基于对抗式残差密集深度神经网络的CT稀疏重建.docxVIP

基于对抗式残差密集深度神经网络的CT稀疏重建

摘要：针对计算机断层成像稀疏重建过程中产生条状伪影的问题，本文提出一种基于对抗式残差密集深度神经网络的CT图像高精度稀疏重建方法。设计一种耦合残差连接、密集连接、注意力机制和对抗机制的UNet网络，以含条状伪影图像和高精度图像作为训练样本，通过大规模训练数据，对该网络进行训练，使其具有压制条状伪影的能力。首先，利用滤波反投影算法从稀疏投影中重建出含条状伪影的CT图像；接着，将其输入深度网络，通过网络压制条状伪影；最后，得到高精度的重建图像。实验结果表明，相比于现有的若干深度学习算法，提出的新型网络重建出的图像精度更高，可以更好地压制条状伪影。

关键词：稀疏重建；CT；UNet；对抗机制；注意力机制

计算机断层成像（computedtomography，CT）是应用最为广泛的医学成像模态，由于其过高的X射线辐射剂量可能存在诱发癌症的风险。因此，低剂量CT成为当前研究的热点。目前，低剂量CT有两种实现方法，一种是降低每个投影角度下的辐射剂量，另一种是在稀疏角度下减少投影个数。在稀疏投影角度下重建的图像就是稀疏重建，其中以滤波反投影（filteredbackprojection，FBP）[1]算法为代表的解析法，是一类经典的CT图像重建算法。然而FBP算法稀疏重建的图像产生严重的条状伪影，可能导致出现错误的疾病判读，基于此，研究者们开始设计新的高精度稀疏重建算法，以压制条状伪影。

CT稀疏重建方法大致分为两类。一类方法是基于压缩感知（compressedsensing，CS）[2]的迭代法，2006年以来，Sidky等[3-4]提出了扇束和锥束CT的总变差（totalvariation，TV）最小算法，实现了高精度CT稀疏重建。随后，研究者们在TV算法的基础上，提出了自适应加权TV（adaptive-weightedtotalvariation，awTV）[5]、保边TV（edge-preservingTV，EPTV）[6]、各向异性TV（anisotropicTV，aTV）[7]、高阶TV（highorderTV，HOTV）[8]、非局部TV（non-localTV，NLTV）[9]及TpV（totalp-variation，TpV）[10-11]等算法，进一步提高了重建精度，有力地推动了CT稀疏重建的发展。此外，其他基于压缩感知的重建算法也得到了深入研究，如基于字典学习的方法[12]和基于秩最小的方法[13]。

另一类方法是深度学习法。Chen等[14]提出的RED-CNN网络，结合了反卷积[15]和残差 学习[16]，在CT稀疏重建方面取得了不错的效果。Wolterink等[17]使用生成式对抗网络 （generativeadversarialnetworks，GAN）[18]在CT稀疏重建问题上也获得了很大的提升。Han等[19]证明学习条状伪影比学习原始信号更加简单，并提出了基于Unet网络[20-21]的深度残差学习方法来估计条状伪影，然后通过输入的含条状伪影的CT图像减去估计的条状伪影来获得高质量的CT图像。Jin等[22]提出的FBPConvNet网络将残差UNet网络和FBP算法结合起来解决稀疏重建中出现的条形伪影问题，并将该方法与传统的TV方法进行对比，取得了不错的效果。

Zhang等[23]提出的DD-Net网络结合密集连接[24]和反卷积，通过特征复用克服了梯度消失和梯度爆炸以及模型参数大小增加等问题，让网络结构进一步的压缩从而更容易训练，提高了网络训练的性能。Han等[25]揭示了Unet网络可能会产生模糊边缘的缺陷，提出了基于UNet的多分辨率深度学习网络结构：多级结构UNets和轻量级结构UNets，增强了图像的高频特征，并论证了该网络压制伪影的性能优于传统的TV算法。Steven等[26]提出的FD-UNet网络在UNet网络的收缩和扩展路径中均引入密集连接来抑制条状伪影，进一步实现高精度稀疏重建。

在这些利用深度学习的图像处理中，ResNet网络中残差连接可以在训练更深网络的同时，又能保证良好的性能。一定程度上解决了深度神经网络存在的退化问题和梯度消失、梯度爆炸的问题[16]。密集连接增加了浅层网络的特征映射在深层网络中的复用，提升了网

络的表达能力[24]；注意力机制通过对空间或通道信息进行加权，强调有用信息，提升了网络性能[27]；对抗机制通过两个不同网络的博弈达到纳什均衡，在计算机视觉方面取得了良好