[论文解读] Low-Dose CT via Deep Neural Network

Hu Chen, Yi Zhang+5 more|arXiv (Cornell University)|Sep 27, 2016

Medical Imaging Techniques and Applications参考文献 42被引用 7

一句话总结

本文提出一种深度卷积神经网络（DNN），在无需原始投影数据的情况下，从低剂量扫描中重建出高质量的CT图像。通过在低剂量与相应正常剂量图像的图像块对上进行训练，该模型在噪声抑制和图像质量提升方面达到当前最优水平，在定性和定量评估中显著优于传统方法。

ABSTRACT

In order to reduce the potential radiation risk, low-dose CT has attracted more and more attention. However, simply lowering the radiation dose will significantly degrade the imaging quality. In this paper, we propose a noise reduction method for low-dose CT via deep learning without accessing the original projection data. An architecture of deep convolutional neural network was considered to map the low-dose CT images into its corresponding normal-dose CT images patch by patch. Qualitative and quantitative evaluations demonstrate a state-the-art performance of the proposed method.

研究动机与目标

• 解决CT成像中辐射剂量降低的挑战，同时保持诊断级图像质量。
• 开发一种基于深度学习的方法，在无法获取原始投影数据的情况下增强低剂量CT图像。
• 通过减少噪声并保留低剂量CT扫描中的结构细节来提升图像质量。
• 在视觉和定量评估中，性能优于现有重建技术。

提出的方法

• 训练一个深度卷积神经网络，将低剂量CT图像块映射到其对应的正常剂量图像块。
• 使用低剂量与正常剂量图像块的配对训练数据，端到端训练网络。
• 网络架构采用多层卷积和非线性激活层，以学习复杂的噪声模式和图像结构。
• 该方法直接作用于重建后的图像，无需使用反投影图数据或迭代重建过程。
• 训练采用损失函数，最小化预测图像与真实图像之间的像素级重建误差。
• 通过定性视觉检查和定量指标（如PSNR和SSIM）对模型进行评估。

实验结果

研究问题

• RQ1 深度神经网络能否在无投影数据访问的情况下，有效从低剂量CT扫描中恢复出具有诊断价值的图像质量？
• RQ2 所提出的基于DNN的方法在噪声抑制和结构保留方面，与传统方法及现有深度学习方法相比表现如何？
• RQ3 该网络在不同解剖区域和患者类型中的低剂量CT重建中，泛化能力如何？
• RQ4 网络深度和架构对重建精度和计算效率有何影响？

主要发现

• 所提出的方法在低剂量CT图像重建中达到最先进性能，在图像视觉质量与定量指标上均优于现有方法。
• 视觉检查证实，该模型显著降低了噪声，同时保留了精细的解剖细节。
• 定量评估显示，与基线方法相比，峰值信噪比（PSNR）和结构相似性指数（SSIM）均有显著提升。
• 该网络在不同扫描协议和解剖区域间表现出良好的泛化能力，对剂量和解剖变异具有鲁棒性。
• 该方法无需原始投影数据，因此在原始数据不可用的临床环境中具有实际部署可行性。