基于多尺度上下文信息融合的条件生成对抗神经网络用于低剂量PET图像去噪

PET成像在信号采集过程中存在辐射暴露风险,在保证成像质量的前提下需要尽可能降低示踪剂的使用剂量。这将导致PET图像伪影及信噪比低等问题。本文提出一种基于多尺度上下文信息融合的条件生成对抗网络,用于优化PET图像重建,以提高PET图像的图像质量。通过对作为生成器的编码器-解码器网络的跳过连接进行重新设计,提出一种基于多尺度上下文信息融合的跳过连接,使解码器能够在解码过程中获取来自编码器更加丰富的语义特征。采用使生成器网络学习低剂量PET图像的噪声分布的策略,降低了网络的学习难度。在低剂量PET数据集上对所提出的网络进行评估,峰值信噪比为29.948±4.062,结构相似性系数为0.926±0.030,标准均方根误差为0.395±0.211。相比于传统去噪算法Non-Local Mean和Block-Matching 3D以及2种深度学习方法RED-CNN和以U-Net为生成器的条件生成对抗网络,本文所提出的网络均取得了更加优越的性能表现。