基于无监督学习的低剂量CT重建网络

作者：李丹阳; 曾栋; 边兆英; 黄静; 马建华

来源：第十六届中国体视学与图像分析学术会议——交叉、融合、创新, 中国海南海口, 2019-10-17.

DOI：10.26914/c.cnkihy.2019.057997

• CT
• 低剂量
• 深度学习
• 有监督学习
• 无监督学习

当前深度学习广泛应用于计算机断层（computed tomography,CT）成像中。深度学习网络大多采用有监督方式训练,当训练数据集和测试数据集来源于不同部位或不同扫描协议时,预训练的网络不能在测试数据集上表现良好。因此,本文提出基于无监督学习的低剂量CT重建网络（unsupervised learning-based network for low-dose CT,简称ULNet-LdCT）。其中,网络分为两部分:有监督网络和无监督网络。有监督网络在训练集上采用端对端的有监督方式学习;无监督网络则通过结合CT成像过程,在测试数据集上进行无监督微调。本文采用实际临床病人的胸部数据对作为训练数据集,脑部数据作为测试数据集。实验证实,本文所提出的网络在数据保真的前提下可有效去除噪声。

• 单位
  生物医学工程学院; 南方医科大学; 华南理工大学