利用噪声等价图像和深度学习方法对低剂量CT降噪

目的研究在常规剂量扫描情况下模拟低剂量CT图像的方法,以此生成训练数据集中与常规剂量CT具有对应关系的低剂量CT图像,并建立深度学习模型,用于低剂量CT图像的降噪。方法使用Philip Brilliance CT Big Bore模拟定位机,其不同算法重建的CT图像具有不同的噪声水平,其中iDose4算法噪声较大,而全模型迭代重建技术(iterative model reconstruction,IMR)噪声较小。提出一种以等价噪声水平重建图像替代低剂量CT图像的方法。常规剂量和低剂量CT的曝光量分别采用250和35 mAs。分别扫描CTP712均匀模块,用IMR算法重建低剂量CT图像,用不同降噪水平的iDose^(4)算法重建常规剂量CT图像,并根据噪声分布从中找出低剂量CT的噪声等价图像。随后,用常规剂量和噪声等价CT图像配对训练循环一致性生成对抗网络(cycle-consistent adversarial networks,CycleGAN),使用模体测试该方法对真实低剂量CT噪声的改善程度。结果用iDose^(4) level 1重建的常规剂量CT图像可替代IMR重建的低剂量CT图像。低剂量扫描可降低86%的辐射剂量。使用CycleGAN模型降噪后,对于均匀模块,降噪幅度为45%;对于CIRS-SBRT 038模体的脑、脊髓和骨等处,噪声值分别降低了50%,13%和7%。结论等价噪声水平重建图像可用于替代低剂量CT图像训练深度学习网络,在避免受检者受照剂量增加的同时,减少图像噪声,提高图像质量。