检索历史 清除

摘要CT检查已成为医学中重要的一部分，高质量的CT图像是医疗人员诊断疾病的重要依据。为了降低CT扫描仪中X射线对人体的安全隐患，常通过减少电流或电压来消减X射线剂量，使之到达探测器中的光子数量缩减，但无法避免地造成由原始正弦图数据重建后的CT图像中存在复杂的噪声，使得成像质量下降。目前，CT去噪方法可分为三类：基于投影域去噪，迭代重建去噪，图像后处理去噪。由于投影域中正弦图数据的不公开性，研究人员逐渐将研究方向转到图像后处理去噪，其包括传统机器学习方法与深度学习方法。然而，去噪效果单一的传统机器学习方法不适用于存在复杂噪声的低剂量CT图像。随着计算机技术的发展与神经网络的崛起，通过自主学习低剂量CT图像内本质特征的去噪网络，虽取得了良好的可视化效果与定量指标，但CT图像内的细节结构信息还有待深度挖掘。CT图像内的组织形态复杂各异，大小不一，尤其针对刚表现出的细小病变组织信息，其可能成为及早发现病情的突破口。<br>　　为了保持在较高去噪效果的同时，保留图像更丰富的细节结构信息，本文提出了基于混合损失的对称-不对称协同网络用于低剂量CT图像去噪。其主要工作包含以下几方面：<br>　　（1）针对普通对称卷积对人体内部不规则组织与病变提取不充分以及编解码网络过多卷积对内存GPU要求更高的问题，提出在编解码网络的基础上，将不对称卷积替换原网络的普通对称卷积，并命名为对称-不对称协同模块(Symmetric-asymmetricCollaborativeModule，SCM)。不对称卷积将对称卷积的方正卷积核分解为高宽不一致的卷积核，更有利于图像内不规则信息特征的提取。同时，为了使不对称卷积作用最大化，本文在网络第二个下采样操作后的卷积层中，将第二、第四个对称卷积替换为不对称卷积，构成对称-不对称-对称-不对称卷积结构，且从实验过程模块中间层的输出特征图也可进一步验证提出模块的组成能提取更多的图像细节信息。<br>　　（2）针对编解码网络的均方误差(MeanSquaredError，MSE)损失仅考虑图像单独像素点的相关性，导致去噪图像过模糊的问题，本文结合多角度损失提出混合损失模块引导网络去噪。首先，图像中的像素点之间是相互影响的，为了考虑图像的空间信息，在损失模块中添加基于ResNet-50网络的多尺度感知损失，进一步引导去噪网络对不同尺寸信息的提取。然后，人们在识别图像的第一步是先将图像边缘从图像背景分离出来，强调图像边缘的重要性，因此，在损失模块中添加梯度损失，以强化图像边缘结构信息。<br>　　（3）为了深度挖掘CT图像内的细节结构信息，本文提出融合对称-不对称协同模块与混合损失模块的去噪模型，以加强网络对CT图像特征的提取。在相同实验环境设置下，采用峰值信噪比(PeakSignal-to-NoiseRatio，PSNR)和结构相似度(StructuralSimilarity，SSIM)的定量指标以及网络输出可视化结果两方面，分别进行消融实验与对比实验来验证去噪模型的有效性。与原编解码网络相比，单独添加混合损失模块PSNR指标增长了2.9，SSIM指标增长了0.04，同时添加对称-不对称协同模块与混合损失模块，PSNR指标增长了3.2，SSIM指标增长了0.043，且与其他去噪网络相比，其指标也都达到最优，说明提出的去噪模型能提取更多的CT图像特征信息，同时融合两模块具有相互促进的作用。与此同时，融合模块后的整体参数也降低了原来的十八分之一。