秩一分解网络用于低剂量CT噪声伪影抑制.pdfVIP

第４６卷第１期太原科技大学学报Ｖｏｌ.４６Ｎｏ.１

２０２５年２月ＪＯＵＲＮＡＬＯＦＴＡＩＹＵＡＮＵＮＩＶＥＲＳＩＴＹＯＦＳＣＩＥＮＣＥＡＮＤＴＥＣＨＮＯＬＯＧＹＦｅｂ.２０２５

文章编号:１６７３－２０５７(２０２５)０１－００２０－０７

秩一分解网络用于低剂量ＣＴ噪声伪影抑制

奉刚ꎬ张雄ꎬ任慧莹ꎬ王悦

(太原科技大学电子信息工程学院ꎬ太原０３００２４)

摘要:基于深度学习的ＬＤＣＴ图像降噪方法已成为该领域的研究热点ꎮ然而ꎬ现有的基于深度学

习的方法生成的ＣＴ降噪图像会出现过度平滑的现象ꎬ对有益于医学诊断准确性的部分信息造成一定程

度的破坏ꎮ为了使ＣＴ图像中的有用信息得到有效保留ꎬ提出了一个秩一分解重构网络ꎬ该网络能够将

ＣＴ图像的内容投影到两个不同的域:低秩域和残差域ꎮ通过对两个域内的不同语义信息进行相应的处

理ꎬ在尽可能抑制伪影与噪声同时ꎬ有效保留了７ＣＴ图像中有用的组织结构信息ꎮ实验结果表明ꎬ所提

出的方法在ＰＳＮＲ和ＳＳＩＭ指标值方面与对比算法中性能最好的一种相比分别提高了０９０８６ｄＢ和

００３５６ｄＢ

关键词:低剂量ꎻ深度学习ꎻ秩一分解ꎻＣＴꎻ图像修复

中图分类号:ＴＰ３８９１文献标识码:Ａｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１６７３－２０５７.２０２５.０１.００４

ＣＴ作为一种具有扫描速度快、图像密度分辨加了昂贵的计算代价ꎬ而且对于非线性任务也存在

率高、成像图像清晰等优点的扫描技术ꎬ已经成为一定的局限性ꎮ与传统算法不同ꎬ受益于硬件技术

医学诊疗的重要工具ꎮ但其潜在的辐射风险ꎬ会导的发展ꎬ深度学习方法能够有效的处理非线性任

致白内障、生长发育迟缓、绝育ꎬ甚至恶性肿瘤和白务ꎬ学习从ＬＤＣＴ到干净ＣＴ图像之间的映射关系ꎬ

血病等疾病ꎮ最直接有效的方法为降低ＣＴ扫描时为图像后处理方法提供了新的思路ꎮ

射线的辐射剂量ꎬ但辐射剂量的降低会导致图像被典型的基于学习的方法是使用卷积神经网络

伪影与噪声所污染ꎬ所以寻找一个低剂量与高质量(ＣＮＮ)ꎬ采用端到端的训练方式ꎬ学习输入图像到

图像之间的平衡显得尤为困难ꎮＣＴ图像后处理方[４]

目标图像的一个映射关系ꎬ如王芳提出的基于卷

法作为一种不依赖于原始投影数据ꎬ直接对成像后积神经网络的英文邮件分类ꎮ但该类方法对于特

的ＣＴ图像进行降噪的算法ꎬ具有较强的可移植性ꎬ征的提取能力受限于网络复杂度的大小ꎬ而复杂度

很多学者们致力于该方法的研究与创新ꎮ早期ꎬ学的提升往往易产生梯度消失或网络过拟合的现象ꎬ

者们将图像修复任务视作一个线性可逆任务ꎬ由于硬且ＬＤＣＴ图像作为一种组织结构丰富ꎬ噪声伪影复

件设备性能的约束ꎬ后处理算法主要使用传统的图像杂的灰度图像ꎬＣＮＮ缺乏对ＬＤＣＴ的“组织结构”与

[１][２]

处理类技术ꎬ如:ｊｏｉｎｔｓｐａｒｓｉｔｙ、ｎｏｎ￣ｌｏｃａｌｍｅａｎｓ、“噪声伪影”的敏感度ꎮ基于该思想ꎬ将图像的不同

[３]

ｂｌｏｃｋ￣ｍａｔｃｈｉｎｇ３Ｄ(ＢＭ３Ｄ)、基于字典学习、基于低语义特征投影到不同域后ꎬ对ＣＴ图像的正常组织

秩分解的降噪算法等ꎬ为处理线性任务提供了很多与病变区域有效内容进行保留ꎬ噪声伪影等