基于深度学习的低剂量CT图像降噪.pdf

天津师范大学硕士学位论文

摘要

计算机断层扫描(ComputedTomography,CT)因其扫描时间快、图像清晰的

特点被广泛应用于临床筛查、诊断和干预，但是CT扫描过程中的辐射也使患

者面临基因损伤和恶性肿瘤的风险。因此根据ALARA准则，低剂量CT(Low-

doseCT,LDCT)检查是未来临床扫描模式选择的趋势。然而，减少辐射剂量会

在CT中引入量子噪声，导致重建后的CT图像中出现噪声和伪影，可能会严重

干扰医生对病情的诊断。传统去噪方法往往是基于图像的物理变换，因此存在

去噪不彻底或者计算过程繁琐的问题。目前，深度学习技术已成功应用于

LDCT图像中的噪声去除。其中，生成对抗网络(GenerativeAdversarialNetwork,

GAN)具有非常好的图像恢复和去噪能力。本文针对常用的平均绝对误差(Mean

AbsoluteError,MAE)作为损失函数会导致生成图像细节缺失并且变得平滑，以

及GAN中存在的训练动态不稳定的问题展开研究，现将主要工作列举如下：

（1）提出一种用于LDCT图像去噪的损失函数WP-MAE(Weighted-Patch

MAE)MAECT

。常用的损失函数计算每个像素的平均损失，忽略了图像不同

区域去噪难度存在差异。因此在其基础上进行改进，为图像不同区域的MAE

损失分配适合的权重，以平衡其去噪难度。该损失函数调整了模型对CT图像

不同区域的关注程度，提升了LDCT图像的去噪效果。

（2）提出一种基于强化学习的梯度自适应生成对抗网络模型(Reinforcement

Learning-basedGradientAdaptiveGenerativeAdversarialNetwork,RGA-GAN)。现

有的GAN模型存在训练动态不稳定的问题，而本文所提模型将多种对抗损失

引入基于GAN的去噪模型，以提供更多的梯度方向，增强模型的稳定性，并

使用强化学习，根据样本表征为各个对抗损失分配权重，防止各个对抗损失性

能不平衡给模型带来不利影响。在测试集上证明了所提框架的有效性。

综上，经过实验，本文所提出的损失函数和模型，在LDCT图像去噪问题

上展现了良好的效果。

关键词：GAN，低剂量CT，图像去噪，强化学习，MAE，对抗损失

I

天津师范大学硕士学位论文

Abstract

Computedtomography(CT)iswidelyusedforclinicalscreening,diagnosis,and

interventionduetoitsfastscantimeandclearimages.However,theradiationduring

CTscansexposespatientstotheriskofgeneticdamageandmalignancy.Therefore,

accordingtoALARAguidelines,low-doseCT(LDCT)examinationisthefuture

trendintheselectionofclinicalscanningmodalities.Butreducingradiationdose

introducesquantumnoiseinCT,resultinginnoiseandartifactsinthereconstructed

CTimages,whichmayseriouslyinterferewiththephysiciansdiagnosisofthe

condition.Traditionaldenoisingmethodsareoftenbasedonthephysical

transformationofimagesandthussuffer