基于特定损失函数GAN的高质量CT图像预测

作者：林锦秋; 陈胜^*; 何慧; 蔡源桃

来源：控制工程, 2021, 28(05): 1012-1019.

DOI：10.14107/j.cnki.kzgc.20190312

• 超低剂量CT
• 治疗计划系统
• 图像预测
• 生成对抗网络

高放射剂量CT增加了患癌的风险,因此,针对治疗计划系统研究了超低剂量CT,但其含有的噪声造成诊断结果有较高的假阳性。针对上述问题,提出一种基于超低剂量CT预测高剂量CT的方法,并通过比较多种不同低剂量CT图像预测的高剂量CT图像,评估如何在保证图像质量的同时使放射剂量尽可能低。首先,基于改进的生成对抗网络模型提出一种特定损失函数,该损失函数可以有效地优化图像质量。然后,分别用10mA·s,25 mA·s,100 mA·s和150 mA·s的低剂量CT图像数据训练不同的模型,最终在超低剂量CT中预测出令人满意的高剂量CT图像。为了验证算法的有效性,对预测结果进行主、客观评价并与存在的算法进行比较。实验结果表明,该模型可以基于10 mA·s的超低剂量预测高剂量图像的同时保证图像质量。

• 单位
  上海理工大学