。实验结果表明, 与目前相关的方法相比, PSNR提高了1.83 dB, SSIM表达能力增加了约3.5%, 降低了时间复杂度, 显著改善了低剂量CT图像的可视质量。
Wasserstein距离度量的对抗生成网络 低剂量CT图像 图像去噪 感知损失 WGAN-gp low-dose CT images image denoise perceptual loss
