用于低剂量 CT 去噪的结构敏感多尺度深度神经网络-阅读笔记

 

1. WGAN+S（结构敏感）+M（多尺度）+3D = SMGAN
2. 结构敏感损失 = 对抗性损失 + 感知有利损失结构 + 逐像素L1损失
3. 主要创新点：
   1. 采用3DConv的CNN作为生成器
   2. 采用2中的混合损失
   3. 对2D和3D的差异做了两个方面的评估
4. CT噪声被认为是 泊松量子噪声 + 高斯电子噪声
5. 不同损失优劣对比：
   1. L2损失可以有效地抑制背景噪声，但它会使去噪结果不自然和模糊。这是可以预期的，因为它具有回归均值的性质。此外，L2 损失假设背景噪声是高斯白噪声，它独立于局部图像特征，并且不适合 LDCT 成像。值得注意的是，由于 L2 损失具有可微性、凸性和对称性等吸引人的特性，均方误差 (MSE) 或 L2 损失仍然是去噪任务中的流行选择。公式为：
   2. 与 L2 损失相比，L1 损失不会过度惩罚去噪图像和金标准图像之间的大差异或容忍小错误。因此，L1 损失可以缓解我们前面提到的 L2 损失的一些缺点。L1 loss抑制了模糊，但无助于减少块状伪影。公式为：
   3. 对抗性损失：带有正则化项的 Wasserstein 距离，公式为：
   4. 结构性损失：医学图像包含很强的特征相关性。例如，它们的体素具有很强的相互依赖性。结构相似性指数 (SSIM) 和多尺度结构相似性指数 (MS-SSIM)是感知动机指标，在视觉模式识别中的表现优于基于均值的指标。为了测量两个图像之间的结构和感知相似性，SSIM公式如下：其中C1，C2是常数，μx、μz、σx、σz、σxz 分别表示来自 G 和相应 NDCT 图像的图像对 (x, z) 的均值、标准偏差和互协方差。MS-SSIM的公式表示为：结构损失（SL）的公式通常表示为：