52、Unet - GAN：低剂量 CT 图像去噪的新方法

Unet - GAN：低剂量 CT 图像去噪的新方法

在医学成像领域，低剂量 CT（LDCT）图像去噪一直是一个重要的研究课题。传统的去噪方法往往在去除噪声的同时，会损失图像的细节信息。近年来，生成对抗网络（GAN）在图像去噪方面展现出了巨大的潜力。本文将介绍一种名为 Unet - GAN 的新型生成对抗网络模型，它在 LDCT 图像去噪方面具有显著的优势。

相关研究回顾

在介绍 Unet - GAN 之前，我们先来了解一下相关的研究进展。Yi 等人训练了一个反向训练网络和一个清晰度检测网络，并结合条件生成对抗网络（cGAN）来指导训练过程。该方法的结果显示分辨率损失较小，并且通过实验验证了该模型的有效性。Yang 等人提出了一种基于 Wasserstein 距离和感知损失的生成对抗网络，该网络不仅可以有效去除 CT 图像的噪声和伪影，而且在保护图像细节方面比传统模型更出色。

Unet - GAN 的方法

降噪模型

首先，我们假设 X 是 LDCT 图像，Y 是对应的正常剂量 CT（NDCT）图像，R 是 X 中的噪声。那么这三者的关系可以表示为：
[X = Y + R]
接下来，我们要实现从 X 到 Y 的端到端映射。这个问题可以转化为寻找一个函数 f，使得：
[\arg\min_{f} ||f(X) - Y||_2^2]

生成对抗网络

生成对抗网络（GAN）由两部分组成：生成器网络 G 和判别器网络 D。G 网络根据输入图像生成合成图像，D 网络负责判断给定的图像是合成的还是真实的。G 网络和 D 网络之间存在对抗关系。G 网络训练的目的是尽可能让合成图像