基于深度能量模型的低剂量CT重建.docxVIP

基于深度能量模型的低剂量CT重建

摘要：降低计算机断层扫描（CT）的剂量对于降低临床应用中的辐射风险至关重要，深度学习的快速发展和广泛应用为低剂量CT成像算法的发展带来了新的方向。与大多数受益于手动设计的先验函数或有监督学习方案的现有先验驱动算法不同，本文使用基于深度能量模型来学习正常剂量CT的先验知识，然后在迭代重建阶段，将数据一致性作为条件项集成到低剂量CT的迭代生成模型中，通过郎之万动力学迭代更新训练的先验，实现低剂量CT重建。实验比较，证明所提方法的降噪和细节保留能力优良。

关键词：低剂量CT；深度学习；郎之万动力学；深度能量模型

计算机断层扫描（computedtomography，CT）是一种准确、非侵入式的体内异常检测技术，可应用于生物学、医学和其他领域。CT检查的广泛使用引起了人们对X射线辐射致癌和遗传损伤潜在风险的担忧[1]，于是，减少CT扫描次数降低CT的辐射剂量成为科研人员关注的焦点。针对如何在尽可能低的扫描剂量条件下获取与常规剂量CT质量相近的CT图像，即低剂量CT（low-doseCT，LDCT）可以对许多临床适应症进行成像，以最大限度地减少与辐射相关的风险，而不会显著影响筛查或诊断的性能。然而，降低辐射剂量会增加数据噪声并将伪影引入重建图像，如果不解决这些问题，则会对其诊断性能产生不利影响[2]。

为了解决这个问题，许多研究工作致力于设计算法来提高低剂量CT的图像质量。传统的重建算法一般可以分为解析法和迭代法[3]。其中解析法具备算法简单、计算速度快等优点，常用的解析算法有滤波反投影算法（filteredbackprojection，FBP）；但是，解析法需要较完整的投影数据，且对噪声敏感，容易产生伪影和噪声污染。迭代算法将重建图像当作未知变量，以此建立目标函数进行迭代求解，比如全变分模型（totalvariation，TV）[4]和噪声统计模型[5-6]；虽然这些迭代算法确实提高了图像质量，但是算法复杂度大，运行时占用内存等问题也限制了其应用。

随着深度学习的快速发展，卷积神经网络（convolutionalneuralnetworks，CNN）在图像去噪领域取得了很好进展[7-9]。最近，几种基于深度学习的算法已被应用于CT重建。

这些方法主要分为两种，一种是使用端到端的有监督深度学习技术作为后处理方法[10-11]，例如Würfl等[12]采用神经网络来进行CT图像重建；Cheng等[13]使用基于深度学习的跨越策略模拟了迭代重建过程；Han等[14]提出了一种基于深度残差学习网络的稀疏投影CT重建方法，结果表明，仅由条纹伪影组成的残差图像比原始CT图像简单得多；Jin等[15]结合FBP和U-net[16]的深度卷积网络，并充分利用了多分辨率CNN和残差学习[17]。

另一种是将深度学习驱动的先验知识集成到迭代方案，该类方法可以将神经网络学习的先验用来处理各种任务，而无需重新训练或者修改网络。具体来说，Baguer等[18]使用深度图像先验进行CT重建，在低维数据时取得优异的结果。同时，基于生成模型的特征学习，从网络结构和目标函数的角度提出了许多图像重建方法。最新的进展主要有两种方法：变分自编码器（variationalauto-encoder，VAE）[19-20]和生成对抗网络[21]（generativeadversarialnetworks，GAN），前者使用对数似然函数作为训练目标，而后者使用对抗性训练来最小化模型和数据分布之间的f散度[22]或积分概率度量[23]。蔡宁等[24]通过构建和分析普通CNN与GAN两者的性能差异，提出了一种创新的扫描方式，可有效获取低噪声的微米级计算机断层扫描（Micro-CT）数据，并取得了很好的重建效果；Niu等[25]提出的基于相似性的无监督深度去噪方法，能够以非局部和非线性的方式抑制图像中噪声，结果证明该方式从低剂量CT图像中恢复原有的特征效果；Wu等[26]采用K-稀疏自动编码器用于无监督的特征学习任务，并在重建过程中最小化重建图像和流形表示之间的距离以及数据保真度来提高图像重建质量；Zhang等[27]提出的REDAEP算法在去噪自编码先验模型的基础上，采用变量增强技术和Lp正则化约束以挖掘图像更高维的先验信息。遗憾的是，尽管生成模型在处理自然图像方面取得了成功，但在医学成像领域的研究却不是很多，尤其是在低剂量CT方面。

最近，基于深度能量的模型[29]（energy-basedmodel，EBM）在生成建模方面取得了