基于深度学习的低剂量CT图像去噪算法研究.pdf

摘要

ComputedTomographyCT

计算机断层扫（，）是当代医疗中的一种基本诊断方

X

法，在实际临床治疗中发挥着极其重要的作用。然而，过量的射线会对人体造成

辐射，进而危害到患者的健康。为此，低剂量CT（Low-DoseComputedTomography，

LDCTXCT

）扫顺势而生。然而，射线剂量降低会导致图像信噪比下降，重建后

图像中噪声增多，影响医生诊断。传统的LDCT去噪算法性能有限，这限制了其在

实际临床中的应用。随着深度学习的快速发展，基于卷积神经网络（Convolutional

NeuralNetworkCNN

，）的去噪模型取得了比传统算法更好的性能。本文在全卷积和

编码器解码器模型的基础下出了两种新的-LDCT图像去噪算法模型，旨在噪声去

除和边沿细节保护之间取得平衡，生成高质量的去噪图像。具体研究情况如下：

1

（）本文出了一种双边沿取和多尺度注意力机制的卷积神经网络模型

（DoubleEdgeExtractionandMulti-ScaleAttentionConvolutionalNeuralNetwork，

DEMACNN）。由于现有的LDCT图像去噪算法中边沿信息利用不充分导致去噪图

像边沿缺失以及卷积过程中存在的细节丢失问题。该模型使用可学习Sobel边沿取

算子分别对输入图像和网络特征图进行边沿取并利用密集连接将取的边沿信息

融合到网络中，高了边沿算子的利用率，更好地保留图像边沿信息。将注意力机

制模块和多尺度模块结合，出了多尺度注意力模块，增强有效信息并抑制无用信

息。引入了一种将MSE损失和联合约束总变分损失以及边沿损失函数相结合的复合

损失，进一步增强网络的去噪能力和边沿保持能力。与其他先进低剂量CT去噪模型

相比，DEMACNN主观视觉效果和定量指标上均有大幅升。

2-

（）本文出了一种基于多尺度特征边沿增强和扩张卷积的高效的编码器解码

器卷积神经网络模型（HighlyEfficientEncoderDecoderConvolutionalNeuralNetwork

basedonMulti-ScaleFeatureEdgeEnhancementandDilatedConvolutionHEDCNN

，）。

由于在编解码网络下采样上采样过程中存在边沿细节丢失以及普通卷积难以获得较

大感受野导致网络取全局信息困难的问题。该模型利用多尺度特征可学习边沿增

强模块取原始图像的边沿信息并通过密集连接将其融合到整个网络中，增强了网

络恢复边沿信息的能力。此外，该模型使用混合扩张卷积来扩大网络的感受野，使

得网络在捕捉更广阔的上下文信息的同时可以关注到局部细节信息。最后利用多尺

度重建模块来帮助网络重建去噪图像。引入了一种将Huber损失和SSIM损失相结合

I

的复合损失，克服模型的过平滑问题。与不同架构下的先进的模型相比，HEDCNN

在低参数量的条件下实现了最佳的客观指标值和主观视觉效果。

关键词：图像去噪；低剂量CT；边沿取；多尺度注意力机制；复合损失

II

ABSTRACT

ComputedTomography(CT)isabasicdiagnosticmethodincontemporarymedical

treatmentandplaysanextremelyimportantrolein