《Low-Dose CT》去噪论文

---

前言

1.《Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN)》
2.《Wavelet Domain Residual Network (WavResNet) for Low-Dose X-ray CT Reconstruction》
3.《Structure-sensitive Multi-scale Deep Neural Network for Low-Dose CT Denoising》
4.《Deep Convolutional Framelet Denosing for Low-Dose CT via Wavelet Residual Network》
其实最开始看是因为想在医学图像上面做一些工作，后来感觉还是比较不太好做，因为性能已经比较好了，比自然图像去噪要容易一些，再去改动网络模型结构，很少的提升空间。

一、《Low-Dose CT with a Residual Encoder-Decoder Convolutional Neural Network (RED-CNN)》

1. 摘要

摘要—考虑到X射线对患者的潜在危险，小剂量CT在医学成像领域引起了极大的兴趣。 当前，主流的小剂量CT方法包括特定于供应商的正弦图域过滤和迭代重建算法，但是它们需要访问格式对大多数用户不透明的原始数据。 由于难以在图像域中对统计特征进行建模，因此，直接处理重建图像的现有方法无法很好地消除图像噪声，同时又保留了结构细节。 受深度学习理念的启发，这里我们将自动编码器，反卷积网络和快捷方式连接到残差编码器-解码器卷积神经网络（RED-CNN）中，以进行低剂量CT成像。 经过基于补丁的培训后，相对于最新方法，在模拟和临床案例中，拟议的RED-CNN均具有竞争优势。 尤其是，我们的方法在噪声抑制，结构保存和病变检测方面得到了良好的评估。

2.网络模型

代码如下：链接

import os
import numpy as np
import torch.nn as nn

class RED_CNN(nn.Module):
    def __init__(self, out_ch=96):
        super(RED_CNN, self).__init__()
        self.conv1 = nn.Conv2D(1, out_ch, kernel_size=5, stride=