本文探讨了基于深度学习的低剂量CT图像去噪算法，通过引入Wasserstein距离和SSIM损失，改进了GAN框架。实验表明，提出的算法在保持结构信息方面表现优秀，尤其是在SSIM指标上超过其他方法，但在PSNR和RMSE上略逊于RED-CNN。
基于深度学习的低剂量CT图像去噪算法研究1
文章一：
Low-Dose CT Image Denoising Using a Generative Adversarial Network With a Hybrid Loss Function for Noise Learning
主要内容：
第一部分。引言部分：
通常用来解决低剂量CT图像去噪的有三种不同的方法：
- sinogram filter
在CT图像重建之前，原始数据或者它的对数形式可以被滤波处理，正弦域的噪声特性是容易被知道的，一些经典的方法包括：双边滤波法，自适应结构法，加权最小二乘法，但这些方法的缺点在于：空间分辨率损失和边缘模糊 - iterative reconstruction
迭代重建的方法是优化目标函数，增强投影数据的统计特性，真实图像的先验信息和成像系统的参数；迭代重建的方法包括：字典学习，非局部均值，低秩，总方差，方差等。
缺点：迭代方法的几何参数和校正步骤是不公开的，且计算的成本比较高，但得到的图像质量是明显的。 - post-processing
直接对重建后的CT图像进行处理，NLM, BM3D，但处理后的图像仍然存在平滑度和残差问题。 - 深度学习的方法
近年来，深度学习的方法也被用于低剂量CT图像去噪的领域，RED-CNN，但最终图像会出现外观模糊，缺少细节等问题，CNN网络的目的是使恢复后的CT图像与正常剂量的CT图像的均方误差最小，为了解决这个限制，引入了GAN，为了解决GAN训练困难的问题&#
最低0.47元/天 解锁文章
扫一扫
1081
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
