63、基于深度学习的低剂量肺部 CT 图像降噪方法

基于深度学习的低剂量肺部 CT 图像降噪方法

1. 引言

近几十年来，X 射线计算机断层扫描（CT）在临床检查、工业无损检测等方面得到了广泛应用。然而，由于医疗 CT 的频繁使用，X 射线对患者和操作人员的潜在辐射风险引起了更多关注。降低辐射剂量的一种有效方法是直接降低 X 射线管的工作电流，但这会导致 CT 图像质量严重下降。为了提高低剂量 CT 图像（LDCT）的质量，人们开发了多种方法，主要分为以下三类：
- 正弦图域滤波：在图像重建前直接对原始投影数据进行平滑处理，如逆 Radon 变换、滤波反投影（FBP）。其中，双边滤波和结构自适应滤波是两种有效的方法。
- 迭代重建：迭代处理低剂量 CT 问题，包括总变分（TV）、字典学习等方法。
- 重建后处理：独立于投影数据，如块匹配 3D（BM3D）方法在 CT 图像降噪方面效果显著，非局部均值（NLM）也是常用的低剂量 CT 图像降噪方法。

近年来，深度学习技术在许多领域取得了巨大成功，并应用于医学图像分析，如器官分类、病变检测和图像分割等。受相关研究启发，我们将基本卷积神经网络（CNN）自动编码器 - 解码器、残差学习、参数化修正线性单元（PReLU）以及结构相似性指数添加到损失函数中，构建了一个深度学习框架，用于恢复低剂量肺部 CT 图像的质量。

2. 方法

2.1 降噪模型

假设 $X \in R^{m×n}$ 是低剂量肺部 CT 图像，其对应的正常剂量 CT 图像为 $Y \in R^{m×n}$，它们之间的关系可以用以下方程描述：
$X = \sigma(Y)$
其中，$\sigma : R^{m×n} \to R^{