Advances in Research on Low-dose CT Imaging Algorithm Based on Deep Learning
-
摘要: 计算机断层扫描成像（CT）技术具有成像速度快分辨率高的优点，广泛应用于医学临床诊断中。然而，提高剂量辐射会引发人体组织器官受损，降低剂量又会造成成像质量严重下降。为解决上述矛盾，在确保成像质量满足临床诊断需求的条件下，研究如何最大程度地降低X射线辐射对人体造成的伤害，已成为低剂量CT成像技术的研究热点。近年来，在人工智能领域深度学习方法快速发展，已广泛应用于图像处理、模式识别、信号处理等领域。与此同时，大数据驱动下的深度学习方法在LDCT成像领域的应用也有了长足的发展。本文从CT成像的过程、低剂量CT噪声建模以及成像算法的设计3方面，介绍近年来国内外低剂量CT成像算法的发展，尤其对深度学习领域的成像算法进行阐述与分析，并对LDCT图像成像领域未来的发展进行展望。Abstract: Computed tomography (CT) is widely used in clinical diagnosis because of its fast imaging speed and high resolution. However, higher doses of radiation will cause damages to human tissues and organs, while lower doses will lead to serious deterioration of imaging quality. In order to solve the above contradiction, researchers have focused on the low-dose CT imaging technology to study how to reduce the harm caused by radiation to the human body to the greatest extent under the condition of ensuring the imaging quality to meet the needs of clinical diagnosis. In recent years, deep learning has developed rapidly in the field of artificial intelligence, and has been widely used in image processing, pattern recognition, signal processing fields. Driven by big data, LDCT imaging algorithms based on deep learning have made great progress. This paper studies the development of low-dose CT imaging algorithms in recent years in terms of three aspects: the process of CT imaging, the noise modeling of low-dose CT, and the design of imaging algorithms. In particular, the imaging algorithms in the field of deep learning are systematically elaborated and analyzed. Finally, future developments in the field of LDCT image artifact suppression are also prospected.
-
Key words:
- deep learning /
- low dose CT /
- artifact suppression /
- noise modeling
-
1 典型的CT成像算法在现有数据集上性能比较
方法 主要特点 优点 缺点 传统 CT 重建算法 FBP 解析类且最基础的重建算法 成像速度快，鲁棒性好 对稀疏角度 CT 重建质量不佳 TV-POCS 迭代重建类算法，使用了 TV 正则化项进行约束 研究对象为原始数据，不容易丢失信息，降噪效果优于 FBP 算法 降噪结果容易产生块状伪影，且部分重要的细微结构被平滑 传统 CT 后处理算法 BM3D 基于块匹配的后处理 细节保留能力优于 TV- POCS 降噪结果出现了模糊与失真 K-SVD 基于字典学习的后处理 算法运算时间较长，降噪结果中仍然存在部分伪影 基于深度学习的 CT 重建算法 iCT-Net 用 CNN 学习 FBP：投影数据扩展；滤波；反投影；求和 对稀疏角度、短扫描内部扫描 CT 重建效果良好 并未解决锥束 CT 重建问题，网络参数较多 LEARN 迭代展开类算法，对“fields of experts”进行展开，并用 CNN 进行学习 重建结果保留了更多的边缘与细节，比传统迭代算法更高效 鲁棒性较差，对正则化函数具有一定的限制 DRONE 双域残差优化网络 重建精度高 需要更多数据集进行训练 基于深度学习的 CT 后处理算法 RED-CNN CNN 网络，包括 5 层编码与 5 层解码，其中初始输入、第 2、4 层编码端特征通过残差连接并入相应解码端 降噪效果优于传统后处理算法，降噪结果中伪影残留量较少 降噪结果容易产生图像过平滑现象，丢失了一些细微信息，如血管等 WGAN-VGG GAN 网络，G：8 层 conv，D：6 层 conv，2 层 FC，损失函数：WGAN+VGG 训练稳定性较好，能够有效缓解图像过平滑问题 在抑制伪影的过程中易破坏图像原有结构，引入新的噪声 SACNN CNN 网络，同时采用自注意力与自编码模块 在伪影抑制与结构保留方面实现了较好的平衡 降噪结果中仍然存在部分噪声，细微结构产生了失真 
下载: 导出CSV
-
-
点击查看大图
图(5) / 表(1)
计量
- 文章访问数: 1755
- HTML全文浏览量: 534
- PDF下载量: 308
- 被引次数: 0
