-
题名改进深度残差卷积神经网络的LDCT图像估计
被引量：7
- 1
-
-
作者
高净植
刘祎
张权
桂志国
-
机构
中北大学生物医学成像与影像大数据重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2018年第16期203-210,219,共9页
-
基金
国家自然科学基金(No.61671413)
国家重大科学仪器设备开发专项(No.2014YQ24044508)
+4 种基金
山西省自然科学基金(No.2015011046)
国家重点研发计划(No.2016YFC0101602)
山西省青年基金项目(No.201601D021080)
山西省回国留学人员科研资助项目(No.2016-085)
中北大学校基金(No.XJJ2016019)
-
文摘
针对低剂量计算机断层扫描(Low-Dose Computed Tomography,LDCT)重建图像出现明显条形伪影的现象,提出了一种基于残差学习的深度卷积神经网络(Deep Residual Convolutional Neural Network,DR-CNN)模型,可以从LDCT图像预测标准剂量计算机断层扫描(Normal-Dose Computed Tomography,NDCT)图像。该模型在训练阶段,将数据集中的LDCT图像和NDCT图像相减得到残差图像,将LDCT图像和残差图像分别作为输入和标签,通过深度卷积神经网络(Convolution Neural Network,CNN)学习输入和标签之间的映射关系;在测试阶段,利用此映射关系从LDCT图像预测残差图像,用LDCT图像减去残差图像得到预测的NDCT图像。实验采用50对大小为512×512的同一体模的常规剂量胸腔扫描切片和投影域添加噪声后的重建图像作为数据集,其中45对作为训练集,其他作为测试集,来验证此模型的有效性。通过与非局部降噪算法、匹配三维滤波算法和K-SVD算法等目前公认效果较好的图像去噪算法对比,所提模型预测的NDCT图像均方根误差小,且信噪比略高于其他算法处理结果。
-
关键词
低剂量计算机断层扫描
卷积神经网络
残差学习
深度学习
-
Keywords
low-dose computed tomography
convolutional neural network
residual learning
deep learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于编解码器生成对抗网络的CT去噪
被引量：3
- 2
-
-
作者
周广宇
张鹏程
刘生富
刘祎
桂志国
-
机构
中北大学生物医学成像与影像大数据重点实验室
-
出处
《计算机工程与设计》
北大核心
2022年第4期1059-1065,共7页
-
基金
国家自然科学基金项目(61671413、61801438)
高等学校科技创新基金项目(2020L0282)
+2 种基金
国家重大科学仪器设备开发专项基金项目(2014YQ24044508)
山西省应用基础研究基金项目(201901D211246)
山西省面上青年基金项目(201801D221196)。
-
文摘
针对生成对抗网络在训练中损失函数收敛慢,难以恢复图像细节的问题,提出一种基于编解码器与多尺度损失函数的生成对抗网络模型。使用含残差连接的编解码器作为生成器,该网络易于训练,能够加快对抗损失函数的收敛;引入噪声损失,与使用VGG19模型的感知损失构成多尺度损失函数,使图像在视觉上的纹理细节达到更细致的恢复效果。实验结果表明,与低剂量CT相比,去噪后图像的峰值信噪比提升了8.1%,结构相似性指数提升了4.8%,改进后的网络加快了损失函数收敛,有效改善了生成对抗网络训练困难、损失函数收敛慢、图像细节难以恢复等问题。
-
关键词
CT图像去噪
生成对抗网络
编解码器
残差连接
损失函数
-
Keywords
CT image denoising
generative adversarial network
encoder-decoder
residual connection
loss function
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
