科研之友
微信
新浪微博
Facebook
分享链接
摘要
低剂量CT扫描应用越来越广，然其斑纹噪声和非平稳条纹伪影复杂，当下仅依靠推断条件后验概率来实现图像去噪的算法，无法应对低剂量CT图像噪声复杂，数据量少，先验知识缺少的缺陷。针对这些问题，本文提出了一种结合感知损失的双重对抗网络来实现低剂量CT图像去噪算法。该算法包含一个去噪器和一个生成器，从去噪和噪声生成两个角度来联合建模干净-噪声图像对的联合分布，通过联合学习让去噪器和生成器相互指导，充分学习数据中的噪声信息和清晰图像信息。最终学习到的去噪器可以直接用于修复低剂量CT图像。此外考虑到感知损失学习语义特征差异可以让去噪结果保留更多细节和边缘信息，为此提出一种掩膜自监督方法针对CT图像域训练一个语义特征提取网络用于计算感知损失。实验表明，和当下主流算法相比，该模型可以有效抑制噪声并去除伪影，极大保留边缘轮廓和纹理细节，产生更符合人眼视觉的去噪效果，在客观评价上比当下低剂量CT图像去噪性能最好算法SACNN，PSNR提升1.26db，SSIM提升1.8%。
- 单位
