基于多残差UNet的CT图像高精度稀疏重建

为了解决计算机断层成像(CT)稀疏解析重建过程中产生条状伪影的问题,在经典的UNet网络结构的基础上,提出了多残差UNet(Mr-UNet)网络结构,以更好地压制条状伪影。首先,用传统滤波反投影(FBP)解析重建算法稀疏重建出含条状伪影的稀疏图像;然后,将该类图像作为网络结构的输入,且将相对应的高精度图像作为网络的标签进行训练,使得该网络具有很好的压制条状伪影的性能;最后,将经典UNet原先的四层下采样加深到五层,并在模型中引入残差学习机制将每个卷积单元构建为残差结构,从而提升网络的训练性能。实验中采用了2000对大小为256×256的含条状伪影图像和对应的高精度图像作为数据集,其中,1900对作为训练集,50对作为验证集,其余的作为测试集来训练网络,并验证、评估网络性能。实验结果表明,与传统的总变差(TV)最小化算法及经典的UNet深度学习方法的比较表明,所提模型重建图像的均方根误差(RMSE)平均降低了约0.0025,结构相似度(SSIM)平均提高了约0.003,且能更好地保留图像纹理和细节信息。