一种基于伪影估计的低剂量CT图像降噪方法

低剂量CT(LDCT)包含丰富组织结构、病理信息和分布极其不规律的噪声伪影,这2种信息的幅度值分布规律相似。因此,LDCT降噪任务易出现特征提取不充分、网络对噪声伪影方向特性敏感度不足及降噪结果过度平滑等问题。为此,应用U-Net网络作为去噪网络的基本模型,设计了一种基于伪影估计的LDCT降噪网络。所提网络模型主要包括主特征提取网络和方向敏感注意力子网络2部分。为充分利用不同尺度特征之间的差异性,提高特征提取有效性,在编解码U-Net结构基础上增加了一个稠密特征增强模块;为提高降噪网络对噪声伪影方向特征的敏感度,设计了一个方向敏感注意力子网络;为保障网络训练稳定性,设计了多种损失函数来共同优化网络训练过程。实验结果表明:与目前主流的LDCT降噪方法相比,所提方法降噪结果的视觉效果与量化指标均表现最佳。

基于生成对抗网络和噪声水平估计的低剂量CT图像降噪方法

生成对抗网络(GAN)用于低剂量CT(LDCT)图像降噪具有一定的性能优势,成为近年CT图像降噪领域新的研究热点。不同剂量的LDCT图像中噪声和伪影分布的强度发生变化时,GAN网络降噪性能不稳定,网络泛化能力较差。为了克服这一缺陷,该文首先设计了一个编解码结构的噪声水平估计子网,用于生成不同剂量LDCT图像对应的噪声图,并用原始输入图像与之相减来初步抑制噪声;其次,在主干降噪网络中,采用GAN框架,并将生成器设计为多路编码的U-Net结构,通过博弈对抗实现网络结构优化,进一步抑制CT图像噪声;最后,设计了多种损失函数来约束不同功能模块的参数优化,进一步保障了LDCT图像降噪网络的性能。实验结果表明,与目前流行算法相比,所提出的降噪网络能够在保留LDCT图像原有重要信息的基础上,取得较好的降噪效果。

基于深度学习的低剂量CT成像算法研究进展

计算机断层扫描成像(CT)技术具有成像速度快分辨率高的优点,广泛应用于医学临床诊断中。然而,提高剂量辐射会引发人体组织器官受损,降低剂量又会造成成像质量严重下降。为解决上述矛盾,在确保成像质量满足临床诊断需求的条件下,研究如何最大程度地降低X射线辐射对人体造成的伤害,已成为低剂量CT成像技术的研究热点。近年来,在人工智能领域深度学习方法快速发展,已广泛应用于图像处理、模式识别、信号处理等领域。与此同时,大数据驱动下的深度学习方法在LDCT成像领域的应用也有了长足的发展。本文从CT成像的过程、低剂量CT噪声建模以及成像算法的设计3方面,介绍近年来国内外低剂量CT成像算法的发展,尤其对深度学习领域的成像算法进行阐述与分析,并对LDCT图像成像领域未来的发展进行展望。

瓮福集团市场化债转股圆满完成

2019年12月25日,贵州磷化集团旗下瓮福集团市场化债转股完成相关工商变更登记,引进了工银金融资产投资有限公司、农银金融资产投资有限公司、建信金融资产投资有限公司、芜湖信达瓮福一号股权投资中心(有限合伙)四大债转股实施机构,增资价款31亿元全部到账,实现了瓮福集团的资产负债率下降8.4%,年节约财务费用10%以上,标志着历时一年多的瓮福集团债转股圆满落地。

用于低剂量CT降噪的伪影感知生成对抗网络

近年来,生成对抗网络(GAN)用于低剂量CT(LDCT)伪影抑制表现出一定性能优势,已成为该领域新的研究热点。由于伪影分布不规律且与正常组织位置息息相关,现有GAN网络的降噪性能受限。针对上述问题,提出了一种基于伪影感知GAN的LDCT降噪算法。首先,设计了伪影方向感知生成器,该生成器在U型残差编解码结构的基础上增加了伪影方向感知子模块(ADSS),从而提高生成器对伪影方向特征的敏感度;其次,设计了注意力判别器(AttD)来提高对噪声伪影的鉴别能力;最后,设计了与网络功能相对应的损失函数,通过多种损失函数协同作用来提高网络的降噪性能。实验结果表明,与高频敏感GAN(HFSGAN)相比,该降噪算法的平均峰值信噪比(PSNR)和结构相似度(SSIM)分别提升了4.9%和2.8%,伪影抑制效果良好。