ISSN 1004-4140
CN 11-3017/P

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度学习的低剂量CT成像算法研究进展

韩泽芳 上官宏 张雄 韩兴隆 桂志国 崔学英 张鹏程

韩泽芳, 上官宏, 张雄, 韩兴隆, 桂志国, 崔学英, 张鹏程. 基于深度学习的低剂量CT成像算法研究进展[J]. CT理论与应用研究, 2022, 31(1): 117-134. doi: 10.15953/j.1004-4140.2022.31.01.14
引用本文: 韩泽芳, 上官宏, 张雄, 韩兴隆, 桂志国, 崔学英, 张鹏程. 基于深度学习的低剂量CT成像算法研究进展[J]. CT理论与应用研究, 2022, 31(1): 117-134. doi: 10.15953/j.1004-4140.2022.31.01.14
HAN Zefang, SHANGGUAN Hong, ZHANG Xiong, HAN Xinglong, GUI Zhiguo, CUI Xueying, ZHANG Pengcheng. Advances in Research on Low-dose CT Imaging Algorithm Based on Deep Learning[J]. CT Theory and Applications, 2022, 31(1): 117-134. doi: 10.15953/j.1004-4140.2022.31.01.14
Citation: HAN Zefang, SHANGGUAN Hong, ZHANG Xiong, HAN Xinglong, GUI Zhiguo, CUI Xueying, ZHANG Pengcheng. Advances in Research on Low-dose CT Imaging Algorithm Based on Deep Learning[J]. CT Theory and Applications, 2022, 31(1): 117-134. doi: 10.15953/j.1004-4140.2022.31.01.14

基于深度学习的低剂量CT成像算法研究进展

doi: 10.15953/j.1004-4140.2022.31.01.14
基金项目: 国家青年科学基金(低剂量CT图像伪影抑制中循环生成对抗训练模式研究(62001321));山西省高等学校科技创新项目(基于伪影抑制GAN网络的低剂量CT图像降噪方法研究(2019L0642));山西省自然科学基金(基于全变差正则项的低剂量CT图像的深度学习恢复算法研究(201901D111261))。
详细信息
    作者简介:

    韩泽芳:女,太原科技大学硕士研究生,研究方向为医学图像处理,E-mail:18734857409@163.com

    上官宏:女,太原科技大学电子信息工程学院副教授、硕士生导师,研究方向为模式识别、医学图像处理,E-mail:shangguan_hong@tyust.edu.cn

    张雄:男,太原科技大学电子信息工程学院教授、硕士生导师,研究方向为模式识别、医学图像处理和视频目标跟踪,E-mail:zx@tyust.edu.cn

  • 中图分类号: O  242;R  814

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。

     

  • 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-CNNCNN 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-VGGGAN 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
    SACNNCNN 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
  • 加载中
图(5) / 表(1)
计量
  • 文章访问数:  735
  • HTML全文浏览量:  168
  • PDF下载量:  153
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-05-20
  • 刊出日期:  2022-02-01

目录

    /

    返回文章
    返回