基于双域信息学习的低剂量CT成像网络

作者:李穗; 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.2019.057996

摘要

随着深度学习技术的发展,基于深度学习的算法已广泛应用在低剂量计算机断层成像(CT)领域中,并且取得较好的结果。但是,这些算法大多数通过设计不同神经网络来学习低剂量CT图像与高质量CT图像之间的非线性映射,而忽略了CT的原始投影数据对CT重建过程的重要影响。因此,本文提出了一种基于双域信息学习的低剂量CT成像网络(Dual-Domain Reconstruction Network,DDR-Net),不同于传统低剂量成像网络,该网络利用卷积神经网络训练低剂量原始投影数据与高质量CT图像,并通过在网络中引入CT重建层,指导低剂量原始投影数据与高质量CT重建图像之间的学习,从而获得优质的低剂量CT重建结果。实际临床数据结果表明本文提出的DDR-Net相比于深度学习图像后处理类算法(CNN+FBP)能更好的抑制低剂量CT图像中的噪声和伪影,同时较好的保持图像的纹理信息,进而有效的改善低剂量CT图像质量,更好地为临床影响诊断服务。